Addestramento nel cloud#

L'Ultralytics Platform Cloud Training offre l'addestramento con un solo clic sulle GPU cloud, rendendo l'addestramento dei modelli accessibile senza configurazioni complesse. Addestra i modelli YOLO con lo streaming delle 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 dell'addestramento#

Avvia l'addestramento dall'interfaccia della piattaforma facendo clic su New Model in qualsiasi pagina di progetto o dataset. La finestra di dialogo dell'addestramento ha due schede: Cloud Training e Local Training. Quando il dataset selezionato risiede su un host On Premise, la prima scheda diventa On Premise e la scheda Local Training viene nascosta: il dataset può essere addestrato solo sul proprio host, il che richiede un piano Enterprise e un worker connesso e online.

La finestra di dialogo ricorda il modello di base e gli eventuali parametri non predefiniti presenti alla sua chiusura, per ciascuna attività di set di dati e area di lavoro nel browser corrente, e li ripristina la volta successiva che la apri per quell'attività. La selezione della GPU non viene ricordata e il pulsante Retry (Riprova) su un'esecuzione non riuscita ripristina gli argomenti specifici di quell'esecuzione.

Passaggio 1: seleziona il modello di base#

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

All'interno di ogni scheda, i modelli sono raggruppati per attività in ordine canonico e ordinati per dimensione. Il selettore filtra i modelli ufficiali in base alle attività compatibili con il dataset selezionato. YOLO26 include varianti Detect, Segment, Semantic, Depth, Classify, Pose e OBB, con dimensioni da nano a xlarge.

Passaggio 2: seleziona il dataset#

Scegli un dataset su cui eseguire l'addestramento (consulta Datasets):

Passaggio 3: configura i parametri#

Imposta i parametri principali dell'addestramento:

I valori inseriti al di fuori dell'intervallo di un parametro vengono limitati quando il campo perde lo stato attivo.

Passaggio 4: impostazioni avanzate (facoltativo)#

Espandi Advanced Settings per accedere all'editor completo dei parametri basato su YAML, con oltre 50 parametri di addestramento organizzati per gruppo (consulta il riferimento della configurazione):

I parametri tengono conto dell'attività (ad esempio, copy_paste viene mostrato solo per le attività di segmentazione, pose/kobj solo per le attività di posa e dropout solo per la classificazione). Un badge Modified viene visualizzato quando i valori differiscono da quelli predefiniti e puoi ripristinare tutti i valori predefiniti con il pulsante di ripristino. Al job di addestramento vengono inviati solo i valori avanzati non predefiniti (i parametri di base relativi a epoche, batch e dimensione delle immagini sono sempre inclusi), così il comando risultante rimane leggibile.

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 la versione del dataset (facoltativo)#

Abilita Save Dataset Version per collegare il modello a una versione immutabile di un dataset ospitato sulla Platform. La Platform verifica se i contenuti del dataset sono cambiati, riutilizza una versione corrispondente quando non sono cambiati e crea una nuova versione numerata solo quando necessario. L'addestramento utilizza quindi quell'esatto snapshot NDJSON e registra sul modello il numero di versione e l'hash dei contenuti.

In questo modo vengono preservati 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 la GPU (scheda Cloud)#

Scegli la tua GPU da Ultralytics Cloud:

La finestra di dialogo mostra il tuo saldo attuale e un pulsante Top Up. La scheda dei costi stima la durata e il prezzo totali della tua configurazione (dimensione del modello, immagini del dataset, epoche, dimensione delle immagini, dimensione del batch, ottimizzatore e velocità della GPU) e indica anche i secondi stimati per epoca e il numero di immagini del dataset.

Passaggio 6: avvia l'addestramento#

Fai clic su Start Training per avviare il job. La Platform:

1. Risoluzione della versione immutabile del dataset quando Save Dataset Version è abilitato
2. Provisioning di un'istanza GPU
3. Download del dataset
4. Avvio dell'addestramento
5. Streaming delle metriche in tempo reale

Il nuovo addestramento di un modello esistente riutilizza la stessa pagina del modello e cancella i grafici, l'output della console, le metriche di sistema e lo stato di errore dell'esecuzione precedente una volta creato il nuovo job. Un'esecuzione che non va a buon fine prima del provisioning delle risorse di calcolo lascia invariati i risultati precedenti.

Ciclo di vita del job di addestramento#

I job di addestramento avanzano attraverso i seguenti stati:

Un errore fatale di Python nel flusso della console — un traceback, un errore di memoria CUDA esaurita o un'inizializzazione CUDA non riuscita — termina immediatamente l'esecuzione invece di attendere un timeout, e il messaggio estratto appare in un banner di errore nella pagina del modello con le azioni View full console logs e Retry Training. Le esecuzioni che smettono di segnalare attività per diverse ore vengono automaticamente contrassegnate come non riuscite e le relative risorse di calcolo vengono rilasciate.

Per ricevere i risultati completati e non riusciti senza tenere aperta questa pagina, collega gli avvisi Slack.

