Addestramento nel Cloud#

L'addestramento nel cloud della Ultralytics Platform offre la possibilità di avviare l'addestramento con un singolo clic su GPU nel cloud, rendendo l'addestramento dei modelli accessibile senza configurazioni complesse. Addestra i modelli YOLO con lo streaming di metriche in tempo reale e il salvataggio automatico dei checkpoint.

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

Finestra di dialogo per l'addestramento#

Inizia l'addestramento dall'interfaccia utente della piattaforma facendo clic su New Model in qualsiasi pagina di progetto o dataset. La finestra di dialogo per l'addestramento ha due schede: Cloud Training e Local Training.

Passaggio 1: Seleziona il modello base#

Scegli un modello Ultralytics ufficiale o uno dei tuoi modelli completati:

Il selettore filtra i modelli ufficiali in base alle attività compatibili con il dataset selezionato. YOLO26 include le varianti Detect, Segment, Semantic, Depth, Classify, Pose e OBB in formati che vanno da nano a xlarge.

Passaggio 2: Seleziona il dataset#

Scegli un dataset su cui effettuare l'addestramento (vedi Datasets):

Passaggio 3: Configura i parametri#

Imposta i parametri fondamentali dell'addestramento:

Passaggio 4: Impostazioni avanzate (facoltativo)#

Espandi Advanced Settings per accedere all'editor completo di parametri basato su YAML con oltre 40 parametri di addestramento organizzati per gruppo (vedi riferimento alla configurazione):

I parametri riconoscono il task (ad esempio, copy_paste viene visualizzato solo per i task di segmentazione, pose/kobj solo per i task di posa). Un badge Modified appare quando i valori differiscono dai predefiniti e puoi ripristinare tutto ai predefiniti con il pulsante di ripristino.

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

Salva versione del dataset (opzionale)#

Abilita Save Dataset Version per collegare il modello a una versione immutabile di un dataset ospitato sulla piattaforma. La piattaforma verifica se il contenuto del dataset è cambiato, riutilizza una versione corrispondente se non lo è, e crea una nuova versione numerata solo quando necessario. L'addestramento utilizza quindi quell'esatto snapshot NDJSON e registra il suo numero di versione e l'hash del contenuto sul modello.

Questo preserva i dati utilizzati per l'esecuzione anche se in seguito aggiungi o rimuovi immagini, modifichi le annotazioni o cambi le suddivisioni del dataset. Puoi trovare la versione collegata nelle schede Models e Versions del dataset.

Passaggio 5: Seleziona GPU (scheda Cloud)#

Scegli la tua GPU da Ultralytics Cloud:

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

Passaggio 6: Avvia l'addestramento#

Fai clic su Start Training per lanciare il tuo lavoro. La piattaforma:

1. Risolve la versione immutabile del dataset quando Save Dataset Version è abilitato
2. Fornisce un'istanza GPU
3. Scarica il tuo dataset
4. Inizia l'addestramento
5. Trasmette le metriche in tempo reale

Ciclo di vita del lavoro di addestramento#

I lavori di addestramento avanzano attraverso i seguenti stati:

Per ricevere i risultati dei completamenti e dei fallimenti senza tenere questa pagina aperta, connetti gli Slack alerts.

Monitora l'addestramento#

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

Sottoscheda Grafici#

Sottoscheda Console#

Output della console dal vivo con supporto ai colori ANSI, barre di avanzamento e rilevamento degli errori.

Sottoscheda Sistema#

Utilizzo in tempo reale di GPU, memoria, temperatura, CPU e spazio su disco.

Checkpoint#

Al termine dell'addestramento, il modello migliore (best.pt, il checkpoint con il mAP più alto) viene caricato sulla piattaforma e reso disponibile per il download, l'esportazione e il deployment.

Annulla Addestramento#

Fai clic su Cancel Training nella pagina del modello e conferma l'azione. Per l'addestramento cloud, la piattaforma interrompe il processo, rilascia le risorse di calcolo e addebita il tempo di GPU trascorso prima dell'annullamento. Per l'addestramento locale, l'annullamento segnala al processo di fermarsi al confine della successiva epoca e preserva i risultati parziali.

