Entraînement dans le cloud#

Ultralytics Platform Cloud Training propose l’entraînement dans le cloud sur GPU en un clic, pour entraîner des modèles sans configuration complexe. Entraîne des modèles YOLO avec diffusion des métriques en temps réel et sauvegarde automatique des checkpoints.

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

Boîte de dialogue d’entraînement#

Lance l’entraînement depuis l’interface 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 sur site, 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 forfait Enterprise et un worker connecté et en ligne.

Pour chaque tâche de jeu de données et espace de travail dans le navigateur actuel, la boîte de dialogue mémorise le modèle de base et tous les paramètres non définis par défaut lors de sa dernière fermeture, puis les restaure à la prochaine ouverture pour cette tâche. La sélection du GPU n’est pas mémorisée, et Retry Training après un échec restaure les arguments propres à 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. Les deux onglets ne répertorient que les modèles dont la tâche permet d’entraîner le jeu de données sélectionné. YOLO26 comprend des variantes Détection, Segmentation, Sémantique, Profondeur, Classification, Pose et OBB, dans des tailles allant de nano à xlarge.

Étape 2 : sélectionner un jeu de données#

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

Étape 3 : configurer les paramètres#

Définis les principaux paramètres d’entraînement :

Les valeurs saisies en dehors de la plage d’un paramètre sont ramenées à la limite correspondante lorsque le champ perd le focus.

Étape 4 : paramètres avancés (facultatif)#

Développe Advanced Settings pour accéder à l’éditeur de paramètres YAML, qui propose plus de 50 paramètres d’entraînement répartis dans les sections Training Settings et Image Augmentations (voir la référence de configuration) :

Les paramètres tiennent compte de la tâche (par exemple, copy_paste s’affiche uniquement pour les tâches de segmentation, sémantiques et OBB, pose/kobj uniquement pour les tâches de pose, et auto_augment/erasing uniquement pour la classification). L’éditeur omet device, cache, workers, iou, dropout, val et time, et les ignore dans les configurations collées ou déposées ; définis-les dans ta propre commande yolo train pour l’entraînement en local. Un badge Modifié apparaît lorsque les valeurs diffèrent des valeurs par défaut, et tu peux toutes les réinitialiser à l’aide du 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), ce qui permet de garder la commande générée lisible.

mosaic: 1.0       # Keep mosaic on
mixup: 0.3        # Add mixup blending
copy_paste: 0.3   # Add copy-paste (segment, semantic, OBB)
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 si nécessaire. L’entraînement utilise alors cet instantané NDJSON exact et enregistre le numéro de version et le hachage du contenu dans le modèle.

Cela préserve les données utilisées pour l’exécution, même si tu ajoutes ou supprimes ensuite des images, modifies des annotations ou changes les partitions du jeu de données. Tu trouveras la version associée dans les onglets Modèles et Versions du jeu de données.

Étape 5 : sélectionner un GPU (onglet Cloud)#

Choisis ton GPU dans Ultralytics Cloud :

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

Étape 6 : démarrer l’entraînement#

Clique sur Démarrer 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. Configure une instance GPU
3. Télécharge ton jeu de données
4. Démarre 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 l’exécution précédente dès que la nouvelle tâche est créée. Si une exécution échoue avant la mise à disposition des ressources de calcul, les résultats précédents restent intacts.

Cycle de vie d’une tâche d’entraînement#

Les tâches d’entraînement passent par les états suivants :

Une erreur Python fatale dans le flux de la console — une trace de pile, une erreur de mémoire CUDA ou un échec de l’initialisation CUDA — met immédiatement fin à l’exécution au lieu d’attendre un délai d’expiration. Le message extrait s’affiche dans une bannière d’erreur sur la page du modèle, avec les actions Afficher les journaux complets de la console et Réessayer l’entraînement. Les exécutions qui ne signalent plus d’activité pendant 4 heures sont automatiquement marquées comme ayant échoué, et leurs ressources de calcul sont libérées.

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

Suivre l'entraînement#

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

Sous-onglet Graphiques#

Les graphiques sont regroupés par famille de métriques, et les groupes affichés dépendent des données rapportées 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 la console en direct avec prise en charge des couleurs ANSI, barres de progression et détection des erreurs fatales. Les 2000 dernières lignes sont conservées, l’affichage des horodatages peut être activé et l’intégralité du journal peut être copiée en texte brut.

Sous-onglet Système#

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

Points de contrôle#

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

Annuler l’entraînement#

Clique sur Annuler dans la carte Informations sur l’exécution de la page du modèle, puis confirme l’action. Pour l’entraînement cloud, la plateforme arrête la tâche, libère ses ressources de calcul et facture le temps d’utilisation du GPU écoulé 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 téléverse les résultats disponibles avant de se terminer.

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

pip install -U ultralytics

Configurer une clé API#

1. Va dans Settings > API Keys
2. Crée une nouvelle clé (ou laisse la plateforme en créer une automatiquement lorsque tu ouvres l’onglet Entraînement local)
3. Définis la variable d’environnement :

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Entraîner avec diffusion des métriques#

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

Utiliser les jeux de données de la plateforme#

Entraîne avec les 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 Utiliser les jeux de données de la plateforme).

Facturation#

Les coûts d’entraînement sont calculés en fonction de l’utilisation du GPU :

Estimation des coûts#

Avant le début de l’entraînement, la plateforme estime la durée totale et le coût en fonction de la taille de ton jeu de données, de la taille du modèle, de la taille d’image, de la taille de lot, du nombre d’époques et du GPU sélectionné. Les estimations sont approximatives ; la facturation repose sur l’utilisation réelle.

Facteurs qui influent sur le coût :

Les estimations reposent sur des exécutions d’entraînement cloud réelles et utilisent toujours le GPU que tu as sélectionné — une tâche redirigée vers une infrastructure Ultralytics plus rapide se termine donc avant l’heure estimée.

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 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 et comptabilisation : la tâche s'exécute sur les ressources de calcul sélectionnées, et le temps GPU accumulé est débité de ton solde par tranches pendant l'exécution
4. Règlement : 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 de la tâche#

Une exécution qui ne signale plus d'activité pendant 4 heures est automatiquement marquée comme ayant échoué ; l'instance est arrêtée et le temps GPU écoulé est réglé. Les exécutions distantes sur ton propre matériel sont simplement marquées comme ayant échoué, sans frais.

Modes de paiement#

L'entraînement dans le cloud est payé à partir du solde de crédits de ta plateforme.

Consulter les coûts d'entraînement#

Avant de démarrer une tâche cloud, la fenêtre d'entraînement affiche ton solde de crédits actuel et estime la durée et le coût de la tâche en fonction du modèle sélectionné, du jeu de données, du nombre d'époques, de la taille des images et du GPU. L'estimation est fournie à titre indicatif ; la facturation réelle porte sur le temps GPU consommé. Ensuite, consulte la transaction de crédits correspondante dans Settings > Billing.

Conseils d'entraînement#

Choisir la bonne taille de modèle#

Optimiser la durée d'entraînement#

Dépannage#

Référence des paramètres d'entraînement#

FAQ#