Addestramento del modello#
Ultralytics Platform offre strumenti completi per addestrare modelli YOLO, dall'organizzazione degli esperimenti all'esecuzione di job di addestramento nel cloud con streaming di metriche in tempo reale.
Watch: Get Started with Ultralytics Platform - Train
Panoramica#
La sezione Addestramento ti aiuta a:
- Organizzare i modelli in progetti per una gestione più semplice
- Addestrare su GPU nel cloud con un solo clic
- Monitorare le metriche in tempo reale durante l'addestramento
- Confrontare le prestazioni del modello tra vari esperimenti
- Esporta in 20 formati di distribuzione (vedi formati supportati)

Workflow#
graph LR
A[📁 Project]:::start --> B[⚙️ Configure]:::proc
B --> C[🚀 Train]:::proc
C --> D[📈 Monitor]:::proc
D --> E[📦 Export]:::out
classDef start fill:#4CAF50,color:#fff
classDef proc fill:#2196F3,color:#fff
classDef out fill:#9C27B0,color:#fff| Fase | Descrizione |
|---|---|
| Progetto | Crea uno spazio di lavoro per organizzare i modelli correlati |
| Configura | Seleziona dataset, modello di base e parametri di addestramento |
| Addestra | Esegui su GPU nel cloud o sul tuo hardware locale |
| Monitora | Visualizza le curve di loss e le metriche in tempo reale |
| Esporta | Converti in 20 formati di distribuzione (dettagli) |
Opzioni di addestramento#
La Ultralytics Platform supporta molteplici approcci di addestramento:
| Metodo | Descrizione | Ideale per |
|---|---|---|
| Cloud Training | Addestra sulle GPU cloud di Ultralytics | Nessuna GPU locale, scalabilità |
| Local Training | Addestra localmente, trasmetti le metriche alla piattaforma | Hardware esistente, privacy |
| Colab Training | Utilizza Google Colab con l'integrazione della piattaforma | Accesso gratuito a GPU |
Opzioni GPU#
GPU disponibili per l'addestramento cloud su Ultralytics Cloud:
| GPU | Generazione | VRAM | Costo/Ora | Ideale per |
|---|---|---|---|---|
| RTX 2000 Ada | Ada | 16 GB | $0.24 | Dataset piccoli, test |
| RTX A4500 | Ampere | 20 GB | $0.25 | Dataset medio-piccoli |
| RTX 4000 Ada | Ada | 20 GB | $0.26 | Dataset medi |
| RTX A5000 | Ampere | 24 GB | $0.27 | Dataset medi |
| L4 | Ada | 24 GB | $0.39 | Ottimizzato per l'inferenza |
| A40 | Ampere | 48 GB | $0.44 | Dimensioni batch più grandi |
| RTX 3090 | Ampere | 24 GB | $0.46 | Addestramento generale |
| RTX A6000 | Ampere | 48 GB | $0.49 | Modelli grandi |
| RTX PRO 4000 | Blackwell | 24 GB | $0,57 | Budget Blackwell |
| RTX PRO 4500 | Blackwell | 32 GB | $0.64 | Ottimo rapporto prezzo/prestazioni |
| RTX 4090 | Ada | 24 GB | $0.69 | Miglior rapporto prezzo/prestazioni |
| RTX 6000 Ada | Ada | 48 GB | $0.77 | Addestramento con batch grandi |
| L40S | Ada | 48 GB | $0.86 | Addestramento con batch grandi |
| RTX PRO 5000 | Blackwell | 48 GB | $0,96 | Addestramento con batch grandi |
| RTX 5090 | Blackwell | 32 GB | $0.99 | Ultima generazione consumer |
| L40 | Ada | 48 GB | $0.99 | Modelli grandi |
| A100 PCIe | Ampere | 80 GB | $1.39 | Addestramento di produzione |
| A100 SXM | Ampere | 80 GB | $1.49 | Addestramento di produzione |
| RTX PRO 6000 | Blackwell | 96 GB | 2,09 $ | Predefinito consigliato |
| H100 PCIe | Hopper | 80 GB | 2,89 $ | Addestramento ad alte prestazioni |
| H100 NVL | Hopper | 94 GB | 3,19 $ | Massime prestazioni |
| H100 SXM | Hopper | 80 GB | 3,29 $ | Addestramento più veloce |
| H200 NVL | Hopper | 143 GB | 3,39 $ | Memoria massima |
| H200 SXM | Hopper | 141 GB | 4,39 $ | Massime prestazioni |
| B200 | Blackwell | 180 GB | 5,89 $ | Modelli grandi (Pro+) |
| B300 | Blackwell | 288 GB | 7,39 $ | Modelli più grandi (Pro+) |
Le GPU B200 e B300 richiedono un piano Pro o Enterprise. Tutte le altre GPU sono disponibili su tutti i piani, incluso quello Free.
