Addestramento su Cloud

Ultralytics Platform Cloud Training offre l'addestramento con un solo clic su GPU su cloud, rendendo l'addestramento del modello accessibile senza configurazioni complesse. Addestra i modelli YOLO con streaming di metriche in tempo reale e salvataggio automatico dei checkpoint.

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

Dialogo di Addestramento

Avvia l'addestramento dall'interfaccia utente della piattaforma cliccando su Nuovo Modello in qualsiasi pagina di progetto (o su Addestra da una pagina di dataset). La finestra di dialogo dell'addestramento presenta due schede: Addestramento su Cloud e Addestramento Locale.

Passaggio 1: Selezionare il Modello Base

Scegli tra i modelli ufficiali YOLO26 o i tuoi modelli addestrati:

I modelli ufficiali sono organizzati per tipo di compito (detect, segment, Pose, obb, classify) con dimensioni da nano a xlarge.

Passaggio 2: Selezionare il Dataset

Scegli un dataset su cui addestrare (vedi Datasets):

Passaggio 3: Configurare i Parametri

Imposta i parametri di addestramento principali:

Passaggio 4: Impostazioni Avanzate (Opzionale)

Espandi Impostazioni Avanzate per accedere all'editor completo dei parametri basato su YAML con oltre 40 parametri di training organizzati per gruppo (vedi riferimento alla configurazione):

I parametri sono sensibili al compito (ad esempio, copy_paste mostra solo per i compiti di segment, pose/kobj solo per i compiti di posa). Un Modificato il badge appare quando i valori differiscono da quelli predefiniti, ed è possibile ripristinare tutti i valori predefiniti con il pulsante di reset.

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

Passaggio 5: Selezionare la GPU (Scheda Cloud)

Scegli la tua GPU da Ultralytics Cloud:

La finestra di dialogo mostra il tuo saldo attuale e un pulsante Ricarica. Un costo e una durata stimati vengono calcolati in base alla tua configurazione (dimensione del modello, immagini del dataset, epoche, velocità della GPU).

Passaggio 6: Avviare il Training

Clicca su Avvia Addestramento per avviare il tuo lavoro. La piattaforma:

1. Effettua il provisioning di un'istanza GPU
2. Scarica il tuo dataset
3. Inizia l'addestramento
4. Trasmette le metriche in tempo reale

Ciclo di Vita del Lavoro di Addestramento

I lavori di addestramento progrediscono attraverso i seguenti stati:

Monitorare l'addestramento

Visualizza l'avanzamento dell'addestramento in tempo reale nella scheda Train della pagina del modello:

Sottoscheda Grafici

Sottoscheda Console

Output della console in tempo reale con supporto colore ANSI, barre di avanzamento e rilevamento errori.

Sottoscheda Sistema

Utilizzo della GPU, memoria, temperatura, CPU e utilizzo del disco in tempo reale.

Checkpoint

I checkpoint vengono salvati automaticamente:

• Ogni epoca: Pesi più recenti salvati
• Miglior modello: Checkpoint con il mAP più alto preservato
• Modello finale: Pesi al completamento dell'addestramento

Annulla Addestramento

Clicca Annulla Addestramento sulla pagina del modello per interrompere un'operazione in corso:

• L'istanza di calcolo è terminata
• I crediti cessano di essere addebitati
• I checkpoint salvati fino a quel momento vengono preservati.

Addestramento remoto

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

Addestra sul tuo hardware mentre trasmetti le metriche alla piattaforma.

pip install -U ultralytics

Configurazione della chiave API

1. Vai a Settings > Profile (sezione Chiavi API)
2. Crea una nuova chiave (o la piattaforma ne crea automaticamente una quando apri la scheda Addestramento Locale)
3. Imposta la variabile d'ambiente:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Addestramento con streaming

Utilizzare il project e name parametri per lo streaming delle metriche:

yolo train model=yolo26n.pt data=coco.yaml epochs=100 \
  project=username/my-project name=experiment-1

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="coco.yaml",
    epochs=100,
    project="username/my-project",
    name="experiment-1",
)

La scheda Local Training nella finestra di dialogo di training mostra un comando preconfigurato con la tua chiave API, i parametri selezionati e gli argomenti avanzati inclusi.

Utilizzo dei dataset della piattaforma

Addestra con i dataset archiviati sulla piattaforma utilizzando il ul:// Formato URI:

yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100 \
  project=username/my-project name=exp1

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="ul://username/datasets/my-dataset",
    epochs=100,
    project="username/my-project",
    name="exp1",
)

Il ul:// Il formato URI scarica e configura automaticamente il tuo dataset. Il modello viene automaticamente collegato al dataset sulla piattaforma (vedi Utilizzo dei dataset della piattaforma).

