Entrenamiento en la nube#

El Ultralytics Platform ofrece entrenamiento en la nube con un solo clic en GPU en la nube, lo que hace que entrenar modelos sea accesible sin una configuración compleja. 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#

Inicia el entrenamiento desde la interfaz de la plataforma haciendo clic en New Model en cualquier página de proyecto o conjunto de datos. El cuadro de diálogo de entrenamiento tiene dos pestañas: Cloud Training y Local Training. Cuando el conjunto de datos seleccionado se encuentra en un host local, la primera pestaña pasa a ser On Premise y la pestaña Local Training se oculta; ese conjunto de datos solo se puede entrenar en su propio host, lo que requiere un plan Enterprise y un worker conectado y en línea.

El diálogo recuerda el modelo base y cualquier parámetro no predeterminado que tuviera cuando lo cerraste por última vez, por tarea de conjunto de datos y espacio de trabajo en el navegador actual, y los restaura la próxima vez que lo abras para esa tarea. La selección de GPU no se recuerda, y Retry 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:

Dentro de cada pestaña, los modelos se agrupan por tarea en orden canónico y se ordenan por tamaño. El selector filtra los modelos oficiales para mostrar las tareas compatibles con el conjunto de datos seleccionado. YOLO26 incluye variantes de detección, segmentación, semántica, profundidad, clasificación, pose y OBB, con tamaños desde nano hasta xlarge.

Paso 2: Selecciona el conjunto de datos#

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

Paso 3: Configura los parámetros#

Configura los parámetros principales del entrenamiento:

Los valores introducidos fuera del intervalo de un parámetro se limitan al intervalo válido cuando el campo pierde el foco.

Paso 4: Configuración avanzada (opcional)#

Expande Advanced Settings para acceder al editor completo de parámetros basado en YAML, con más de 50 parámetros de entrenamiento organizados por grupo (consulta la referencia de configuración):

Los parámetros tienen en cuenta la tarea (por ejemplo, copy_paste solo se muestra para tareas de segmentación, pose/kobj solo para tareas de pose y dropout solo para clasificación). Aparece una insignia Modified cuando los valores difieren de los predeterminados, y puedes restablecerlos todos con el botón de restablecimiento. Solo se envían al trabajo de entrenamiento los valores avanzados no predeterminados (los parámetros básicos de épocas, lote 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 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 Platform. Platform comprueba si el contenido del conjunto de datos ha cambiado, reutiliza una versión coincidente cuando no ha cambiado y crea una nueva versión numerada solo cuando es necesario. A continuación, el entrenamiento utiliza esa instantánea NDJSON exacta y registra su número de versión y hash de contenido en el modelo.

Esto conserva los datos utilizados en la ejecución aunque posteriormente añadas o elimines imágenes, edites anotaciones o cambies las particiones del conjunto de datos. Puedes encontrar la versión vinculada en las pestañas Models y Versions del conjunto de datos.

Paso 5: Selecciona la GPU (pestaña Cloud)#

Elige tu GPU en Ultralytics Cloud:

El cuadro de diálogo muestra tu saldo actual y un botón Top Up. La tarjeta de costes estima la duración total y el precio de tu configuración (tamaño del modelo, imágenes del conjunto de datos, épocas, tamaño de imagen, tamaño del lote, optimizador y velocidad de la GPU), y también indica los segundos estimados por época y el número de imágenes del conjunto de datos.

Paso 6: Inicia el entrenamiento#

Haz clic en Start Training para iniciar tu trabajo. Platform:

1. Resuelve la versión inmutable del conjunto de datos cuando Save Dataset Version está activado
2. Proporciona una instancia de GPU
3. Descarga tu conjunto de datos
4. Comienza 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. Una ejecución que falla antes de aprovisionar los recursos de cómputo conserva intactos los resultados anteriores.

