Entrenamiento en la nube#

Ultralytics Platform Cloud Training ofrece entrenamiento con un solo clic en GPUs en la nube, lo que hace que el entrenamiento de modelos sea accesible sin configuraciones complejas. Entrena modelos YOLO con transmisión de métricas en tiempo real y guardado automático de puntos de control.

graph LR
    A[Configure]:::start --> B[Start Training]:::proc
    B --> C[Provision GPU]:::proc
    C --> D[Download Dataset]:::proc
    D --> E[Train]:::proc
    E --> F[Stream Metrics]:::proc
    F --> G[Save Checkpoints]:::proc
    G --> H[Complete]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Diálogo de entrenamiento#

Empieza el entrenamiento desde la interfaz de usuario de la plataforma haciendo clic en New Model en cualquier página de proyecto o conjunto de datos. El diálogo de entrenamiento tiene dos pestañas: Cloud Training y Local Training. Cuando el conjunto de datos seleccionado se encuentra en un host On Premise, la primera pestaña pasa a llamarse On Premise y la pestaña de entrenamiento local se oculta; ese conjunto de datos solo se puede entrenar en su propio host, lo cual requiere un plan Enterprise y un trabajador conectado y en línea.

Paso 1: Seleccionar modelo base#

Elige un modelo oficial de Ultralytics o uno de tus modelos completados:

Dentro de cada pestaña, los modelos se agrupan por tarea en orden canónico y se ordenan por tamaño. El selector filtra los modelos oficiales según las tareas compatibles con el conjunto de datos seleccionado. YOLO26 incluye variantes de Detect, Segment, Semantic, Depth, Classify, Pose y OBB en tamaños desde nano hasta xlarge.

Paso 2: Seleccionar conjunto de datos#

Elige un conjunto de datos en el que entrenar (consulta Datasets):

Paso 3: Configurar parámetros#

Establece los parámetros de entrenamiento principales:

Los valores escritos fuera del rango de un parámetro se ajustan cuando el campo pierde el foco.

Paso 4: Configuración avanzada (opcional)#

Expande Advanced Settings para acceder al editor de parámetros basado en YAML completo con más de 50 parámetros de entrenamiento organizados por grupo (consulta la referencia de configuración):

Los parámetros son conscientes de la tarea (por ejemplo, copy_paste solo aparece para tareas de segmento, pose/kobj solo para tareas de pose, dropout solo para clasificación). Aparece una insignia Modified cuando los valores difieren de los predeterminados, y puedes restablecer todos los valores a los predeterminados con el botón de restablecimiento. Solo se envían al trabajo de entrenamiento los valores avanzados que no son predeterminados (los parámetros básicos de épocas, lote y tamaño de imagen siempre se incluyen), por lo que el comando resultante sigue siendo legible.

mosaic: 1.0       # Keep mosaic on
mixup: 0.3        # Add mixup blending
copy_paste: 0.3   # Add copy-paste (segment only)
fliplr: 0.5       # Horizontal flip
degrees: 10.0     # Slight rotation
scale: 0.9        # Aggressive scaling

Guardar versión del conjunto de datos (opcional)#

Activa Save Dataset Version para vincular el modelo a una versión inmutable de un conjunto de datos alojado en la plataforma. La plataforma comprueba si el contenido del conjunto de datos ha cambiado, reutiliza una versión coincidente si no es así y crea una nueva versión numerada solo cuando es necesario. El entrenamiento utiliza entonces esa instantánea NDJSON exacta y registra su número de versión y hash de contenido en el modelo.

Esto preserva los datos utilizados para la ejecución incluso si más tarde añades o eliminas imágenes, editas anotaciones o cambias las particiones del conjunto de datos. Puedes encontrar la versión vinculada en las pestañas Models y Versions del conjunto de datos.

Paso 5: Seleccionar GPU (pestaña en la nube)#

Elige tu GPU desde Ultralytics Cloud:

El diálogo muestra tu balance actual y un botón Top Up. La tarjeta de costes estima la duración y el precio totales para tu configuración (tamaño del modelo, imágenes del conjunto de datos, épocas, tamaño de imagen, tamaño de lote, optimizador y velocidad de la GPU) y también informa de los segundos estimados por época y del recuento de imágenes del conjunto de datos.

Paso 6: Iniciar entrenamiento#

Haz clic en Start Training (Iniciar entrenamiento) para lanzar tu trabajo. La plataforma:

1. Resuelve la versión inmutable del conjunto de datos cuando Save Dataset Version está activado
2. Aprovisiona una instancia de GPU
3. Descarga tu conjunto de datos
4. Comienza el entrenamiento
5. Transmite métricas en tiempo real

Reentrenar un modelo existente reutiliza la misma página del modelo y borra los gráficos, la salida de la consola, las métricas del sistema y el estado de error de la ejecución anterior una vez que se crea el nuevo trabajo. Una ejecución que falla antes de que se aprovisione la computación deja los resultados anteriores intactos.

Ciclo de vida del trabajo de entrenamiento#

Los trabajos de entrenamiento progresan a través de los siguientes estados:

Un error fatal de Python en el flujo de la consola —un rastreo (traceback), un error de falta de memoria en la GPU (CUDA out-of-memory) o un error de inicialización de CUDA fallida— finaliza la ejecución inmediatamente en lugar de esperar a que se agote el tiempo de espera, y el mensaje extraído aparece en un banner de error en la página del modelo con las acciones View full console logs y Retry Training. Las ejecuciones que dejan de informar actividad durante varias horas se marcan automáticamente como fallidas y se libera su computación.

Para recibir los resultados de los procesos completados y fallidos sin mantener esta página abierta, conecta las alertas de Slack.

