Addestramento nel Cloud

L'Addestramento nel Cloud della Piattaforma Ultralytics offre l'addestramento con un solo clic su GPU nel cloud, rendendo l'addestramento dei modelli accessibile senza configurazioni complesse. Addestra modelli YOLO con streaming delle 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

Finestra di Addestramento

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

Passaggio 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, Pose, OBB, Classify) con dimensioni da nano a xlarge.

Passaggio 2: Seleziona il Dataset

Scegli un dataset su cui addestrare (vedi Dataset):

Passaggio 3: Configura i Parametri

Imposta i parametri fondamentali di addestramento:

Passaggio 4: Impostazioni Avanzate (Facoltativo)

Espandi Impostazioni Avanzate 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 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 Modificato 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

Passaggio 5: Seleziona la GPU (Scheda Cloud)

Scegli la tua GPU da Ultralytics Cloud:

La finestra mostra il tuo saldo attuale e un pulsante Ricarica. Il costo stimato e la durata 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 Avvia Addestramento per lanciare il tuo lavoro. La Piattaforma:

1. Fornisce 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 procedono attraverso i seguenti stati:

Monitora l'addestramento

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

Sottoscheda Grafici

Sottoscheda Console

Output della console in tempo reale con supporto colore ANSI, barre di progresso 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 Annulla addestramento (Cancel Training) nella pagina del modello per interrompere un lavoro in corso:

• L'istanza di calcolo viene terminata
• L'addebito dei crediti si interrompe
• Il miglior checkpoint rimane disponibile se è stato raggiunto prima dell'annullamento

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

Configura API Key

1. Go to 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 Addestramento Locale nella finestra di dialogo dell'addestramento mostra un comando preconfigurato con la tua API key, 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 Uso 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:

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

Fattori che influenzano il 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 dell'addestramento in cloud:

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

Fatturazione per stato del lavoro

Metodi di pagamento

Visualizza costi di addestramento

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

• Ripartizione dei costi per epoca
• Tempo totale GPU
• Scarica rapporto sui costi

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

Cosa 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 garantisce che il tuo job non venga mai interrotto a metà.

Al termine dell'addestramento, dovrai aggiungere crediti per riportare il saldo in positivo prima di iniziare nuovi job. Il modello completato, i checkpoint e tutti gli artefatti dell'addestramento vengono conservati integralmente indipendentemente dal saldo.

Cosa succede se l'addestramento costa più della stima?

Le stime dei costi sono approssimative: il tempo effettivo di addestramento 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 tuo 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 anticipatamente se necessario
• Abilita auto top-up per ricaricare automaticamente i crediti
• Inizia con esecuzioni più brevi (meno epoche) per calibrare le aspettative

Posso usare argomenti di addestramento personalizzati?

Sì, espandi la sezione Advanced Settings nella finestra di dialogo 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 addestramenti:

• Copia da modello esistente: Nella pagina di qualsiasi modello completato, la scheda Training Configuration ha un pulsante Copy as 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 valida in formato YAML o JSON 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 configurazioni di addestramento precedenti senza dover reinserire manualmente ogni parametro.

Posso avviare l'addestramento da una pagina di dataset?

Sì, il pulsante Train nelle 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.

Riferimento parametri di addestramento