Entrenamiento en la nube#

Ultralytics Platform ofrece entrenamiento en la nube con un solo clic en GPU, para que puedas entrenar modelos 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

Cuadro de diálogo de entrenamiento#

Empieza a entrenar desde la interfaz de la plataforma haciendo clic en Nuevo modelo en cualquier página de proyecto o conjunto de datos. El cuadro de diálogo de entrenamiento tiene dos pestañas: Entrenamiento en la nube y Entrenamiento local. Si el conjunto de datos seleccionado está en un host On Premise, la primera pestaña pasa a llamarse On Premise y la pestaña Entrenamiento local queda oculta: ese conjunto de datos solo se puede usar para entrenar en su propio host, lo que requiere un plan Enterprise y un worker conectado y en línea.

El cuadro de diálogo recuerda, para cada tarea del conjunto de datos y espacio de trabajo en el navegador actual, el modelo base y los parámetros no predeterminados que tenía la última vez que lo cerraste, y los restaura la próxima vez que lo abras para esa tarea. No recuerda la selección de GPU, y Reintentar entrenamiento en una ejecución fallida restaura los argumentos propios de esa ejecución.

Paso 1: selecciona el modelo base#

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

En cada pestaña, los modelos se agrupan por tarea en el orden canónico y se ordenan por tamaño. Ambas pestañas solo muestran los modelos cuya tarea permite entrenar con el conjunto de datos seleccionado. YOLO26 incluye variantes de detección, segmentación, semántica, profundidad, clasificación, pose y OBB, en tamaños desde nano hasta xlarge.

Paso 2: selecciona el conjunto de datos#

Elige un conjunto de datos para entrenar (consulta Conjuntos de datos):

Paso 3: configura los parámetros#

Configura los parámetros básicos del entrenamiento:

Los valores introducidos fuera del intervalo permitido para un parámetro se limitan a ese intervalo cuando el campo pierde el foco.

Paso 4: configuración avanzada (opcional)#

Despliega Configuración avanzada para acceder al editor de parámetros basado en YAML, con más de 50 parámetros de entrenamiento en las secciones Configuración del entrenamiento y Aumentos de imagen (consulta la referencia de configuración):

Los parámetros se adaptan a la tarea (p. ej., copy_paste solo se muestra para las tareas de segmentación, semántica y OBB; pose/kobj solo se muestran para las tareas de pose; auto_augment/erasing solo se muestran para las tareas de clasificación). El editor omite device, cache, workers, iou, dropout, val y time, y los ignora en las configuraciones pegadas o arrastradas; configúralos en tu propio comando yolo train cuando entrenes en local. Aparece una insignia Modificado cuando los valores difieren de los predeterminados, y puedes restablecer todos los valores predeterminados con el botón de restablecimiento. Solo se envían al trabajo de entrenamiento los valores avanzados que no sean predeterminados (los parámetros básicos epochs, batch 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, semantic, OBB)
fliplr: 0.5       # Horizontal flip
degrees: 10.0     # Slight rotation
scale: 0.9        # Aggressive scaling

Guardar versión del conjunto de datos (opcional)#

Activa Guardar versión del conjunto de datos 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 ha cambiado y solo crea una nueva versión numerada cuando es necesario. A continuación, el entrenamiento usa esa instantánea exacta en formato NDJSON y registra en el modelo el número de versión y el hash del contenido.

Así se conservan los datos usados en la ejecución aunque más adelante añadas o elimines imágenes, edites anotaciones o cambies las divisiones del conjunto de datos. Puedes encontrar la versión vinculada en las pestañas Modelos y Versiones del conjunto de datos.

Paso 5: Selecciona una GPU (pestaña Cloud)#

Elige tu GPU en Ultralytics Cloud:

El cuadro de diálogo muestra tu saldo actual y un botón Añadir fondos. La tarjeta de costes calcula la duración y el precio totales de tu configuración (tamaño del modelo, imágenes del conjunto de datos, epochs, tamaño de imagen, tamaño del lote, optimizador y velocidad de la GPU) e indica también los segundos estimados por epoch y el número de imágenes del conjunto de datos.

Paso 6: Inicia el entrenamiento#

Haz clic en Iniciar entrenamiento para lanzar el trabajo. La plataforma:

1. Resuelve la versión inmutable del conjunto de datos si está activado Guardar versión del conjunto de datos
2. Proporciona una instancia de GPU
3. Descarga tu conjunto de datos
4. Inicia el entrenamiento
5. Transmite las métricas en tiempo real

Al volver a entrenar un modelo existente, se reutiliza la misma página del modelo y se borran los gráficos, la salida de la consola, las métricas del sistema y el estado de error de la ejecución anterior una vez creado el nuevo trabajo. Si una ejecución falla antes de que se aprovisionen los recursos de computación, los resultados anteriores no se modifican.

Ciclo de vida del trabajo de entrenamiento#

Los trabajos de entrenamiento pasan por los siguientes estados:

Un error grave de Python en el flujo de la consola —un traceback, un error de memoria insuficiente de CUDA o un fallo al inicializar CUDA— finaliza la ejecución de inmediato, sin esperar a que se agote el tiempo de espera, y el mensaje extraído aparece en un aviso de error en la página del modelo, con las acciones Ver todos los registros de la consola y Reintentar entrenamiento. Las ejecuciones que no notifican actividad durante 4 horas se marcan automáticamente como fallidas y se liberan sus recursos de computación.

