Entraînement dans le cloud

L'entraînement dans le cloud de Ultralytics Platform propose un entraînement en un clic sur des GPU dans le cloud, rendant l'entraînement de modèles accessible sans configuration complexe. Entraîne tes modèles YOLO avec le streaming de métriques en temps réel et la 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

Boîte de dialogue 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 Train depuis une page 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 parmi les modèles YOLO26 officiels ou tes propres modèles entraînés :

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

Étape 2 : Sélectionner le jeu de données

Choisis un jeu de données pour l'entraînement (voir Datasets) :

Étape 3 : Configurer les paramètres

Définit les paramètres d'entraînement principaux :

Étape 4 : Paramètres avancés (Optionnel)

Développe Advanced Settings pour accéder à l'éditeur complet de paramètres basé sur YAML avec plus de 40 paramètres d'entraînement organisés par groupe (voir configuration reference) :

Les paramètres sont sensibles à la tâche (par exemple, copy_paste n'apparaît que pour les tâches de segment, pose/kobj seulement pour les tâches de pose). Un badge Modified apparaît lorsque les valeurs diffèrent des valeurs par défaut, et tu peux 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 : Sélectionner le GPU (Onglet Cloud)

Choisis ton GPU depuis Ultralytics Cloud :

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

Étape 6 : Lancer l'entraînement

Clique sur Start Training 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

Cycle de vie du travail d'entraînement

Les travaux d'entraînement progressent via les statuts suivants :

Surveiller l'entraînement

Visualise la progression de l'entraînement en temps réel sur l'onglet Train 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 téléversé sur la plateforme et rendu disponible pour le téléchargement, l'exportation et le déploiement.

Annuler l'entraînement

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

• L'instance de calcul est terminée
• Les crédits ne sont plus débités
• Le meilleur point de contrôle reste disponible s'il a été atteint avant l'annulation

Entraînement distant

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

Configurer la clé API

1. Go to Settings > API Keys
2. Crée une nouvelle clé (ou la plateforme en crée une automatiquement lorsque tu ouvres l'onglet Entraînement local)
3. Définit la variable d'environnement :

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Entraînement avec 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 Entraînement local 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 jeux de données 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 Utilisation des jeux de données de la plateforme).

Facturation

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

Estimation des coûts

Avant que l'entraînement ne commence, 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 lot et de la vitesse du GPU
2. Calculant le temps d'entraînement total 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 du total des heures d'entraînement multiplié par le tarif horaire du GPU

Facteurs affectant 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 l'entraînement
2. Vérification du solde : Les crédits disponibles sont vérifiés avant le lancement
3. Entraînement : 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

Voir les coûts d'entraînement

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

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

Conseils d'entraînement

Choisis la bonne taille de modèle

Optimiser le temps d'entraînement

Dépannage

FAQ

Combien de temps dure l'entraînement ?

Le temps d'entraînement dépend de :

• Taille du dataset
• Taille du modèle
• Le nombre d'époques
• GPU sélectionné

Temps typiques (1000 images, 100 époques) :

Puis-je entraîner pendant la nuit ?

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

Que 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 démarrer de nouveaux entraînements. Ton modèle terminé, tes points de contrôle et tous les artefacts d'entraînement sont entièrement préservés, quel que soit le solde.

Que se passe-t-il si mon entraînement 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, la mise en chauffe 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 sur la base de l'estimation.

Pour gérer les coûts :

• Surveille la progression de l'entraînement en temps réel et annule-le prématurément si nécessaire
• Active le rechargement automatique pour recharger automatiquement tes crédits
• Commence par des runs plus courts (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 cloud et locales.

L'éditeur YAML permet également d'importer des configurations d'entraînements précédents :

• Copier depuis un modèle existant : Sur la page de n'importe quel modèle terminé, la carte Configuration de l'entraînement dispose d'un bouton Copier au format 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 JSON : Colle n'importe quelle configuration d'entraînement YAML ou JSON valide dans l'éditeur. Les paramètres sont validés automatiquement, les valeurs hors limites sont corrigées et des avertissements sont affichés.
• Glisser-déposer des fichiers : Fais glisser 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 ressaisir manuellement chaque paramètre.

Puis-je lancer un entraînement depuis une page de dataset ?

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

Référence des paramètres d'entraînement