Link to this sectionEntraînement dans le cloud#

L'entraînement dans le cloud de la plateforme Ultralytics permet de lancer un entraînement en un clic sur des GPU cloud, rendant l'entraînement de modèles accessible sans configuration complexe. Entraîne tes 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

Link to this sectionFenêtre d'entraînement#

Démarre l'entraînement depuis l'interface utilisateur de la plateforme en cliquant sur Nouveau modèle sur n'importe quelle page de projet (ou Entraîner depuis une page de jeu de données). La fenêtre d'entraînement comporte deux onglets : Entraînement Cloud et Entraînement local.

Link to this sectionÉtape 1 : Sélectionner le modèle de base#

Choisis parmi les modèles officiels YOLO26 ou tes propres modèles entraînés :

Les modèles officiels sont organisés par type de tâche (Detect, Segment, Semantic, Pose, OBB, Classify) avec des tailles allant de nano à xlarge.

Link to this sectionÉtape 2 : Sélectionner le jeu de données#

Choisis un jeu de données sur lequel t'entraîner (voir Jeux de données) :

Link to this sectionÉtape 3 : Configurer les paramètres#

Définit les paramètres d'entraînement de base :

Link to this sectionÉtape 4 : Paramètres avancés (Optionnel)#

Développe les Paramètres avancés pour accéder à l'éditeur complet de paramètres basé sur YAML avec plus de 40 paramètres d'entraînement organisés par groupe (voir référence de configuration) :

Les paramètres sont conscients de la tâche (par exemple, copy_paste ne s'affiche que pour les tâches de segmentation, pose/kobj uniquement pour les tâches de pose). Un badge Modifié apparaît lorsque les valeurs diffèrent des valeurs par défaut, et tu peux réinitialiser toutes les 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

Link to this sectionÉtape 5 : Sélectionner le GPU (Onglet Cloud)#

Choisis ton GPU depuis le cloud Ultralytics :

La fenêtre affiche ton solde actuel et un bouton Recharger. Un coût estimé et une durée sont calculés en fonction de ta configuration (taille du modèle, images du jeu de données, époques, vitesse du GPU).

Link to this sectionÉtape 6 : Démarrer l'entraînement#

Clique sur Démarrer l'entraînement pour lancer ton travail. La plateforme :

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

Link to this sectionCycle de vie du travail d'entraînement#

Les travaux d'entraînement progressent selon les statuts suivants :

Link to this sectionSurveiller l'entraînement#

Visualise la progression de l'entraînement en temps réel sur l'onglet Entraîner de la page du modèle :

Link to this sectionSous-onglet Graphiques#

Link to this sectionSous-onglet Console#

Sortie de console en direct avec support des couleurs ANSI, barres de progression et détection d'erreurs.

Link to this sectionSous-onglet Système#

Utilisation du GPU, mémoire, température, CPU et utilisation du disque en temps réel.

Link to this sectionPoints de contrôle#

Une fois l'entraînement terminé, le meilleur modèle (best.pt, le point de contrôle avec le mAP le plus élevé) est téléchargé sur la plateforme et rendu disponible pour le téléchargement, l'exportation et le déploiement.

Link to this sectionAnnuler l'entraînement#

Clique sur Annuler l'entraînement sur la page du modèle pour arrêter un travail en cours :

• L'instance de calcul est terminée
• Les crédits cessent d'être débités
• Le meilleur checkpoint reste disponible s'il a été atteint avant l'annulation

Link to this sectionEntraînement 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

Entraîne-toi sur ton propre matériel tout en diffusant les métriques vers la plateforme.

pip install -U ultralytics

Link to this sectionConfigurer la clé API#

1. Va dans Settings > API Keys
2. Crée une nouvelle clé (ou la plateforme en crée une automatiquement lorsque tu ouvres l'onglet Local Training)
3. Définit la variable d'environnement :

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Link to this sectionS'entraîner avec le streaming#

Utilise les paramètres project et name pour diffuser les métriques :

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

L'onglet Local Training dans la boîte de dialogue d'entraînement affiche une commande préconfigurée avec ta clé API, les paramètres sélectionnés et les arguments avancés inclus.

Link to this sectionUtilisation des datasets de la plateforme#

Entraîne-toi avec des jeux de données stockés sur la plateforme en utilisant le format d'URI ul:// :

yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100 \
  project=username/my-project name=exp1

Le format d'URI ul:// télécharge et configure automatiquement ton jeu de données. Le modèle est automatiquement lié au jeu de données sur la plateforme (voir Using Platform Datasets).

