Addestramento nel Cloud#

Ultralytics Platform Cloud Training offre l'addestramento con un solo clic su 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 per l'addestramento#

Avvia l'addestramento dall'interfaccia utente della piattaforma cliccando 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. Quando il dataset selezionato si trova su un host On Premise, la prima scheda diventa On Premise e la scheda di addestramento locale viene nascosta; quel dataset può essere addestrato solo sul proprio host, il che richiede un piano Enterprise e un worker connesso e online.

Passaggio 1: Seleziona il modello base#

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

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

I valori digitati al di fuori dell'intervallo di un parametro vengono troncati quando il campo perde il focus.

Passaggio 4: Impostazioni avanzate (facoltativo)#

Espandi Advanced Settings per accedere all'editor completo basato su YAML con oltre 50 parametri di addestramento organizzati per gruppo (vedi la configuration reference):

I parametri sono consapevoli del task (ad esempio, copy_paste viene mostrato solo per i task di segmentazione, pose/kobj solo per i task di posa, dropout solo per la classificazione). Un badge Modified appare quando i valori differiscono dai valori predefiniti ed è possibile ripristinare tutti i valori predefiniti con il pulsante di ripristino. Solo i valori avanzati non predefiniti vengono inviati al job di addestramento (i parametri di base epochs, batch e dimensione immagine sono sempre inclusi), in modo che il comando risultante rimanga 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 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 balance attuale e un pulsante Top Up. La scheda dei costi stima la durata totale e il prezzo per la tua configurazione (dimensione del modello, immagini del dataset, epoche, dimensione dell'immagine, dimensione del batch, ottimizzatore e velocità della GPU) e riporta anche i secondi stimati per epoca e il conteggio delle immagini del dataset.

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

La riprogettazione o 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 non appena viene creato il nuovo job. Un'esecuzione che fallisce prima che venga allocata la potenza di calcolo lascia inalterati i risultati precedenti.

Ciclo di vita del lavoro di addestramento#

I lavori di addestramento avanzano attraverso i seguenti stati:

Un errore Python fatale nel flusso della console — un traceback, un errore di memoria della GPU (CUDA out-of-memory) o un'inizializzazione CUDA fallita — termina immediatamente l'esecuzione anziché 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 fallite e la loro potenza di calcolo viene rilasciata.

Per ricevere i risultati di completamento ed errore senza mantenere questa pagina aperta, collega gli avvisi di 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 l'esecuzione segnala:

Ogni gruppo può essere compresso, i singoli grafici possono essere nascosti o mostrati 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 ai colori ANSI, barre di avanzamento e rilevamento degli errori fatali. Le ultime 2000 righe vengono conservate, i timestamp possono essere attivati/disattivati e l'intero log può essere copiato come testo normale.

Sottoscheda Sistema#

Una scheda host in tempo reale (hostname, CPU, GPU, RAM e totali del disco) più grafici per epoca relativi all'utilizzo di CPU e RAM, utilizzo e memoria della GPU, temperatura della GPU, I/O di rete e I/O su disco.

Checkpoint#

Il checkpoint migliore (best.pt) viene caricato sulla Platform periodicamente durante l'addestramento e nuovamente al termine dell'esecuzione, in modo che download, esportazione e distribuzione utilizzino sempre la migliore epoca prodotta finora. Se l'esecuzione viene annullata, viene conservato il checkpoint caricato prima dell'annullamento.

Annulla Addestramento#

Fai clic su Cancel nella scheda Run Information nella pagina del modello e conferma l'azione. Per l'addestramento sul cloud, la Platform interrompe il job, rilascia la potenza di calcolo e addebita il tempo GPU trascorso utilizzato prima dell'annullamento. Per l'addestramento locale, l'annullamento segnala al processo di fermarsi al confine dell'epoca successiva e preserva i risultati parziali: l'esecuzione carica ciò che ha 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

Addestra sul tuo hardware mentre trasmetti le metriche alla piattaforma.

pip install -U ultralytics

Configurazione della Chiave API#

1. Vai a 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 in streaming 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 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 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 la durata totale e il costo in base alle dimensioni del dataset, del modello, dell'immagine, del batch, alle epoche e alla GPU selezionata. Le stime sono approssimative; l'utilizzo effettivo è ciò che viene fatturato.

Fattori che influenzano il costo:

Le stime si basano su esecuzioni di addestramento cloud reali e la stima utilizza sempre la GPU da te selezionata, quindi un job instradato verso un'infrastruttura Ultralytics più veloce termina prima della sua stima.

Esempi di Costo#

Flusso 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

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. Train and Meter: Il lavoro viene eseguito sul compute selezionato e il tempo GPU accumulato viene addebitato dal tuo saldo a scatti durante l'esecuzione
4. Settle: Allo stato terminale viene addebitata la parte residua finale e viene registrata un'unica transazione Training per l'intera esecuzione

Fatturazione per Stato del Job#

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

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#

Riferimento parametri di addestramento#

FAQ#