Formation Cloud

Ultralytics Platform Cloud Training propose un entraînement en un clic sur des GPU cloud, rendant l'entraînement de modèles accessible sans configuration complexe. Entraînez des modèles YOLO avec un streaming de métriques en temps réel et une sauvegarde automatique des points de contrôle.

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

Dialogue de formation

Commencez la formation à partir de l'interface utilisateur de la plateforme en cliquant sur Nouveau modèle sur n'importe quelle page de projet (ou sur Former à partir d'une page de jeu de données). La boîte de dialogue de formation comporte deux onglets : Formation dans le cloud et Formation locale.

Étape 1 : Sélectionnez le modèle de base

Choisissez parmi les modèles officiels YOLO26 ou vos propres modèles entraînés :

Les modèles officiels sont classés par type de tâche (détection, segmentation, pose, OBB, classification) et par taille, de nano à xlarge.

Étape 2 : Sélectionnez l'ensemble de données

Choisissez un jeu de données pour l'entraînement (voir Jeux de données):

Étape 3 : Configurer les paramètres

Définir les paramètres de base de l'entraînement :

Étape 4 : Paramètres avancés (facultatif)

Développez les paramètres avancés pour accéder à l'éditeur de paramètres complet basé sur YAML, qui comprend plus de 40 paramètres d'entraînement organisés par groupe (voir la référence de configuration) :

Les paramètres sont adaptés à la tâche (par exemple, copy_paste s'affiche uniquement pour segment , pose/kobj uniquement pour les tâches de pose). A Modifié un badge apparaît lorsque les valeurs diffèrent des valeurs par défaut, et vous pouvez tout réinitialiser aux valeurs par défaut avec le bouton de réinitialisation.

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

Étape 5 : Sélectionnez GPU onglet Cloud)

Choisissez votre GPU depuis Ultralytics Cloud :

La boîte de dialogue affiche votre solde actuel et un bouton Recharger. Le coût et la durée estimés sont calculés en fonction de votre configuration (taille du modèle, images de l'ensemble de données, époques, GPU ).

Étape 6 : Commencez l'entraînement

Cliquez sur Démarrer l'entraînement pour lancer votre tâche. La plateforme :

1. Provisionne une instance GPU
2. Télécharge votre jeu de données
3. Démarre l'entraînement
4. Diffuse les métriques en temps réel

Cycle de vie des formations

Les tâches de formation passent par les statuts suivants :

Surveiller l'entraînement

Consultez la progression de la formation en temps réel dans l'onglet « Train » (Former) de la page du modèle :

Sous-onglet Graphiques

Sous-onglet Console

Sortie console en direct avec prise en charge des couleurs ANSI, barres de progression et détection des erreurs.

Sous-onglet Système

GPU en temps réel GPU , de la mémoire, de la température, CPU et du disque.

Points de contrôle

Les points de contrôle sont enregistrés automatiquement :

• À chaque époque : Poids les plus récents sauvegardés
• Meilleur modèle : Point de contrôle avec le mAP le plus élevé conservé
• Modèle final : Poids à la fin de l'entraînement

Annuler l'entraînement

Cliquez sur Annuler l'entraînement sur la page du modèle pour arrêter une tâche en cours d'exécution :

• L'instance de calcul est terminée.
• Les crédits cessent d'être facturés
• Les points de contrôle enregistrés jusqu'à ce moment sont conservés

Entraînement à distance

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

Entraînez-vous sur votre propre matériel tout en transmettant les métriques à la plateforme.

pip install -U ultralytics

Configurer la clé API

1. Aller à Settings > Profile (section Clés API)
2. Créer une nouvelle clé (ou la plateforme en crée une automatiquement lorsque vous ouvrez l'onglet Entraînement Local)
3. Définissez la variable d'environnement :

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Entraîner avec le streaming

Utilisez la project et name paramètres pour diffuser les métriques :

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",
)

L'onglet Formation locale dans la boîte de dialogue Formation affiche une commande préconfigurée avec votre clé API, les paramètres sélectionnés et les arguments avancés inclus.

Utilisation des jeux de données de la plateforme

Entraînez-vous avec les ensembles de données stockés sur la plateforme à l'aide du ul:// Format 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",
)

L'argument ul:// Le format URI télécharge et configure automatiquement votre ensemble de données. Le modèle est automatiquement lié à l'ensemble de données sur la plateforme (voir Utilisation des jeux de données de la plateforme).

