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] --> 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

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

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 (Detect, Segment, Pose, OBB, Classify) con 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 fundamentales de entrenamiento:

Paso 4: Ajustes avanzados (opcional)

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

Los parámetros son conscientes de la tarea (por ejemplo, copy_paste solo se muestra para tareas de segmento, pose/kobj solo para tareas de pose). Aparece una insignia de Modified cuando los valores difieren de los predeterminados, y puedes 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 Cloud)

Elige tu GPU desde Ultralytics Cloud:

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

Paso 6: Iniciar entrenamiento

Haz clic en Start Training para iniciar 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

Ciclo de vida del trabajo de entrenamiento

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

Monitoriza el entrenamiento

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

Subpestaña de gráficos

Subpestaña Consola

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

Subpestaña Sistema

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

Puntos de control

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 queda disponible para su descarga, exportación y despliegue.

Cancelar entrenamiento

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

• La instancia de computación se termina
• Se deja de cobrar el uso de créditos
• El mejor punto de control sigue disponible si se alcanzó antes de la cancelación

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

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

pip install -U ultralytics

Configurar clave API

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

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Entrenar con transmisión

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

Uso 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).

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 según el tamaño del dataset, 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 luego la sobrecarga de inicio
3. Cómputo del coste estimado a partir de las horas totales 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] --> 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 que comience el entrenamiento
2. Comprobación 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

Facturación por estado del trabajo

Métodos de pago

Ver costes de entrenamiento

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

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

Consejos para el entrenamiento

Elige el tamaño de modelo correcto

Optimiza el tiempo de entrenamiento

Solución de problemas

Preguntas frecuentes

¿Cuánto tiempo lleva el entrenamiento?

El tiempo de entrenamiento depende de:

• Tamaño del dataset
• Tamaño del modelo
• Número de épocas
• GPU seleccionada

Tiempos típicos (1000 imágenes, 100 épocas):

¿Puedo entrenar durante la noche?

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

¿Qué ocurre si me quedo sin créditos?

Si tu saldo de créditos llega a cero durante una ejecución de entrenamiento, el entrenamiento continúa hasta completarse y tu saldo quedará 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. Tu modelo completo, los puntos de control y todos los artefactos de entrenamiento se conservan por completo independientemente del saldo.

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

Las estimaciones de costes son aproximadas; el tiempo de entrenamiento real 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 en negativo (ver arriba). La plataforma no detiene el entrenamiento basándose en la estimación.

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
• Comienza con ejecuciones más cortas (menos épocas) para calibrar las expectativas

¿Puedo usar argumentos de entrenamiento personalizados?

Sí, expande 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.

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; 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 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 datasets abre el cuadro de diálogo de entrenamiento con el dataset preseleccionado y bloqueado. Luego seleccionas un proyecto y un modelo para comenzar el entrenamiento.

Referencia de parámetros de entrenamiento