Entraînement dans le cloud#

L’entraînement dans le cloud de la plateforme Ultralytics permet d’entraîner des modèles sur des GPU cloud en un seul clic, sans configuration complexe. Entraîne tes modèles YOLO avec la diffusion des métriques en temps réel et l’enregistrement automatique des points de contrôle.

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

Fenêtre d’entraînement#

Commence l’entraînement depuis l’interface de la plateforme en cliquant sur Nouveau modèle sur la page d’un projet ou d’un jeu de données. La fenêtre d’entraînement comporte deux onglets : Entraînement dans le cloud et Entraînement local. Lorsque le jeu de données sélectionné se trouve sur un hôte On Premise, le premier onglet devient On Premise et l’onglet Entraînement local est masqué — ce jeu de données ne peut être entraîné que sur son propre hôte, ce qui nécessite un forfait Enterprise et un worker connecté et en ligne.

La boîte de dialogue mémorise le modèle de base et tous les paramètres non par défaut qu'elle contenait lors de sa dernière fermeture, par tâche de jeu de données et par espace de travail dans le navigateur actuel, et les restaure la prochaine fois que tu l'ouvres pour cette tâche. La sélection du GPU n'est pas mémorisée, et Retry sur une exécution échouée restaure les propres arguments de cette exécution.

Étape 1 : sélectionner le modèle de base#

Choisis un modèle Ultralytics officiel ou l’un de tes propres modèles terminés :

Dans chaque onglet, les modèles sont regroupés par tâche dans l’ordre canonique et triés par taille. Le sélecteur filtre les modèles officiels selon les tâches compatibles avec le jeu de données sélectionné. YOLO26 inclut des variantes Détection, Segmentation, Sémantique, Profondeur, Classification, Pose et OBB, avec des tailles allant de nano à xlarge.

Étape 2 : sélectionner le jeu de données#

Choisis un jeu de données pour l’entraînement (voir Jeux de données) :

Étape 3 : configurer les paramètres#

Définis les paramètres principaux de l’entraînement :

Les valeurs saisies en dehors de la plage d’un paramètre sont limitées lorsque le champ perd le focus.

Étape 4 : paramètres avancés (facultatif)#

Développe Paramètres avancés pour accéder à l’éditeur complet de paramètres basé sur YAML, avec plus de 50 paramètres d’entraînement organisés par groupe (voir la référence de configuration) :

Les paramètres tiennent compte de la tâche (par exemple, copy_paste s’affiche uniquement pour les tâches de segmentation, pose/kobj uniquement pour les tâches de pose, et dropout uniquement pour la classification). Un badge Modifié apparaît lorsque les valeurs diffèrent des valeurs par défaut, et tu peux toutes les réinitialiser avec le bouton de réinitialisation. Seules les valeurs avancées non définies par défaut sont envoyées à la tâche d’entraînement (les paramètres de base epochs, batch et taille d’image sont toujours inclus), afin que la commande obtenue reste lisible.

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

Enregistrer la version du jeu de données (facultatif)#

Active Enregistrer la version du jeu de données pour associer le modèle à une version immuable d’un jeu de données hébergé sur la plateforme. La plateforme vérifie si le contenu du jeu de données a changé, réutilise une version correspondante si ce n’est pas le cas et crée une nouvelle version numérotée uniquement lorsque cela est nécessaire. L’entraînement utilise alors cet instantané NDJSON exact et enregistre son numéro de version ainsi que son hash de contenu sur le modèle.

Cela préserve les données utilisées pour la session, même si tu ajoutes ou supprimes ensuite des images, modifies les annotations ou changes les splits du jeu de données. Tu peux trouver la version associée dans les onglets Modèles et Versions du jeu de données.

Étape 5 : sélectionner le GPU (onglet Cloud)#

Choisis ton GPU dans Ultralytics Cloud :

La fenêtre affiche ton solde actuel et un bouton Recharger. La carte des coûts estime la durée totale et le prix de ta configuration (taille du modèle, nombre d’images du jeu de données, époques, taille d’image, taille des lots, optimiseur et vitesse du GPU), et indique également le nombre estimé de secondes par époque ainsi que le nombre d’images du jeu de données.

Étape 6 : commencer l’entraînement#

Clique sur Commencer l’entraînement pour lancer ta tâche. La plateforme :

1. Résout la version immuable du jeu de données lorsque Enregistrer la version du jeu de données est activé
2. Provisionne une instance GPU
3. Télécharge ton jeu de données
4. Commence l’entraînement
5. Diffuse les métriques en temps réel

Le réentraînement d’un modèle existant réutilise la même page de modèle et efface les graphiques, la sortie de la console, les métriques système et l’état d’erreur de la session précédente une fois la nouvelle tâche créée. Une session qui échoue avant le provisionnement des ressources de calcul laisse les résultats précédents intacts.

Cycle de vie d’une tâche d’entraînement#

Les tâches d’entraînement passent par les statuts suivants :

Une erreur Python fatale dans le flux de la console — une trace d’exécution, une erreur CUDA « out of memory » ou un échec de l’initialisation de CUDA — met immédiatement fin à l’exécution au lieu d’attendre l’expiration du délai, et le message extrait apparaît dans une bannière d’erreur sur la page du modèle, avec les actions View full console logs et Retry Training. Les exécutions qui cessent de signaler une activité pendant plusieurs heures sont automatiquement marquées comme ayant échoué, et leurs ressources de calcul sont libérées.

