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 Entrenamiento

Inicie el entrenamiento desde la interfaz de usuario de la plataforma haciendo clic en Nuevo Modelo en cualquier página de proyecto (o en Entrenar desde una página de conjunto de datos). El diálogo de entrenamiento tiene dos pestañas: Entrenamiento en la Nube y Entrenamiento Local.

Paso 1: Seleccionar Modelo Base

Elija entre los modelos oficiales de YOLO26 o sus propios modelos entrenados:

Los modelos oficiales se organizan por tipo de tarea (detect, segment, Pose, obb, classify) con tamaños desde nano hasta xlarge.

Paso 2: Seleccionar Conjunto de Datos

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

Paso 3: Configurar Parámetros

Establecer los parámetros de entrenamiento principales:

Paso 4: Configuración Avanzada (Opcional)

Expanda Configuración Avanzada para acceder al editor completo de parámetros basado en yaml con más de 40 parámetros de entrenamiento organizados por grupo (consulte la referencia de configuración):

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

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)

Elija su GPU de Ultralytics Cloud:

El diálogo muestra tu saldo actual y un botón de Recargar. Se calcula un costo y una duración estimados en función de tu configuración (tamaño del modelo, imágenes del conjunto de datos, épocas, velocidad de la GPU).

Paso 6: Iniciar 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 Entrenamiento

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

Supervisar el Entrenamiento

Ver el progreso del entrenamiento en tiempo real en la pestaña Train de la página del modelo:

Subpestaña de gráficos

Subpestaña de la Consola

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

Subpestaña del sistema

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

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

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

• La instancia de cómputo ha sido terminada
• 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

Entrenar en su propio hardware mientras se transmiten las métricas a la plataforma.

pip install -U ultralytics

Configurar clave API

1. Ir a Settings > Profile (sección Claves API)
2. Crear una nueva clave (o la plataforma la crea automáticamente al abrir la pestaña de Entrenamiento 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 Entrenamiento Local en el diálogo de entrenamiento muestra un comando preconfigurado con su clave API, parámetros seleccionados y argumentos avanzados incluidos.

Uso de Conjuntos de Datos de la Plataforma

Entrenar 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 (ver Uso de Conjuntos de Datos de la Plataforma).

Facturación

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

Estimación de costos

Antes de que comience el entrenamiento, la plataforma estima el costo total mediante:

1. Estimación de segundos por época a partir del tamaño del conjunto de datos, complejidad del modelo, tamaño de la imagen, tamaño del lote y velocidad de la GPU
2. Calculando el tiempo total de entrenamiento multiplicando los segundos por época por el número de épocas, y luego añadiendo la sobrecarga de inicio.
3. Cálculo del costo estimado a partir de las horas totales de entrenamiento multiplicadas por la tarifa horaria de la GPU

Factores que afectan el costo:

Ejemplos de costos

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 del entrenamiento en la Nube:

1. Estimación: Costo calculado antes de que comience el entrenamiento
2. Verificación de Saldo: Se verifican los créditos disponibles antes del lanzamiento.
3. Entrenar: El trabajo se ejecuta en el cómputo seleccionado
4. Cargo: El costo final se basa en el tiempo de ejecución real.

Facturación por Estado del Trabajo

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?

Si su saldo de créditos llega a cero durante una ejecución de entrenamiento, el entrenamiento continúa hasta su finalización y su saldo se vuelve negativo. Esto asegura que su trabajo de entrenamiento nunca se interrumpa a mitad de la ejecución.

Una vez finalizado el entrenamiento, deberá añadir créditos para que su saldo vuelva a ser positivo antes de iniciar nuevos trabajos de entrenamiento. Su modelo completado, los puntos de control y todos los artefactos de entrenamiento se conservan íntegramente, independientemente del saldo.

¿Qué sucede si mi entrenamiento cuesta más de lo estimado?

Las estimaciones de costos son aproximadas — el tiempo real de entrenamiento puede variar debido a factores como la velocidad de carga de datos, el calentamiento de la GPU y el comportamiento de convergencia del modelo. Si el costo real excede la estimación, su saldo puede volverse negativo (ver arriba). La plataforma no detiene el entrenamiento basándose en la estimación.

Para gestionar los costos:

• Monitorice el progreso del entrenamiento en tiempo real y cancele anticipadamente si es necesario
• Active la recarga automática para reponer créditos automáticamente
• Comience con ejecuciones más cortas (menos épocas) para calibrar las expectativas

¿Puedo usar argumentos de entrenamiento personalizados?

Sí, expanda la sección Configuración Avanzada en el 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 locales.

El editor de YAML también admite la importación de configuraciones de ejecuciones de entrenamiento anteriores:

• Copiar de un modelo existente: En la página de cualquier modelo completado, la tarjeta de Configuración de Entrenamiento tiene un botón Copiar como JSON. Copie el JSON y péguelo directamente en el editor de YAML — detecta automáticamente el formato JSON e importa todos los parámetros.
• Pegar YAML o JSON: Pegue cualquier configuración de entrenamiento YAML o JSON válida en el editor. Los parámetros se validan automáticamente, con los valores fuera de rango ajustados y las advertencias mostradas.
• Arrastrar y soltar archivos: Arrastre un .yaml o .json archivo directamente en el editor para importar sus parámetros.

Esto facilita la reproducción o iteración sobre configuraciones de entrenamiento anteriores sin tener que volver a introducir manualmente cada parámetro.

¿Puedo entrenar desde una página de dataset?

Sí, el botón Entrenar en las páginas de conjuntos de datos abre el diálogo de entrenamiento con el conjunto de datos preseleccionado y bloqueado. Luego, selecciona un proyecto y un modelo para comenzar el entrenamiento.

Referencia de Parámetros de Entrenamiento

📅 Creado hace 2 meses ✏️ Actualizado hace 1 día

Comentarios