Entrenamiento en la Nube

La Plataforma Ultralytics Cloud Training ofrece entrenamiento con un solo clic en GPU en la nube, haciendo que el entrenamiento de modelos sea accesible sin configuraciones complejas. Entrene modelos YOLO con transmisión de métricas en tiempo real y guardado automático de puntos de control.

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

    style A fill:#2196F3,color:#fff
    style B fill:#FF9800,color:#fff
    style E fill:#9C27B0,color:#fff
    style H fill:#4CAF50,color:#fff

Diálogo de formación

Comience el entrenamiento desde la interfaz de usuario de la plataforma haciendo clic en Nuevo modelo en cualquier página de proyecto (o Entrenar desde una página de conjunto de datos). El cuadro de diálogo de entrenamiento tiene dos pestañas: Entrenamiento en la nube y Entrenamiento local.

Paso 1: Seleccionar el modelo base

Elige entre los modelos oficiales de YOLO26 o tus propios modelos entrenados:

Los modelos oficiales están organizados por tipo de tarea (detectar, segmentar, pose, OBB, clasificar) con tamaños que van desde nano hasta extragrande.

Paso 2: Seleccionar conjunto de datos

Elija un conjunto de datos para entrenar (consulte Conjuntos de datos):

Paso 3: Configurar los parámetros

Establecer los parámetros básicos de entrenamiento:

Paso 4: Configuración avanzada (opcional)

Expanda la configuración avanzada para acceder al editor completo de parámetros basado en YAML con más de 40 parámetros de entrenamiento organizados por grupos (consulte la referencia de configuración):

Los parámetros son sensibles a las tareas (por ejemplo, copy_paste solo se muestra para segment , pose/kobj solo para tareas de pose). A Modificado La insignia aparece cuando los valores difieren de los predeterminados, y puede restablecer todos los valores predeterminados con el botón de restablecimiento.

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

Paso 5: Seleccionar GPU pestaña Nube)

Elige tu GPU Ultralytics :

El cuadro de diálogo muestra su saldo actual y un botón Recargar. Se calculan el coste y la duración estimados en función de su configuración (tamaño del modelo, imágenes del conjunto de datos, épocas, GPU ).

Paso 6: Comience el entrenamiento

Haga clic en Iniciar entrenamiento para lanzar su trabajo. La plataforma:

1. Proporciona una instancia de GPU
2. Descarga su conjunto de datos
3. Inicia el entrenamiento
4. Transmite métricas en tiempo real

Ciclo de vida del trabajo de formación

Los trabajos de formación avanzan a través de los siguientes estados:

Supervisar el Entrenamiento

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

Subpestaña Gráficos

Subpestaña Consola

Salida de consola en vivo con soporte de colores ANSI, barras de progreso y detección de errores.

Subpestaña Sistema

GPU en tiempo real, memoria, temperatura, CPU y uso del disco.

Puntos de control

Los puntos de control se guardan automáticamente:

• Cada época: Pesos más recientes guardados
• Mejor modelo: Punto de control con el mAP más alto conservado
• Modelo final: Pesos al finalizar el entrenamiento

Cancelar Entrenamiento

Haga clic en Cancelar entrenamiento en la página del modelo para detener un trabajo en ejecución:

• La instancia informática se ha cerrado.
• Se detiene el cobro de créditos
• Los puntos de control guardados hasta ese momento se conservan.

Entrenamiento Remoto

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

    style A fill:#FF9800,color:#fff
    style C fill:#2196F3,color:#fff
    style E fill:#4CAF50,color:#fff

Entrene en su propio hardware mientras transmite métricas a la plataforma.

pip install -U ultralytics

Configurar clave API

1. Ir a Settings > Profile (Sección Claves API)
2. Cree una nueva clave (o la plataforma creará una automáticamente cuando abra la pestaña «Formación local»).
3. Establezca la variable de entorno:

export ULTRALYTICS_API_KEY="your_api_key"

Entrenar con Streaming

Utilice el project y name parámetros para transmitir métricas:

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

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="coco.yaml",
    epochs=100,
    project="username/my-project",
    name="experiment-1",
)

La pestaña «Formación local» del cuadro de diálogo de formación muestra un comando preconfigurado con su clave API, los parámetros seleccionados y los argumentos avanzados incluidos.