Pour recevoir les résultats terminés et échoués sans garder cette page ouverte, connecte les alertes Slack.

Surveiller l'entraînement#

Consulte la progression de l’entraînement en temps réel dans l’onglet Train de la page du modèle :

Sous-onglet Charts#

Les graphiques sont regroupés par famille de métriques, et les groupes affichés dépendent des informations signalées par l’exécution :

Chaque groupe peut être réduit, les graphiques individuels peuvent être masqués ou affichés depuis le menu du groupe, et les graphiques peuvent être déplacés et redimensionnés — la disposition est mémorisée pour la prochaine fois.

Sous-onglet Console#

Sortie de console en direct avec prise en charge des couleurs ANSI, barres de progression et détection des erreurs fatales. Les 2 000 dernières lignes sont conservées, les horodatages peuvent être activés, et l’intégralité du journal peut être copiée en texte brut.

Sous-onglet System#

Une carte de l’hôte en direct (nom d’hôte, CPU, GPU, RAM et capacités totales du disque), ainsi que des graphiques par époque pour l’utilisation du CPU et de la RAM, l’utilisation et la mémoire du GPU, la température du GPU, les entrées/sorties réseau et les entrées/sorties disque.

Points de contrôle#

Le meilleur point de contrôle (best.pt) est téléversé périodiquement vers la plateforme pendant l’entraînement, puis à nouveau lorsque l’exécution se termine. Ainsi, le téléchargement, l’exportation et le déploiement utilisent toujours la meilleure époque produite jusque-là. Si l’exécution est annulée, le point de contrôle téléversé avant l’annulation est conservé.

Annuler l'entraînement#

Clique sur Cancel dans la carte Run Information de la page du modèle, puis confirme l’action. Pour l’entraînement cloud, la plateforme arrête le travail, libère ses ressources de calcul et facture le temps GPU écoulé utilisé avant l’annulation. Pour l’entraînement local, le signal d’annulation demande au processus de s’arrêter à la prochaine limite d’époque et conserve les résultats partiels — l’exécution téléverse ce qu’elle possède avant de quitter.

Entraînement distant#

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

Entraîne sur ton propre matériel tout en transmettant les métriques à la plateforme.

pip install -U ultralytics

Configurer la clé API#

1. Accède à Settings > API Keys
2. Crée une nouvelle clé (ou la plateforme en crée automatiquement une lorsque tu ouvres l’onglet Local Training)
3. Définis la variable d’environnement :

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Entraîner avec la diffusion en continu#

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 de la boîte de dialogue d’entraînement affiche une commande préconfigurée avec ta clé API, les paramètres sélectionnés et les arguments avancés inclus.

Utiliser les jeux de données de la plateforme#

Entraîne avec des jeux de données stockés sur la plateforme à l’aide du 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 associé au jeu de données sur la plateforme (voir Using Platform Datasets).

Facturation#

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

Estimation des coûts#

Avant le début de l’entraînement, la plateforme estime la durée et le coût totaux à partir de la taille de ton jeu de données, de la taille du modèle, de la taille des images, de la taille du lot, du nombre d’époques et du GPU sélectionné. Les estimations sont approximatives ; c’est l’utilisation réelle qui est facturée.

Facteurs influençant le coût :

Les estimations sont fondées sur des exécutions d’entraînement cloud réelles, et l’estimation utilise toujours le GPU que tu as sélectionné — ainsi, un travail acheminé vers une infrastructure Ultralytics plus rapide se termine avant l’estimation.

Exemples de coûts#

Processus de facturation#

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

Processus de facturation de l’entraînement 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 et décompte : le travail s’exécute sur les ressources de calcul sélectionnées, et le temps GPU accumulé est débité de ton solde par étapes pendant l’exécution
4. Régularisation : à l’état final, le reliquat est débité et une seule transaction Training est enregistrée pour l’ensemble de l’exécution

Facturation selon l’état du travail#

Une exécution qui cesse de signaler une activité pendant plusieurs heures est automatiquement marquée comme ayant échoué ; l’instance est arrêtée et le temps GPU écoulé est régularisé. Les exécutions distantes sur ton propre matériel sont simplement marquées comme ayant échoué, sans aucun frais.

Modes de paiement#

L’entraînement cloud est payé à partir du solde de crédits de ta plateforme.

Consulter les coûts d’entraînement#

Avant de démarrer un travail cloud, la boîte de dialogue d’entraînement affiche ton solde de crédits actuel et estime la durée et le coût du travail à partir du modèle, du jeu de données, du nombre d’époques, de la taille des images et du GPU sélectionnés. L’estimation est fournie à titre indicatif ; l’utilisation réelle est facturée selon le temps GPU consommé. Ensuite, consulte la transaction de crédits correspondante dans Settings > Billing.

Conseils d’entraînement#

Choisir la bonne taille de modèle#

Optimiser le temps d’entraînement#

Dépannage#

Référence des paramètres d'entraînement#

FAQ#