Entraînement 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]:::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#

Lance l'entraînement depuis l'interface utilisateur de la plateforme en cliquant sur New Model sur n'importe quelle page de projet ou de jeu de données. La boîte de dialogue d'entraînement comporte deux onglets : Cloud Training et Local Training.

Étape 1 : Sélectionner le modèle de base#

Choisis un modèle Ultralytics officiel ou l'un de tes propres modèles complétés :

Le sélecteur filtre les modèles officiels selon les tâches compatibles avec le jeu de données sélectionné. YOLO26 comprend des variantes Detect, Segment, Semantic, Depth, Classify, Pose et OBB dans des tailles allant de nano à xlarge.

Étape 2 : Sélectionner le jeu de données#

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

Étape 3 : Configurer les paramètres#

Définit les paramètres d'entraînement de base :

Étape 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

Enregistrer la version du jeu de données (optionnel)#

Active Save Dataset Version pour lier 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 ne crée une nouvelle version numérotée que lorsque 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 l'exécution, même si tu ajoutes ou supprimes ultérieurement des images, modifies des annotations ou changes les divisions du jeu de données. Tu peux trouver la version liée dans les onglets Models et Versions du jeu de données.

Étape 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).

Étape 6 : Démarrer l'entraînement#

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

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

Cycle de vie du travail d'entraînement#

Les travaux d'entraînement progressent selon les statuts suivants :

Pour recevoir les résultats des exécutions terminées et échouées sans garder cette page ouverte, connecte Slack alerts.

Surveiller l'entraînement#

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

Sous-onglet Graphiques#

Sous-onglet Console#

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

Sous-onglet Système#

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

Points 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.

Annuler l'entraînement#

Clique sur Cancel Training sur la page du modèle et confirme l'action. Pour l'entraînement cloud, la plateforme arrête la tâche, libère ses ressources de calcul et facture le temps GPU écoulé avant l'annulation. Pour l'entraînement local, l'annulation signale au processus de s'arrêter à la limite de l'époque suivante et préserve les résultats partiels.

Entraînement à distance#

graph LR
    A[Local GPU]:::start --> B[Train]:::proc
    B --> C[ultralytics Package]:::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-toi sur ton propre matériel tout en diffusant les métriques vers la plateforme.

pip install -U ultralytics

Configurer 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"

S'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.

Utilisation 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).

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. 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 :

Exemples de coûts#

Flux de facturation#

graph LR
    A[Estimate Cost]:::start --> B[Balance Check]:::decide
    B --> C[Train]:::proc
    C --> D[Charge Actual Runtime]:::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

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

Facturation par statut de tâche#

Méthodes de paiement#

L'entraînement cloud est payé à partir de ton solde de crédits de la plateforme.

Voir les coûts d'entraînement#

Avant de lancer une tâche cloud, la boîte de dialogue d'entraînement affiche ton solde de crédits actuel et estime la durée et le coût de la tâche en fonction du modèle, du jeu de données, des époques, de la taille de l'image et du GPU sélectionnés. L'estimation est fournie à titre indicatif ; l'utilisation réelle est facturée pour le temps GPU consommé. Ensuite, consulte la transaction de crédit correspondante dans Settings > Billing.

Conseils pour l'entraînement#

Choisir la bonne taille de modèle#

Optimiser le temps d'entraînement#

Dépannage#

FAQ#

Combien 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) :

Puis-je entraîner pendant la nuit ?#

Oui. L'entraînement peut s'exécuter sans surveillance tant qu'il reste financé, et la plateforme enregistre un événement de fin ou d'échec. Si le système de comptage fait descendre le solde en dessous de zéro, les exécutions cloud payantes actives s'arrêtent et règlent le temps GPU déjà utilisé.

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

L'utilisation du cloud est mesurée au fur et à mesure de l'entraînement. Si un frais fait descendre ton solde en dessous de zéro, les exécutions d'entraînement cloud payantes actives sont arrêtées et réglées pour le temps GPU déjà utilisé. Ajoute des crédits ou active le rechargement automatique pour que les tâches de longue durée restent financées.

Que 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, l'échauffement du GPU et le comportement de convergence du modèle. Si l'utilisation réelle épuise le solde disponible, la plateforme arrête les exécutions cloud payantes actives une fois que le solde devient négatif.

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

Puis-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 permet de reproduire ou d'itérer facilement sur des configurations d'entraînement précédentes sans avoir à saisir à nouveau manuellement chaque paramètre.

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

Oui, le bouton New Model sur les pages de 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.

Référence des paramètres d'entraînement#