Ciclo de vida del trabajo de entrenamiento#

Los trabajos de entrenamiento pasan por los siguientes estados:

Un error fatal de Python en el flujo de la consola — un traceback, un error de falta de memoria de CUDA o un fallo al inicializar CUDA — finaliza la ejecución inmediatamente en lugar de esperar a que se agote el tiempo de espera, y el mensaje extraído aparece en un banner de error de la página del modelo con las acciones Ver todos los registros de la consola y Reintentar entrenamiento. Las ejecuciones que dejan de informar de actividad durante varias horas se marcan automáticamente como fallidas y sus recursos de computación se liberan.

Para recibir los resultados completados y fallidos sin mantener 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 Charts#

Los gráficos se agrupan por familia de métricas, y los grupos que aparecen dependen de lo que informe la ejecución:

Cada grupo se puede contraer, los gráficos individuales se pueden ocultar o mostrar desde el menú del grupo y los gráficos se pueden arrastrar y redimensionar; el diseño se recuerda para la próxima vez.

Subpestaña Console#

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

Subpestaña System#

Una tarjeta de host en directo (nombre de host, CPU, GPU, RAM y totales de disco), además de gráficos por época del uso de CPU y RAM, la utilización y 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 Platform durante el entrenamiento y de nuevo cuando finaliza la ejecución, de modo que la descarga, la exportación y el despliegue siempre usan la mejor época producida hasta el momento. Si se cancela la ejecución, se conserva el punto de control cargado antes de la cancelación.

Cancela el entrenamiento#

Haz clic en Cancelar en la tarjeta Información de la ejecución de la página del modelo y confirma la acción. En el entrenamiento en la nube, Platform detiene el trabajo, libera sus recursos de computación y cobra el tiempo de GPU transcurrido utilizado antes de la cancelación. En el entrenamiento local, las señales de cancelación indican al proceso que se detenga en el siguiente límite de época y conservan los resultados parciales; la ejecución carga lo que tiene 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 mientras transmites 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 cuando abras la pestaña Entrenamiento local)
3. Define la variable de entorno:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Entrenar 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 Entrenamiento local del 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 Platform#

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 Usar conjuntos de datos de Platform).

Facturación#

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

Estimación de costes#

Antes de que comience el entrenamiento, la plataforma estima la duración y el coste totales a partir del tamaño del conjunto de datos, el tamaño del modelo, el tamaño de la imagen, el tamaño del lote, las épocas y la GPU seleccionada. Las estimaciones son aproximadas; lo que se factura es el uso real.

Factores que afectan al coste:

Las estimaciones se basan en ejecuciones reales de entrenamiento en la nube y siempre utilizan la GPU que has seleccionado, por lo que un trabajo dirigido a una infraestructura de Ultralytics más rápida termina antes de lo estimado.

Ejemplos de costes#

Proceso 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

Proceso de facturación del entrenamiento en la nube:

1. Estimación: coste calculado antes de que comience el entrenamiento
2. Comprobación del saldo: los créditos disponibles se comprueban antes del inicio
3. Entrenamiento y medición: el trabajo se ejecuta en los recursos de computación seleccionados y el tiempo de GPU acumulado se descuenta de tu saldo por tramos mientras se ejecuta
4. Liquidación: en el estado terminal se descuenta el tramo restante y se registra una única transacción de Entrenamiento para toda la ejecución

Facturación por estado del trabajo#

Una ejecución que deja de informar de actividad durante varias horas se marca automáticamente como fallida; la instancia finaliza y se liquida el tiempo de GPU transcurrido. Las ejecuciones remotas en tu propio hardware simplemente se marcan como fallidas y no generan ningún cargo.

Métodos de pago#

El entrenamiento en la nube se paga con el saldo de créditos de tu cuenta de Platform.

Consultar los costes de entrenamiento#

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

Consejos de entrenamiento#

Elige el tamaño de modelo adecuado#

Optimiza el tiempo de entrenamiento#

Solución de problemas#

Referencia de parámetros de entrenamiento#

Preguntas frecuentes#