Uso de Conjuntos de Datos de la Plataforma

Entrene con conjuntos de datos almacenados en la plataforma utilizando el ul:// Formato URI:

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

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="ul://username/datasets/my-dataset",
    epochs=100,
    project="username/my-project",
    name="exp1",
)

El ul:// El formato URI descarga y configura automáticamente su conjunto de datos. El modelo se vincula automáticamente al conjunto de datos en la plataforma (véase Uso de Conjuntos de Datos de la Plataforma).

Facturación

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

Estimación de costes

Antes de comenzar la formación, la plataforma calcula el coste total mediante:

1. Estimación de segundos por época a partir del tamaño del conjunto de datos, la complejidad del modelo, el tamaño de la imagen, el tamaño del lote y GPU .
2. Calcular el tiempo total de entrenamiento multiplicando los segundos por época por el número de épocas y añadiendo la sobrecarga de arranque.
3. Calcular el coste estimado a partir del total de horas de formación multiplicado por la tarifa por hora GPU

Factores que afectan al coste:

Ejemplos de costes

Flujo de facturación

graph LR
    A[Estimate Cost] --> B[Balance Check]
    B --> C[Train]
    C --> D[Charge Actual Runtime]

    style A fill:#2196F3,color:#fff
    style B fill:#FF9800,color:#fff
    style C fill:#9C27B0,color:#fff
    style D fill:#4CAF50,color:#fff

Flujo de facturación de la formación en la nube:

1. Estimación: Coste calculado antes del inicio de la formación.
2. Comprobación del saldo: Se comprueban los créditos disponibles antes del lanzamiento.
3. Tren: El trabajo se ejecuta en el ordenador seleccionado.
4. Cargo: El coste final se basa en el tiempo de ejecución real.

Métodos de Pago

Ver Costos de Entrenamiento

Después del entrenamiento, vea los costos detallados en la pestaña Facturación:

• Desglose de costos por época
• Tiempo total de GPU
• Descargar informe de costos

Consejos de Entrenamiento

Elegir el Tamaño de Modelo Adecuado

Optimizar el Tiempo de Entrenamiento

Solución de problemas

Preguntas frecuentes

¿Cuánto tiempo tarda el entrenamiento?

El tiempo de entrenamiento depende de:

• Tamaño del conjunto de datos
• Tamaño del modelo
• Número de épocas
• GPU seleccionada

Tiempos típicos (1000 imágenes, 100 épocas):

¿Puedo entrenar durante la noche?

Sí, el entrenamiento continúa hasta su finalización. Recibirá una notificación cuando el entrenamiento termine. Asegúrese de que su cuenta tenga saldo suficiente para el entrenamiento basado en épocas.

¿Qué sucede si me quedo sin créditos?

El entrenamiento se pausa al final de la época actual. Su punto de control se guarda y puede reanudar después de añadir créditos.

¿Puedo usar argumentos de entrenamiento personalizados?

Sí, expanda la sección Configuración avanzada en el cuadro de diálogo de entrenamiento para acceder a un editor YAML con más de 40 parámetros configurables. Los valores no predeterminados se incluyen tanto en los comandos de entrenamiento en la nube como en los locales.

¿Puedo entrenar desde una página de conjunto de datos?

Sí, el botón «Entrenar» de las páginas de conjuntos de datos abre el cuadro de diálogo de entrenamiento con el conjunto de datos preseleccionado y bloqueado. A continuación, seleccione un proyecto y un modelo para comenzar el entrenamiento.

Referencia de Parámetros de Entrenamiento

📅 Creado hace 1 mes ✏️ Actualizado hace 4 días

Comentarios