I nuovi account ricevono crediti di benvenuto per l'addestramento. Controlla Fatturazione per i dettagli.
Metriche in tempo reale#
Durante l'addestramento, visualizza le metriche in tempo reale attraverso tre sottoschede:
graph LR
A[Charts]:::start --> B[Loss Curves]:::out
A --> C[Performance Metrics]:::out
D[Console]:::start --> E[Live Logs]:::out
D --> F[Error Detection]:::out
G[System]:::start --> H[GPU Utilization]:::out
G --> I[Memory & Temp]:::out
classDef start fill:#4CAF50,color:#fff
classDef out fill:#9C27B0,color:#fff| Sottoscheda | Metriche |
|---|---|
| Grafici | Perdita Box/class/DFL, mAP50, mAP50-95, precisione, richiamo |
| Console | Log di addestramento live con colori ANSI e rilevamento errori |
| Sistema | Utilizzo GPU, memoria, temperatura, CPU, disco |
Per l'addestramento su cloud, il modello migliore (best.pt, il checkpoint con mAP più alto) viene salvato automaticamente e reso disponibile per il download, l'esportazione e il deployment al termine dell'addestramento.
Avvio rapido#
Inizia con l'addestramento su cloud in meno di un minuto:
- Crea un progetto nella barra laterale
- Fai clic su Nuovo Modello
- Seleziona un modello, un dataset e una GPU
- Fai clic su Avvia Addestramento
Link rapidi#
- Progetti: Organizza i tuoi modelli ed esperimenti
- Modelli: Gestisci i checkpoint addestrati
- Addestramento su Cloud: Addestra su GPU cloud
FAQ#
Quanto tempo richiede l'addestramento?#
Il tempo di addestramento dipende da:
- Dimensioni del dataset (numero di immagini)
- Dimensioni del modello (n, s, m, l, x)
- Numero di epoche
- Tipo di GPU selezionato
L'estimatore attuale prevede circa 6 minuti per 1000 immagini, YOLO26n, 100 epoch su RTX PRO 6000, e circa 2 minuti per 500 immagini, YOLO26n, 50 epoch su RTX 4090. La durata effettiva varia; usa la stima in tempo reale nella finestra di dialogo dell'addestramento per il dataset e la configurazione selezionati. Vedi esempi di costo.
Posso addestrare più modelli contemporaneamente?#
Sì. I limiti di addestramento simultaneo su cloud dipendono dal tuo piano: Free consente 3, Pro ne consente 10, e Enterprise è illimitato. Per un ulteriore addestramento in parallelo, utilizza l'addestramento remoto da più macchine.
Cosa succede se l'addestramento fallisce?#
Se l'addestramento fallisce:
- Il modello viene contrassegnato come fallito e l'istanza di calcolo viene terminata
- Puoi avviare una nuova esecuzione di addestramento partendo dal modello base
- Se il calcolo cloud è iniziato, viene addebitato il tempo GPU trascorso; i guasti prima dell'avvio del calcolo non prevedono alcun costo per l'utilizzo della GPU
Come scelgo la GPU giusta?#
| Scenario | GPU consigliata |
|---|---|
| La maggior parte dei lavori di addestramento | RTX PRO 6000 |
| Dataset o dimensioni di batch grandi | H100 SXM o H200 |
| Attento al budget | RTX 4090 |