Facturation

Les coûts d'entraînement sont basés sur l'utilisation du GPU :

Estimation des coûts

Avant le début de l'entraînement, la plateforme estime le coût total en :

1. Estimation des secondes par époque à partir de la taille du jeu de données, de la complexité du modèle, de la taille de l'image, de la taille du lot et de la vitesse du GPU
2. Calcul du temps d'entraînement total en multipliant les secondes par époque par le nombre d'époques, puis en ajoutant la surcharge de démarrage.
3. Calcul du coût estimé à partir du nombre total d'heures d'entraînement multiplié par le tarif horaire du GPU

Facteurs influant sur le coût :

Exemples de coûts

Flux de facturation

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

Flux de facturation de l'entraînement cloud :

1. Estimation: coût calculé avant le début de la formation
2. Vérification du solde: Les crédits disponibles sont vérifiés avant le lancement
3. Entraîner : La tâche s'exécute sur le calcul sélectionné
4. Facturation : Le coût final est basé sur le temps d'exécution réel.

Facturation par statut de tâche

Méthodes de paiement

Afficher les coûts d'entraînement

Après l'entraînement, consultez les coûts détaillés dans l'onglet Facturation :

• Répartition des coûts par époque
• Temps GPU total
• Télécharger le rapport de coûts

Conseils d'entraînement

Choisir la bonne taille de modèle

Optimiser le temps d'entraînement

Dépannage

FAQ

Combien de temps dure l'entraînement ?

Le temps de formation dépend de :

• Taille du jeu de données
• Taille du modèle
• Nombre d'époques
• GPU sélectionné

Temps typiques (1000 images, 100 époques) :

Puis-je entraîner pendant la nuit ?

Oui, l'entraînement se poursuit jusqu'à la fin. Vous recevrez une notification lorsque l'entraînement sera terminé. Assurez-vous que votre compte dispose d'un solde suffisant pour l'entraînement basé sur les époques.

Que se passe-t-il si je n'ai plus de crédits ?

Si votre solde de crédits atteint zéro pendant une session d'entraînement, celle-ci se poursuit jusqu'à son terme et votre solde devient négatif. Cela garantit que votre session d'entraînement ne soit jamais interrompue en cours de route.

Une fois l'entraînement terminé, vous devrez ajouter des crédits pour ramener votre solde à un niveau positif avant de démarrer de nouvelles tâches d'entraînement. Votre modèle complété, vos points de contrôle et tous les artefacts d'entraînement sont entièrement préservés, quel que soit le solde.

Que se passe-t-il si ma formation coûte plus cher que prévu ?

Les estimations de coûts sont approximatives — le temps d'entraînement réel peut varier en raison de facteurs tels que la vitesse de chargement des données, le préchauffage du GPU et le comportement de convergence du modèle. Si le coût réel dépasse l'estimation, votre solde peut devenir négatif (voir ci-dessus). La plateforme n'arrête pas l'entraînement en fonction de l'estimation.

Pour maîtriser les coûts :

• Suivez les progrès de la formation en temps réel et interrompez-la rapidement si nécessaire
• Activer la recharge automatique pour réapprovisionner automatiquement votre crédit
• Commencez par des exécutions plus courtes (moins d'époques) pour ajuster vos attentes

Puis-je utiliser des arguments d'entraînement personnalisés ?

Oui, développez la section Paramètres avancés dans la boîte de dialogue de formation pour accéder à un éditeur YAML avec plus de 40 paramètres configurables. Les valeurs non par défaut sont incluses dans les commandes de formation cloud et locale.

L'éditeur YAML permet également d'importer des configurations issues de sessions d'entraînement précédentes:

• Copier à partir d'un modèle existant : Sur la page de tout modèle terminé, la carte Configuration d'entraînement dispose d'un bouton Copier en JSON. Copiez le JSON et collez-le directement dans l'éditeur yaml — il détecte automatiquement le format JSON et importe tous les paramètres.
• Coller YAML ou JSON : Collez toute configuration d'entraînement YAML ou JSON valide dans l'éditeur. Les paramètres sont validés automatiquement, les valeurs hors limites sont ajustées et des avertissements sont affichés.
• Glissez et déposez les fichiers: Faites glisser un .yaml ou .json fichier directement dans l'éditeur pour en importer les paramètres.

Cela permet de reproduire ou de modifier facilement les configurations d'entraînement précédentes sans avoir à saisir manuellement chaque paramètre.

Puis-je entraîner à partir d'une page de jeu de données ?

Oui, le bouton Train (Entraîner ) sur les pages de jeux de données ouvre la boîte de dialogue d'entraînement avec le jeu de données présélectionné et verrouillé. Vous sélectionnez ensuite un projet et un modèle pour commencer l'entraînement.

Référence des paramètres d'entraînement

📅 Créé il y a 2 mois ✏️ Mis à jour il y a 11 jours

Commentaires