Addestramento Remoto#

graph LR
    A[Local GPU]:::start --> B[Train]:::proc
    B --> C[ultralytics Package]:::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

Addestra sul tuo hardware mentre trasmetti le metriche alla piattaforma.

pip install -U ultralytics

Configurazione della Chiave API#

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

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Addestra con lo Streaming#

Usa i parametri project e name per trasmettere le metriche:

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

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

Uso dei dataset della piattaforma#

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

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

Il formato URI ul:// scarica e configura automaticamente il tuo dataset. Il modello viene collegato automaticamente 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 in base alla 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, aggiungendo poi il tempo di avvio
3. Calcolo del costo stimato moltiplicando le ore totali di addestramento per la tariffa oraria della GPU

Fattori che influenzano il costo:

Esempi di Costo#

Flusso di Fatturazione#

graph LR
    A[Estimate Cost]:::start --> B[Balance Check]:::decide
    B --> C[Train]:::proc
    C --> D[Charge Actual Runtime]:::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

Flusso di fatturazione dell'addestramento nel cloud:

1. Stima: Costo calcolato prima dell'inizio dell'addestramento
2. Controllo del Saldo: I crediti disponibili vengono controllati prima dell'avvio
3. Addestramento: Il job viene eseguito sul calcolo selezionato
4. Addebito: Il costo finale si basa sul runtime effettivo

Fatturazione per Stato del Job#

Metodi di pagamento#

L'addestramento cloud viene pagato dal saldo di crediti della tua piattaforma.

Visualizza i Costi di Addestramento#

Prima di avviare un processo cloud, la finestra di dialogo dell'addestramento mostra il tuo saldo di crediti attuale e stima la durata e il costo del processo in base al modello, al dataset, alle epoche, alla dimensione dell'immagine e alla GPU selezionati. La stima è puramente indicativa; l'utilizzo effettivo viene addebitato per il tempo di GPU consumato. Successivamente, controlla la transazione di credito risultante in Settings > Billing.

Suggerimenti per l'Addestramento#

Scegli la Dimensione Corretta del Modello#

Ottimizza 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 può essere eseguito senza supervisione fintanto che è finanziato e la piattaforma registra un evento di completamento o di errore. Se la misurazione fa scendere il saldo al di sotto di zero, le esecuzioni cloud a pagamento attive si fermano e saldano il tempo di GPU già utilizzato.

Cosa succede se finisco i crediti?#

L'utilizzo del cloud viene misurato man mano che l'addestramento procede. Se un costo fa scendere il tuo saldo al di sotto di zero, le esecuzioni di addestramento cloud a pagamento attive vengono interrotte e saldate per il tempo di GPU già utilizzato. Aggiungi crediti o abilita la ricarica automatica per mantenere finanziati i processi di lunga durata.

Cosa succede se l'addestramento costa più della stima?#

Le stime dei costi sono approssimative: il tempo di addestramento effettivo può variare a causa di fattori quali la velocità di caricamento dei dati, il riscaldamento della GPU e il comportamento di convergenza del modello. Se l'utilizzo effettivo esaurisce il saldo disponibile, la piattaforma interrompe le esecuzioni cloud a pagamento attive dopo che il saldo diventa negativo.

Per gestire i costi:

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

Posso usare 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 nei comandi di addestramento sia cloud che locali.

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

• Copia da modello esistente: Nella pagina di qualsiasi modello completato, la scheda Configurazione addestramento 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 i valori fuori intervallo limitati e avvisi visualizzati.
• Trascina file: Trascina un file .yaml o .json direttamente nell'editor per importarne i parametri.

Questo semplifica la riproduzione o l'iterazione di configurazioni di addestramento precedenti senza dover reinserire manualmente ogni parametro.

Posso addestrare da una pagina del dataset?#

Sì, il pulsante New Model nelle pagine dei dataset apre la finestra di dialogo dell'addestramento con il dataset preselezione e bloccato. Selezioni quindi un progetto e un modello per iniziare l'addestramento.

Riferimento parametri di addestramento#