Monitora l'addestramento#

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

Sottoscheda Grafici#

I grafici sono raggruppati per famiglia di metriche e i gruppi visualizzati dipendono da ciò che segnala l'esecuzione:

Ogni gruppo può essere compresso, i singoli grafici possono essere nascosti o visualizzati dal menu del gruppo e i grafici possono essere trascinati e ridimensionati: il layout viene memorizzato per la prossima volta.

Sottoscheda Console#

Output della console in tempo reale con supporto dei colori ANSI, barre di avanzamento e rilevamento degli errori fatali. Vengono conservate le ultime 2000 righe, i timestamp possono essere attivati e l'intero log può essere copiato come testo normale.

Sottoscheda Sistema#

Una scheda dell'host in tempo reale (nome host, CPU, GPU, RAM e capacità totali del disco), oltre a grafici per epoca dell'utilizzo di CPU e RAM, dell'utilizzo e della memoria della GPU, della temperatura della GPU, dell'I/O di rete e dell'I/O del disco.

Checkpoint#

Il checkpoint migliore (best.pt) viene caricato periodicamente sulla Platform durante l'addestramento e nuovamente al termine dell'esecuzione, così download, esportazione e deployment utilizzano sempre la migliore epoca prodotta fino a quel momento. Se l'esecuzione viene annullata, viene conservato il checkpoint caricato prima dell'annullamento.

Annulla addestramento#

Fai clic su Cancel nella scheda Run Information della pagina del modello e conferma l'azione. Per l'addestramento sul cloud, la Platform arresta il job, rilascia le risorse di calcolo e addebita il tempo GPU trascorso utilizzato prima dell'annullamento. Per l'addestramento locale, il segnale di annullamento comunica al processo di arrestarsi al confine dell'epoca successiva e conserva i risultati parziali: l'esecuzione carica ciò che ha prodotto prima di uscire.

Addestramento remoto#

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

Esegui l'addestramento sul tuo hardware trasmettendo le metriche alla platform.

pip install -U ultralytics

Configura la chiave API#

1. Vai a Settings > API Keys
2. Crea una nuova chiave (oppure la platform ne crea automaticamente una quando apri la scheda Local Training)
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.

Utilizzo dei dataset della Platform#

Addestra con i dataset archiviati sulla platform usando 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 platform (consulta Utilizzo dei dataset della Platform).

Fatturazione#

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

Stima dei costi#

Prima dell'inizio dell'addestramento, la platform stima la durata e il costo totali in base alle dimensioni del dataset e del modello, alla dimensione delle immagini, alla dimensione del batch, al numero di epoche e alla GPU selezionata. Le stime sono approssimative; l'utilizzo effettivo è ciò che viene addebitato.

Fattori che influenzano il costo:

Le stime si basano su esecuzioni reali di addestramento sul cloud e utilizzano sempre la GPU selezionata: pertanto, un job instradato verso un'infrastruttura Ultralytics più veloce termina prima della stima.

Esempi di costi#

Processo di fatturazione#

graph LR
    A[Estimate Cost]:::start --> B[Balance Check]:::decide
    B --> C[Train and Meter GPU Time]:::proc
    C --> D[Settle at Terminal State]:::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

Processo di fatturazione dell'addestramento sul cloud:

1. Stima: costo calcolato prima dell'inizio dell'addestramento
2. Controllo del saldo: i crediti disponibili vengono verificati prima dell'avvio
3. Addestramento e misurazione: il job viene eseguito sulle risorse di calcolo selezionate e il tempo GPU accumulato viene addebitato dal tuo saldo a intervalli durante l'esecuzione
4. Saldo finale: nello stato terminale viene addebitato il tempo residuo e viene registrata un'unica transazione di Training per l'intera esecuzione

Fatturazione in base allo stato del job#

Un'esecuzione che smette di segnalare attività per diverse ore viene automaticamente contrassegnata come non riuscita; l'istanza viene terminata e il tempo GPU trascorso viene saldato. Le esecuzioni remote sul tuo hardware vengono semplicemente contrassegnate come non riuscite, senza alcun addebito.

Metodi di pagamento#

L'addestramento sul cloud viene pagato utilizzando il saldo dei crediti della tua Platform.

Visualizza i costi dell'addestramento#

Prima di avviare un job sul cloud, la finestra di dialogo dell'addestramento mostra il saldo attuale dei tuoi crediti e stima la durata e il costo del job in base al modello, al dataset, al numero di epoche, alla dimensione delle immagini e alla GPU selezionati. La stima è informativa; l'utilizzo effettivo viene addebitato in base al tempo GPU consumato. In seguito, controlla la transazione risultante relativa ai crediti in Settings > Billing.

Suggerimenti per l'addestramento#

Scegli la dimensione del modello giusta#

Ottimizza il tempo di addestramento#

Risoluzione dei problemi#

Riferimento dei parametri di addestramento#

FAQ#