Monitorear entrenamiento#

Visualiza el progreso del entrenamiento en tiempo real en la pestaña Train (Entrenar) de la página del modelo:

Subpestaña Charts (Gráficos)#

Los gráficos se agrupan por familia de métricas, y los grupos que aparecen dependen de lo que informe la ejecución:

Cada grupo se puede contraer, los gráficos individuales se pueden ocultar o mostrar desde el menú del grupo, y los gráficos se pueden arrastrar y cambiar de tamaño; el diseño se recuerda para la próxima vez.

Subpestaña Console (Consola)#

Salida de consola en directo con compatibilidad con colores ANSI, barras de progreso y detección de errores fatales. Se conservan las últimas 2000 líneas, se pueden activar las marcas de tiempo y todo el registro se puede copiar como texto plano.

Subpestaña System (Sistema)#

Una tarjeta de host en directo (nombre de host, CPU, GPU, RAM y totales de disco) además de gráficos por época para el uso de CPU y RAM, utilización y memoria de la GPU, temperatura de la GPU, E/S de red y E/S de disco.

Puntos de control (Checkpoints)#

El mejor punto de control (best.pt) se carga en la Platform periódicamente durante el entrenamiento y de nuevo cuando finaliza la ejecución, por lo que la descarga, la exportación y el despliegue utilizan siempre la mejor época producida hasta el momento. Si se cancela la ejecución, se conserva el punto de control cargado antes de la cancelación.

Cancelar entrenamiento#

Haz clic en Cancel en la tarjeta de información de ejecución (Run Information) en la página del modelo y confirma la acción. Para el entrenamiento en la nube, la Platform detiene el trabajo, libera su computación y cobra el tiempo de GPU transcurrido utilizado antes de la cancelación. Para el entrenamiento local, la cancelación indica al proceso que se detenga en el siguiente límite de época y conserva los resultados parciales; la ejecución sube lo que tiene antes de salir.

Entrenamiento remoto#

graph LR
    A[Local GPU]:::start --> B[ultralytics Package]:::proc
    B --> C[Train]:::proc
    C --> D[Stream Metrics]:::proc
    D --> E[Platform Dashboard]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Entrena en tu propio hardware mientras transmites métricas a la plataforma.

pip install -U ultralytics

Configurar clave de API#

1. Ve a Settings > API Keys
2. Crea una nueva clave (o la plataforma crea una automáticamente cuando abres la pestaña de Entrenamiento local)
3. Establece la variable de entorno:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Entrenar con transmisión de datos#

Usa los parámetros project y name para transmitir métricas:

yolo train model=yolo26n.pt data=coco.yaml epochs=100 \
  project=username/my-project name=experiment-1

La pestaña de Entrenamiento local en el cuadro de diálogo de entrenamiento muestra un comando preconfigurado con tu clave de API, parámetros seleccionados y argumentos avanzados incluidos.

Uso de datasets de la plataforma#

Entrena con datasets almacenados en la plataforma utilizando el formato de URI ul://:

yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100 \
  project=username/my-project name=exp1

El formato de URI ul:// descarga y configura automáticamente tu dataset. El modelo se vincula automáticamente al dataset en la plataforma (consulta Uso de datasets de la plataforma).

Facturación#

Los costes de entrenamiento se basan en el uso de la GPU:

Estimación de costes#

Antes de que comience el entrenamiento, la plataforma estima la duración y el coste totales a partir del tamaño de tu conjunto de datos, el tamaño del modelo, el tamaño de la imagen, el tamaño del lote, las épocas y la GPU seleccionada. Las estimaciones son aproximadas; el uso real es lo que se factura.

Factores que afectan al coste:

Las estimaciones se basan en ejecuciones de entrenamiento reales en la nube, y la estimación siempre utiliza la GPU que seleccionaste, por lo que un trabajo enrutado a una infraestructura de Ultralytics más rápida termina antes de su estimación.

Ejemplos de costes#

Flujo de facturación#

graph LR
    A[Estimate Cost]:::start --> B[Balance Check]:::decide
    B --> C[Train and Meter GPU Time]:::proc
    C --> D[Settle at Terminal State]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

Flujo de facturación del entrenamiento en la nube:

1. Estimación: Coste calculado antes de comenzar el entrenamiento
2. Verificación de saldo: Los créditos disponibles se comprueban antes del lanzamiento
3. Entrena y Mide: El trabajo se ejecuta en el recurso de cómputo seleccionado y el tiempo de GPU acumulado se descuenta de tu saldo por etapas mientras se ejecuta
4. Liquida: En el estado final se descuenta el remanente restante y se registra una única transacción de Training para toda la ejecución

Facturación por estado del trabajo#

Una ejecución que deja de informar actividad durante varias horas se marca automáticamente como fallida; la instancia se termina y se liquida el tiempo de GPU transcurrido. Las ejecuciones remotas en tu propio hardware simplemente se marcan como fallidas sin nada que cobrar.

Métodos de pago#

El entrenamiento en la nube se paga con el saldo de crédito de tu plataforma.

Ver costes de entrenamiento#

Antes de iniciar un trabajo en la nube, el diálogo de entrenamiento muestra tu saldo de crédito actual y estima la duración y el costo del trabajo a partir del modelo, dataset, épocas, tamaño de imagen y GPU seleccionados. La estimación es informativa; el uso real se cobra por el tiempo de GPU consumido. Después, revisa la transacción de crédito resultante en Settings > Billing.

Consejos de entrenamiento#

Elige el tamaño de modelo correcto#

Optimiza el tiempo de entrenamiento#

Solución de problemas#

Referencia de parámetros de entrenamiento#

FAQ#