Link to this sectionAddestramento in Cloud#

L'addestramento in Cloud della Piattaforma Ultralytics offre la possibilità di avviare l'addestramento con un solo clic su GPU in cloud, rendendo l'addestramento dei modelli accessibile senza configurazioni complesse. Addestra i modelli YOLO con lo streaming in tempo reale delle metriche e il 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

Link to this sectionFinestra di dialogo dell'addestramento#

Avvia l'addestramento dall'interfaccia utente della piattaforma cliccando su New Model in una pagina di progetto (o Train da una pagina di dataset). La finestra di dialogo dell'addestramento presenta due schede: Cloud Training e Local Training.

Link to this sectionPassaggio 1: Seleziona il Modello Base#

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

I modelli ufficiali sono organizzati per tipo di attività (Detect, Segment, Semantic, Pose, OBB, Classify) con dimensioni da nano a xlarge.

Link to this sectionPassaggio 2: Seleziona il Dataset#

Scegli un dataset su cui addestrare (vedi Dataset):

Link to this sectionPassaggio 3: Configura i Parametri#

Imposta i parametri fondamentali dell'addestramento:

Link to this sectionPassaggio 4: Impostazioni Avanzate (Opzionale)#

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

I parametri sono consapevoli dell'attività (ad esempio, copy_paste viene mostrato solo per le attività di segmentazione, pose/kobj solo per le attività di posa). Un badge Modified appare quando i valori differiscono dalle impostazioni predefinite e puoi reimpostare tutto ai valori 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

Link to this sectionPassaggio 5: Seleziona GPU (Scheda Cloud)#

Scegli la tua GPU da Ultralytics Cloud:

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

Link to this sectionPassaggio 6: Avvia l'Addestramento#

Clicca su Start Training per avviare il tuo lavoro. La Piattaforma:

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

Link to this sectionCiclo di Vita del Lavoro di Addestramento#

I lavori di addestramento procedono attraverso i seguenti stati:

Link to this sectionMonitora l'Addestramento#

Visualizza il progresso dell'addestramento in tempo reale nella scheda Train della pagina del modello:

Link to this sectionSottoscheda Grafici#

Link to this sectionSottoscheda Console#

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

Link to this sectionSottoscheda Sistema#

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

Link to this sectionCheckpoint#

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

Link to this sectionAnnulla addestramento#

Fai clic su Annulla addestramento nella pagina del modello per interrompere un processo in esecuzione:

• L'istanza di calcolo viene terminata
• I crediti smettono di essere addebitati
• Il miglior checkpoint rimane disponibile se è stato raggiunto prima dell'annullamento

Link to this sectionAddestramento 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

Link to this sectionConfigura 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"

Link to this sectionAddestra con streaming#

Usa i parametri project e name per trasmettere le metriche in streaming:

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

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

Link to this sectionUtilizzo di dataset della piattaforma#

Addestra con dataset memorizzati 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 di dataset della piattaforma).

Link to this sectionFatturazione#

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

Link to this sectionStima 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, quindi aggiungendo l'overhead di avvio
3. Calcolo del costo stimato moltiplicando le ore totali di addestramento per la tariffa oraria della GPU

Fattori che influenzano il costo:

Link to this sectionEsempi di costo#

Link to this sectionFlusso 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 dell'addestramento nel cloud:

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

Link to this sectionFatturazione in base allo stato del lavoro#

Link to this sectionMetodi di pagamento#

Link to this sectionVisualizza costi di addestramento#

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

• Riepilogo costi per epoca
• Tempo GPU totale
• Scarica rapporto sui costi

Link to this sectionConsigli per l'addestramento#

Link to this sectionScegli la dimensione del modello giusta#

Link to this sectionOttimizza il tempo di addestramento#

Link to this sectionRisoluzione dei problemi#

Link to this sectionFAQ#

Link to this sectionQuanto tempo richiede l'addestramento?#

Il tempo di addestramento dipende da:

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

Tempi tipici (1000 immagini, 100 epoche):

Link to this sectionPosso addestrare durante la notte?#

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

Link to this sectionCosa succede se finisco i crediti?#

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

Dopo il completamento, dovrai aggiungere crediti per riportare il saldo in positivo prima di avviare nuovi lavori. Il modello completato, i checkpoint e tutti gli artefatti dell'addestramento sono preservati interamente indipendentemente dal saldo.

Link to this sectionCosa succede se il mio addestramento costa più della 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 il progresso dell'addestramento in tempo reale e annulla anticipatamente se necessario
• Abilita il rifornimento automatico per ricaricare automaticamente i crediti
• Inizia con esecuzioni più brevi (meno epoche) per calibrare le aspettative

Link to this sectionPosso 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 sia nei comandi di addestramento cloud che locali.

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

• 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 valori fuori intervallo bloccati e avvisi visualizzati.
• Trascina i file: trascina un file .yaml o .json direttamente nell'editor per importarne i parametri.

Questo rende semplice riprodurre o iterare su configurazioni di addestramento precedenti senza dover reinserire manualmente ogni parametro.

Link to this sectionPosso addestrare da una pagina del dataset?#

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

Link to this sectionRiferimento parametri di addestramento#