Link to this sectionEntrenamiento en la nube#

El entrenamiento en la nube de 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] --> 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

Link to this sectionDiálogo de entrenamiento#

Inicia el entrenamiento desde la interfaz de la plataforma haciendo clic en New Model en la página de cualquier proyecto (o Train desde la página de un conjunto de datos). El diálogo de entrenamiento tiene dos pestañas: Cloud Training y Local Training.

Link to this sectionPaso 1: Selecciona el modelo base#

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

Los modelos oficiales están organizados por tipo de tarea (Detect, Segment, Semantic, Pose, OBB, Classify) con tamaños desde nano hasta xlarge.

Link to this sectionPaso 2: Selecciona el conjunto de datos#

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

Link to this sectionPaso 3: Configura los parámetros#

Establece los parámetros fundamentales de entrenamiento:

Link to this sectionPaso 4: Ajustes avanzados (opcional)#

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

Los parámetros son conscientes de la tarea (p. ej., copy_paste solo aparece para tareas de segmentación, pose/kobj solo para tareas de pose). Aparece una insignia de Modified cuando los valores difieren de los predeterminados, y puedes restablecerlos todos a sus valores originales 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

Link to this sectionPaso 5: Selecciona GPU (pestaña en la nube)#

Elige tu GPU desde la nube de Ultralytics:

El diálogo muestra tu balance actual y un botón de Top Up (recarga). El costo y la duración estimados se calculan en función de tu configuración (tamaño del modelo, imágenes del conjunto de datos, épocas, velocidad de la GPU).

Link to this sectionPaso 6: Inicia el entrenamiento#

Haz clic en Start Training para lanzar tu trabajo. La plataforma:

1. Aprovisiona una instancia de GPU
2. Descarga tu conjunto de datos
3. Comienza el entrenamiento
4. Transmite métricas en tiempo real

Link to this sectionCiclo de vida del trabajo de entrenamiento#

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

Link to this sectionMonitoriza el entrenamiento#

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

Link to this sectionSubpestaña Charts#

Link to this sectionSubpestaña Console#

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

Link to this sectionSubpestaña System#

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

Link to this sectionCheckpoints#

Una vez finalizado el entrenamiento, el mejor modelo (best.pt, el checkpoint con el mAP más alto) se sube a la plataforma y queda disponible para su descarga, exportación y despliegue.

Link to this sectionCancelar entrenamiento#

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

• La instancia de computación finaliza
• Se deja de cobrar el saldo
• El mejor checkpoint permanece disponible si se alcanzó antes de la cancelación

Link to this sectionEntrenamiento 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

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

pip install -U ultralytics

Link to this sectionConfigurar clave API#

1. Ve a Settings > API Keys
2. Crea una clave nueva (o la plataforma crea una automáticamente al abrir la pestaña Local Training)
3. Establece la variable de entorno:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Link to this sectionEntrenar con streaming#

Usa los parámetros project y name para transmitir las métricas:

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

La pestaña Local Training en el diálogo de entrenamiento muestra un comando preconfigurado con tu clave API, los parámetros seleccionados y los argumentos avanzados incluidos.

Link to this sectionUso de datasets de la plataforma#

Entrena con datasets 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 tu dataset automáticamente. El modelo se vincula automáticamente al dataset en la plataforma (consulta Uso de datasets de la plataforma).

Link to this sectionFacturación#

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

Link to this sectionEstimación de costes#

Antes de empezar el entrenamiento, la plataforma estima el coste total mediante:

1. Estimación de segundos por epoch a partir del tamaño del dataset, la complejidad del modelo, el tamaño de la imagen, el tamaño del batch y la velocidad de la GPU
2. Cálculo del tiempo total de entrenamiento multiplicando los segundos por epoch por el número de epochs, y luego sumando el tiempo de inicialización
3. Cálculo del coste estimado a partir de las horas totales de entrenamiento multiplicadas por la tarifa por hora de la GPU

Factores que afectan al coste:

Link to this sectionEjemplos de costes#

Link to this sectionFlujo 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: Coste calculado antes de empezar el entrenamiento
2. Verificación de saldo: Se comprueban los créditos disponibles antes del lanzamiento
3. Entrenar: El trabajo se ejecuta en la computación seleccionada
4. Cobro: El coste final se basa en el tiempo de ejecución real

Link to this sectionFacturación por estado del trabajo#

Link to this sectionMétodos de pago#

Link to this sectionVer costes de entrenamiento#

Después del entrenamiento, consulta los costes detallados en la pestaña Billing:

• Desglose de costes por epoch
• Tiempo total de GPU
• Descargar informe de costes

Link to this sectionConsejos de entrenamiento#

Link to this sectionElige el tamaño de modelo adecuado#

Link to this sectionOptimiza el tiempo de entrenamiento#

Link to this sectionResolución de problemas#

Link to this sectionPreguntas frecuentes#

Link to this section¿Cuánto tiempo lleva 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):

Link to this section¿Puedo entrenar durante la noche?#

Sí, el entrenamiento continúa hasta finalizar. Recibirás una notificación cuando termine. Asegúrate de que tu cuenta tenga saldo suficiente para el entrenamiento basado en épocas.

Link to this section¿Qué ocurre si me quedo sin créditos?#

Si tu saldo de créditos llega a cero durante una ejecución de entrenamiento, este continúa hasta completarse y tu saldo se vuelve negativo. Esto garantiza que tu trabajo de entrenamiento nunca se interrumpa a mitad de proceso.

Una vez completado el entrenamiento, deberás añadir créditos para que tu saldo vuelva a ser positivo antes de iniciar nuevos trabajos de entrenamiento. Tu modelo completado, los puntos de control (checkpoints) y todos los artefactos de entrenamiento se conservan íntegramente, independientemente del saldo.

Link to this section¿Qué pasa si mi entrenamiento cuesta más de lo estimado?#

Las estimaciones de costes 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 coste real supera la estimación, tu saldo puede quedar negativo (ver arriba). La plataforma no detiene el entrenamiento basándose en la estimación.

Para gestionar los costes:

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

Link to this section¿Puedo utilizar argumentos de entrenamiento personalizados?#

Sí, expande la sección Advanced Settings 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 admite importar configuraciones de ejecuciones de entrenamiento anteriores:

• Copiar de un modelo existente: en la página de cualquier modelo completado, la tarjeta Training Configuration tiene un botón Copy as JSON. Copia el JSON y pégalo directamente en el editor YAML; detectará automáticamente el formato JSON e importará 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 la reproducción o la iteración de configuraciones de entrenamiento anteriores sin tener que volver a introducir manualmente cada parámetro.

Link to this section¿Puedo entrenar desde una página de conjunto de datos?#

Sí, el botón Train en las páginas de conjuntos de datos abre el diálogo de entrenamiento con el conjunto de datos preseleccionado y bloqueado. A continuación, seleccionas un proyecto y un modelo para comenzar el entrenamiento.

Link to this sectionReferencia de parámetros de entrenamiento#