Fatturazione

I costi di addestramento si basano sull'utilizzo della GPU:

Stima dei costi

Prima dell'inizio dell'addestramento, la piattaforma stima il costo totale tramite:

1. Stima dei secondi per epoca dalla dimensione del dataset, complessità del modello, dimensione dell'immagine, dimensione del batch e velocità della GPU.
2. Calcolo del tempo totale di addestramento moltiplicando i secondi per epoca per il numero di epoche, quindi aggiungendo l'overhead di avvio
3. Calcolo del costo stimato dalle ore totali di training moltiplicate per la tariffa oraria della GPU

Fattori che incidono sul costo:

Esempi di costi

Flusso di Fatturazione

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

Flusso di fatturazione del training su cloud:

1. Stima: Costo calcolato prima dell'inizio dell'addestramento
2. Controllo del Saldo: I crediti disponibili vengono controllati prima del lancio
3. Addestra: Il job viene eseguito sulla risorsa di calcolo selezionata
4. Addebito: Il costo finale si basa sul tempo di esecuzione effettivo

Fatturazione per Stato del Job

Metodi di pagamento

Visualizzare i costi di addestramento

Dopo l'addestramento, visualizza i costi dettagliati nella scheda Fatturazione:

• Ripartizione dei costi per epoca
• Tempo totale della GPU
• Scarica il report dei costi

Suggerimenti per l'addestramento

Scegliere la dimensione del modello giusta

Ottimizzare il tempo di addestramento

Risoluzione dei problemi

FAQ

Quanto tempo richiede l'addestramento?

Il tempo di addestramento dipende da:

• Dimensione del dataset
• Dimensione del modello
• Numero di epoche
• GPU selezionata

Tempi tipici (1000 immagini, 100 epoche):

Posso addestrare durante la notte?

Sì, l'addestramento continua fino al completamento. Riceverai una notifica al termine dell'addestramento. Assicurati che il tuo account abbia un saldo sufficiente per l'addestramento basato su epoche.

Cosa succede se esaurisco i crediti?

Se il tuo saldo crediti raggiunge lo zero durante un'esecuzione di addestramento, l'addestramento continua fino al completamento e il tuo saldo diventa negativo. Ciò garantisce che il tuo lavoro di addestramento non venga mai interrotto a metà.

Una volta completato il training, dovrai aggiungere crediti per riportare il tuo saldo in positivo prima di avviare nuovi job di training. Il tuo modello completato, i checkpoint e tutti gli artefatti di training sono completamente preservati indipendentemente dal saldo.

Cosa succede se i costi del mio addestramento superano la stima?

Le stime dei costi sono approssimative — il tempo di addestramento effettivo può variare a causa di fattori come la velocità di caricamento dei dati, il riscaldamento della GPU e il comportamento di convergenza del modello. Se il costo effettivo supera la stima, il saldo potrebbe diventare negativo (vedi sopra). La piattaforma non interrompe l'addestramento in base alla stima.

Per gestire i costi:

• Monitora l'avanzamento dell'addestramento in tempo reale e annulla in anticipo se necessario
• Abilita la ricarica automatica per ricaricare automaticamente i crediti
• Inizia con esecuzioni più brevi (meno epoche) per calibrare le aspettative.

Posso utilizzare argomenti di addestramento personalizzati?

Sì, espandi la sezione Impostazioni Avanzate nella finestra di dialogo di addestramento per accedere a un editor YAML con oltre 40 parametri configurabili. I valori non predefiniti sono inclusi sia nei comandi di addestramento cloud che locali.

L'editor YAML supporta anche l'importazione di configurazioni da esecuzioni di addestramento precedenti:

• Copia da modello esistente: Sulla pagina di qualsiasi modello completato, la scheda Configurazione Training ha un pulsante Copia come JSON. Copia il JSON e incollalo direttamente nell'editor YAML — rileva automaticamente il formato JSON e importa tutti i parametri.
• Incolla YAML o JSON: Incolla qualsiasi configurazione di addestramento YAML o JSON valida nell'editor. I parametri vengono convalidati automaticamente, con valori fuori intervallo limitati e avvisi visualizzati.
• Trascina e rilascia i file: Trascina un .yaml oppure .json il file direttamente nell'editor per importarne i parametri.

Ciò facilita la riproduzione o l'iterazione su configurazioni di addestramento precedenti senza dover reinserire manualmente ogni parametro.

Posso addestrare da una pagina del dataset?

Sì, il pulsante Addestra sulle pagine dei dataset apre la finestra di dialogo di addestramento con il dataset preselezionato e bloccato. Quindi selezioni un progetto e un modello per iniziare l'addestramento.

Riferimento ai parametri di addestramento

📅 Creato 2 mesi fa ✏️ Aggiornato 10 giorni fa

Commenti