Entrenamiento en la nube#

El entrenamiento en la nube de la Ultralytics Platform 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 la plataforma haciendo clic en New Model en cualquier página de proyecto o dataset. El diálogo de entrenamiento tiene dos pestañas: Cloud Training y Local Training.

Paso 1: Seleccionar modelo base#

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

El selector filtra los modelos oficiales para adaptarlos a 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 para entrenar (consulta Datasets):

Paso 3: Configurar parámetros#

Establece los parámetros de entrenamiento principales:

Paso 4: Configuración avanzada (opcional)#

Despliega Advanced Settings (Configuración avanzada) para acceder al editor de parámetros completo basado en YAML con más de 40 parámetros de entrenamiento organizados por grupo (consulta la referencia de configuración):

Los parámetros son sensibles a la tarea (p. ej., copy_paste solo aparece para tareas de segmentación, pose/kobj solo para tareas de pose). Aparece una insignia de Modified (Modificado) cuando los valores difieren de los predeterminados, y puedes restablecer todo a 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

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 de Top Up (Recargar). El coste y la duración estimados se calculan en función de tu configuración (tamaño del modelo, imágenes del conjunto de datos, épocas, velocidad de la GPU).

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

Ciclo de vida del trabajo de entrenamiento#

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

Para recibir los resultados de los procesos completados y fallidos sin tener que mantener esta página abierta, conecta Slack alerts.

Monitorear entrenamiento#

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

Subpestaña Charts (Gráficos)#

Subpestaña Console (Consola)#

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

Subpestaña System (Sistema)#

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

Puntos de control (Checkpoints)#

Una vez completado el entrenamiento, el mejor modelo (best.pt, el punto de control con el mAP más alto) se sube a la plataforma y se pone a disposición para su descarga, exportación y despliegue.

Cancelar entrenamiento#

Haz clic en Cancel Training en la página del modelo y confirma la acción. Para el entrenamiento en la nube, la plataforma detiene el trabajo, libera sus recursos de cómputo y cobra el tiempo de GPU transcurrido antes de la cancelación. Para el entrenamiento local, la cancelación indica al proceso que se detenga en el siguiente límite de época y preserva los resultados parciales.

Entrenamiento remoto#

graph LR
    A[Local GPU]:::start --> B[Train]:::proc
    B --> C[ultralytics Package]:::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 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 tu conjunto de datos. El modelo se vincula automáticamente al conjunto de datos en la plataforma (consulta Uso de conjuntos de datos 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 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 la velocidad de la GPU
2. Cálculo del tiempo total de entrenamiento multiplicando los segundos por época por el número de épocas, añadiendo después la sobrecarga de inicio
3. Cómputo del coste estimado a partir del total de horas de entrenamiento multiplicadas por la tarifa horaria de la GPU

Factores que afectan al coste:

Ejemplos de costes#

Flujo de facturación#

graph LR
    A[Estimate Cost]:::start --> B[Balance Check]:::decide
    B --> C[Train]:::proc
    C --> D[Charge Actual Runtime]:::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. Entrenamiento: El trabajo se ejecuta en la computación seleccionada
4. Cargo: El coste final se basa en el tiempo de ejecución real

Facturación por estado del trabajo#

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#

FAQ#

¿Cuánto 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 puede ejecutarse sin supervisión mientras mantenga fondos, y la plataforma registra un evento de finalización o fallo. Si la medición hace que el saldo baje de cero, las ejecuciones activas de pago en la nube se detienen y liquidan el tiempo de GPU ya utilizado.

¿Qué ocurre si me quedo sin créditos?#

El uso en la nube se mide a medida que avanza el entrenamiento. Si un cargo reduce tu saldo por debajo de cero, las ejecuciones de entrenamiento en la nube de pago activas se detienen y se liquidan por el tiempo de GPU ya utilizado. Añade créditos o habilita la recarga automática para mantener financiados los trabajos de larga duración.

¿Qué ocurre 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 uso real agota el saldo disponible, la plataforma detiene las ejecuciones activas de pago en la nube después de que el saldo se vuelve negativo.

Para gestionar los costes:

• Monitoriza el progreso del entrenamiento en tiempo real y cancéalo antes si es necesario
• Activa la recarga automática para reponer créditos automáticamente
• Empieza con ejecuciones más cortas (menos épocas) para calibrar las expectativas

¿Puedo utilizar argumentos de entrenamiento personalizados?#

Sí, expande 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 en los locales.

El editor YAML también permite importar configuraciones de ejecuciones de entrenamiento anteriores:

• Copiar desde un modelo existente: En la página de cualquier modelo completado, la tarjeta de Configuración de entrenamiento tiene un botón Copiar como JSON. Copia el JSON y pégalo directamente en el editor YAML; este detecta automáticamente el formato JSON e importa todos los parámetros.
• Pegar YAML o JSON: Pega cualquier configuración de entrenamiento YAML o JSON válida en el editor. Los parámetros se validan automáticamente, los valores fuera de rango se ajustan y se muestran advertencias.
• Arrastrar y soltar archivos: Arrastra un archivo .yaml o .json directamente al editor para importar sus parámetros.

Esto facilita reproducir o iterar sobre configuraciones de entrenamiento anteriores sin tener que volver a introducir manualmente cada parámetro.

¿Puedo entrenar desde una página de conjunto de datos?#

Sí, el botón New Model en las páginas de datasets abre el diálogo de entrenamiento con el dataset preseleccionado y bloqueado. A continuación, seleccionas un proyecto y un modelo para empezar a entrenar.

Referencia de parámetros de entrenamiento#