Entraînement dans le cloud#

Ultralytics Platform Cloud Training propose l'entraînement en un clic sur des GPU cloud, rendant l'entraînement de modèles accessible sans configuration complexe. Entraîne des modèles YOLO avec la diffusion de métriques en temps réel et l'enregistrement automatique de 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 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. Lorsque le jeu de données sélectionné se trouve sur un hôte On Premise, le premier onglet devient On Premise et l'onglet Local Training est masqué — ce jeu de données ne peut être entraîné que sur son propre hôte, ce qui nécessite un plan Enterprise et un worker connecté en ligne.

Étape 1 : Sélectionner le modèle de base#

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

Dans chaque onglet, les modèles sont regroupés par tâche dans un ordre canonique et triés par taille. Le sélecteur filtre les modèles officiels selon les tâches compatibles avec le jeu de données sélectionné. YOLO26 inclut les 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 (vois Datasets) :

Étape 3 : Configurer les paramètres#

Définit les paramètres d'entraînement de base :

Les valeurs saisies en dehors de la plage d'un paramètre sont ramenées aux limites lorsque le champ perd le focus.

Étape 4 : Paramètres avancés (Optionnel)#

Déploie Advanced Settings pour accéder à l'éditeur de paramètres complet basé sur YAML comprenant plus de 50 paramètres d'entraînement organisés par groupe (consulte la référence de configuration) :

Les paramètres dépendent de la tâche (par exemple, copy_paste s'affiche uniquement pour les tâches de segmentation, pose/kobj uniquement pour les tâches de pose, dropout uniquement pour la classification). Un badge Modified apparaît lorsque les valeurs diffèrent des valeurs par défaut, et tu peux réinitialiser toutes les valeurs par défaut à l'aide du bouton de réinitialisation. Seules les valeurs avancées non par défaut sont envoyées à la tâche d'entraînement (les paramètres de base epochs, batch et de taille d'image sont toujours inclus), de sorte que la commande résultante 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 (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 boîte de dialogue affiche ton balance actuel ainsi qu'un bouton Top Up. La carte des coûts estime la durée totale et le prix pour ta configuration (taille du modèle, images du jeu de données, époques, taille de l'image, taille du batch, 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 : 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

Réentraîner un modèle existant réutilise la même page de modèle et efface les graphiques, la sortie console, les métriques système et l'état d'erreur de l'exécution précédente dès que le nouveau travail est créé. Une exécution qui échoue avant que le calcul ne soit provisionné laisse les résultats précédents intacts.

Cycle de vie du travail d'entraînement#

Les travaux d'entraînement progressent selon les statuts suivants :

Une erreur Python fatale dans le flux de la console — une trace d'erreur (traceback), une erreur de dépassement de mémoire CUDA (out-of-memory) ou un échec d'initialisation CUDA — met fin à l'exécution immédiatement au lieu d'attendre l'expiration d'un délai (timeout), 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 échouées et leur puissance de calcul est libérée.

Pour recevoir les résultats de fin et d'échec sans garder cette page ouverte, connecte des alertes Slack.

Surveiller l'entraînement#

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

Sous-onglet Graphiques#

Les graphiques sont regroupés par famille de métriques, et les groupes qui apparaissent dépendent de ce que l'exécution rapporte :

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

Sous-onglet Console#

Sortie 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/désactivés et l'ensemble du journal peut être copié en tant que texte brut.

Sous-onglet Système#

Une carte d'hôte en direct (nom d'hôte, CPU, GPU, RAM et totaux de 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 E/S réseau et les E/S disque.

Points de contrôle#

Le meilleur point de contrôle (checkpoint) (best.pt) est téléchargé sur la Plateforme périodiquement pendant l'entraînement et à nouveau lorsque l'exécution se termine, de sorte que le téléchargement, l'exportation et le déploiement utilisent toujours la meilleure époque produite jusqu'à présent. Si l'exécution est annulée, le point de contrôle téléchargé avant l'annulation est conservé.

Annuler l'entraînement#

Clique sur Cancel dans la carte Run Information sur la page du modèle et confirme l'action. Pour l'entraînement dans le cloud, la Plateforme arrête le travail, libère sa puissance de calcul et facture le temps GPU écoulé utilisé avant l'annulation. Pour l'entraînement local, l'annulation signale au processus de s'arrêter à la prochaine limite d'époque et préserve les résultats partiels — l'exécution télécharge ce qu'elle possède avant de se fermer.

Entraînement à distance#

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

pip install -U ultralytics

Configurer la clé API#

1. Va sur 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 (vois 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 la durée totale et le coût à partir de la taille de ton jeu de données, de la taille du modèle, de la taille de l'image, de la taille du batch, des époques et du GPU sélectionné. Les estimations sont approximatives ; l'utilisation réelle est ce qui est facturé.

Facteurs affectant le coût :

Les estimations sont basées sur de véritables exécutions d'entraînement dans le cloud, et l'estimation utilise toujours le GPU que tu as sélectionné — de sorte qu'un travail acheminé vers une infrastructure Ultralytics plus rapide se termine avant son estimation.

Exemples de coûts#

Flux 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

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. Entraîne et comptabilise : Le travail s'exécute sur le calcul sélectionné, et le temps GPU accumulé est débité de ton solde par étapes pendant son exécution
4. Règle : À l'état final, le reliquat restant est débité et une seule transaction de Training est enregistrée pour l'ensemble de l'exécution

Facturation par statut de tâche#

Une exécution qui cesse de signaler une activité pendant plusieurs heures est automatiquement marquée comme échouée ; l'instance est arrêtée et le temps GPU écoulé est réglé. Les exécutions distantes sur ton propre matériel sont simplement marquées comme échouées sans frais à facturer.

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#

Référence des paramètres d'entraînement#

FAQ#