Para recibir los resultados de las ejecuciones completadas y fallidas sin dejar esta página abierta, conecta las alertas de Slack.

Supervisa el entrenamiento#

Consulta el progreso del entrenamiento en tiempo real en la pestaña Entrenar de la página del modelo:

Subpestaña Gráficos#

Los gráficos se agrupan por familias de métricas, y los grupos que aparecen dependen de los datos que notifica la ejecución:

Puedes contraer cada grupo, ocultar o mostrar gráficos individuales desde el menú del grupo y arrastrar y cambiar el tamaño de los gráficos; la próxima vez se conservará la disposición.

Subpestaña de consola#

Salida de la consola en directo con compatibilidad con colores ANSI, barras de progreso y detección de errores graves. Se conservan las últimas 2000 líneas, puedes activar o desactivar las marcas de tiempo y copiar todo el registro como texto sin formato.

Subpestaña del sistema#

Una tarjeta del host en directo (nombre de host, CPU, GPU, RAM y capacidad total del disco), además de gráficos por epoch del uso de CPU y RAM, la utilización y la memoria de la GPU, la temperatura de la GPU, la E/S de red y la E/S de disco.

Puntos de control#

El mejor punto de control (best.pt) se carga periódicamente en la plataforma durante el entrenamiento y de nuevo al finalizar la ejecución, para que las opciones de descarga, exportación e implementación usen siempre el mejor epoch obtenido hasta el momento. Si se cancela la ejecución, se conserva el punto de control cargado antes de la cancelación.

Cancelar el entrenamiento#

Haz clic en Cancelar en la tarjeta Información de la ejecución de la página del modelo y confirma la acción. Para el entrenamiento en la nube, la plataforma detiene el trabajo, libera sus recursos de computación y cobra el tiempo de uso de la GPU transcurrido hasta la cancelación. Para el entrenamiento local, la cancelación indica al proceso que se detenga al final del siguiente epoch y conserva los resultados parciales: la ejecución carga lo que haya generado 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 y transmite las métricas a la plataforma.

pip install -U ultralytics

Configurar la clave de API#

1. Ve a Settings > API Keys
2. Crea una clave nueva (o la plataforma creará una automáticamente al abrir la pestaña Entrenamiento local)
3. Define la variable de entorno:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Entrenar con transmisión de métricas#

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 Entrenamiento local del cuadro de diálogo de entrenamiento muestra un comando preconfigurado con tu clave de API, los parámetros seleccionados y los argumentos avanzados incluidos.

Usar conjuntos de datos de la plataforma#

Entrena con conjuntos de datos almacenados en la plataforma usando 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 el conjunto de datos. El modelo se vincula automáticamente al conjunto de datos en la plataforma (consulta Usar conjuntos de datos de la plataforma).

Facturación#

El coste del entrenamiento se calcula según el uso de la GPU:

Estimación de costes#

Antes de que empiece el entrenamiento, la plataforma calcula la duración y el coste totales a partir del tamaño del conjunto de datos, el tamaño del modelo, el tamaño de imagen, el tamaño del lote, los epochs y la GPU seleccionada. Las estimaciones son aproximadas; se factura el uso real.

Factores que afectan al coste:

Las estimaciones se basan en ejecuciones reales de entrenamiento en la nube y siempre usan la GPU que has seleccionado; por eso, un trabajo asignado a una infraestructura de Ultralytics más rápida termina antes de lo previsto.

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 que empiece el entrenamiento
2. Comprobación del saldo: se comprueba el crédito disponible antes de iniciar el trabajo
3. Entrenamiento y medición: el trabajo se ejecuta en los recursos de computación seleccionados y el tiempo de GPU acumulado se descuenta del saldo en intervalos mientras se ejecuta
4. Liquidación: al finalizar, se descuenta el tiempo restante y se registra una única transacción de Entrenamiento por toda la ejecución

Facturación según el estado del trabajo#

Una ejecución que deje de informar de actividad durante 4 horas se marcará automáticamente como fallida; la instancia se terminará y se liquidará el tiempo de GPU transcurrido. Las ejecuciones remotas en tu propio hardware simplemente se marcarán como fallidas y no se cobrará nada.

Métodos de pago#

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

Consultar los costes de entrenamiento#

Antes de iniciar un trabajo en la nube, el cuadro de diálogo de entrenamiento muestra tu saldo de crédito actual y estima la duración y el coste del trabajo según el modelo, el conjunto de datos, las épocas, el tamaño de imagen y la GPU seleccionados. La estimación es informativa; el uso real se cobra en función del tiempo de GPU consumido. Después, consulta la transacción de crédito resultante en Ajustes > Facturación.

Consejos para el entrenamiento#

Elige el tamaño de modelo adecuado#

Optimiza el tiempo de entrenamiento#

Solución de problemas#

Referencia de parámetros de entrenamiento#

Preguntas frecuentes#