Link to this sectionFacturation#

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

Link to this sectionEstimation des coûts#

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

1. Estimant les 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 batch et de la vitesse du GPU
2. Calculant le temps total d'entraînement en multipliant les secondes par époque par le nombre d'époques, puis en ajoutant les frais généraux de démarrage
3. Calculant le coût estimé à partir des heures totales d'entraînement multipliées par le tarif horaire du GPU

Facteurs affectant le coût :

Link to this sectionExemples de coûts#

Link to this sectionFlux 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 dans le cloud :

1. Estimation : Coût calculé avant le début de l'entraînement
2. Vérification du solde : Les crédits disponibles sont vérifiés avant le lancement
3. Entraînement : Le travail s'exécute sur le matériel sélectionné
4. Débit : Le coût final est basé sur le temps d'exécution réel

Link to this sectionFacturation par statut de tâche#

Link to this sectionMéthodes de paiement#

Link to this sectionVoir les coûts d'entraînement#

Après l'entraînement, consulte les coûts détaillés dans l'onglet Billing :

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

Link to this sectionConseils pour l'entraînement#

Link to this sectionChoisir la bonne taille de modèle#

Link to this sectionOptimiser le temps d'entraînement#

Link to this sectionDépannage#

Link to this sectionFAQ#

Link to this sectionCombien de temps prend l'entraînement ?#

La durée de l'entraînement dépend de :

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

Temps typiques (1000 images, 100 époques) :

Link to this sectionPuis-je entraîner pendant la nuit ?#

Oui, l'entraînement se poursuit jusqu'à son terme. Tu recevras une notification lorsque l'entraînement sera terminé. Assure-toi que ton compte dispose d'un solde suffisant pour l'entraînement basé sur les époques.

Link to this sectionQue se passe-t-il si je n'ai plus de crédits ?#

Si ton solde de crédits atteint zéro pendant un entraînement, celui-ci se poursuit jusqu'à son terme et ton solde devient négatif. Cela garantit que ton travail d'entraînement ne soit jamais interrompu en cours de route.

Une fois l'entraînement terminé, tu devras ajouter des crédits pour rendre ton solde positif avant de commencer de nouveaux travaux d'entraînement. Ton modèle terminé, tes points de contrôle et tous les artefacts d'entraînement sont entièrement préservés, quel que soit ton solde.

Link to this sectionQue se passe-t-il si mon entraînement coûte plus cher que l'estimation ?#

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, ton solde peut devenir négatif (voir ci-dessus). La plateforme n'arrête pas l'entraînement en fonction de l'estimation.

Pour gérer les coûts :

• Surveille la progression de l'entraînement en temps réel et annule plus tôt si nécessaire
• Active le rechargement automatique pour recharger automatiquement tes crédits
• Commence par des exécutions plus courtes (moins d'époques) pour calibrer tes attentes

Link to this sectionPuis-je utiliser des arguments d'entraînement personnalisés ?#

Oui, développe la section Paramètres avancés dans la boîte de dialogue d'entraînement pour accéder à un éditeur YAML avec plus de 40 paramètres configurables. Les valeurs non par défaut sont incluses dans les commandes d'entraînement sur le cloud et locales.

L'éditeur YAML prend également en charge l'importation de configurations à partir d'entraînements précédents :

• Copier depuis un modèle existant : Sur la page de n'importe quel modèle terminé, la carte de configuration d'entraînement dispose d'un bouton Copier en JSON. Copie le JSON et colle-le directement dans l'éditeur YAML — il détecte automatiquement le format JSON et importe tous les paramètres.
• Coller du YAML ou du JSON : Colle 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.
• Glisser-déposer des fichiers : Glisse un fichier .yaml ou .json directement dans l'éditeur pour importer ses paramètres.

Cela facilite la reproduction ou l'itération sur des configurations d'entraînement précédentes sans avoir à saisir manuellement chaque paramètre.

Link to this sectionPuis-je entraîner à partir d'une page de jeu de données ?#

Oui, le bouton Entraîner sur les pages des jeux de données ouvre la boîte de dialogue d'entraînement avec le jeu de données présélectionné et verrouillé. Tu sélectionnes ensuite un projet et un modèle pour commencer l'entraînement.

Link to this sectionRéférence des paramètres d'entraînement#