Addestramento su Cloud

Ultralytics Platform Cloud Training offre l'addestramento con un solo clic su GPU su cloud, rendendo l'addestramento del modello accessibile senza configurazioni complesse. Addestra i modelli YOLO con streaming di 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 dialogo Formazione

Avvia l'addestramento dall'interfaccia utente della piattaforma facendo clic su Nuovo modello in qualsiasi pagina del progetto (o Addestra da una pagina del set di dati). La finestra di dialogo dell'addestramento presenta due schede: Addestramento cloud e Addestramento locale.

Passaggio 1: selezionare il modello base

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

I modelli ufficiali sono organizzati per tipo di attività (rilevamento, segmentazione, posa, OBB, classificazione) con dimensioni che vanno da nano a xlarge.

Passaggio 2: selezionare il set di dati

Scegli un set di dati su cui addestrare il modello (vedi Set di dati):

Passaggio 3: configurare i parametri

Imposta i parametri di allenamento principali:

Passaggio 4: Impostazioni avanzate (facoltativo)

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

I parametri sono sensibili alle attività (ad esempio, copy_paste mostra solo per segment , pose/kobj solo per compiti di posa). A Modificato Il badge appare quando i valori differiscono da quelli predefiniti ed è possibile ripristinare tutti i 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: selezionare GPU scheda Cloud)

Scegli GPU tua GPU Ultralytics :

La finestra di dialogo mostra il saldo corrente e un pulsante Ricarica. Il costo e la durata stimati vengono calcolati in base alla configurazione (dimensioni del modello, immagini del set di dati, epoche, GPU ).

Passaggio 6: Inizia l'allenamento

Clicca su Avvia Addestramento per avviare il tuo lavoro. La piattaforma:

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

Ciclo di vita della formazione professionale

I lavori di formazione procedono attraverso i seguenti stati:

Monitorare l'addestramento

Visualizza i progressi dell'addestramento in tempo reale nella scheda Addestra della pagina del modello:

Sottoscheda Grafici

Sottoscheda Console

Output della console live con supporto dei colori ANSI, barre di avanzamento e rilevamento degli errori.

Sottoscheda Sistema

GPU in tempo reale, memoria, temperatura, CPU e utilizzo del disco.

Checkpoint

I checkpoint vengono salvati automaticamente:

• Ogni epoca: Pesi più recenti salvati
• Miglior modello: Checkpoint con il mAP più alto preservato
• Modello finale: Pesi al completamento dell'addestramento

Annulla Addestramento

Fare clic su Annulla formazione nella pagina del modello per interrompere un processo in esecuzione:

• L'istanza di calcolo è stata terminata.
• I crediti cessano di essere addebitati
• I checkpoint salvati fino a quel momento vengono conservati

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

Esegui la formazione sul tuo hardware mentre trasmetti le metriche alla piattaforma.

pip install -U ultralytics

Configurazione della chiave API

1. Vai a Settings > Profile (Sezione Chiavi API)
2. Crea una nuova chiave (oppure la piattaforma ne crea una automaticamente quando apri la scheda Formazione locale)
3. Imposta la variabile d'ambiente:

export ULTRALYTICS_API_KEY="your_api_key"

Addestramento con streaming

Utilizzare il project e name parametri per lo streaming delle metriche:

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

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="coco.yaml",
    epochs=100,
    project="username/my-project",
    name="experiment-1",
)

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

Utilizzo dei dataset della piattaforma

Addestrare con set di dati memorizzati sulla piattaforma utilizzando il ul:// Formato URI:

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

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="ul://username/datasets/my-dataset",
    epochs=100,
    project="username/my-project",
    name="exp1",
)

Il ul:// Il formato URI scarica e configura automaticamente il set di dati. Il modello viene collegato automaticamente al set di dati sulla piattaforma (vedere Utilizzo dei dataset della piattaforma).

Fatturazione

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

Stima dei costi

Prima dell'inizio della formazione, la piattaforma stima il costo totale in base a:

1. Stima dei secondi per epoca in base alle dimensioni del set di dati, alla complessità del modello, alle dimensioni dell'immagine, alle dimensioni del batch e GPU
2. Calcolo del tempo totale di formazione moltiplicando i secondi per epoca per il numero di epoche, quindi aggiungendo il sovraccarico di avvio
3. Calcolo del costo stimato dal totale delle ore di formazione moltiplicato per la tariffa oraria GPU

Fattori che incidono sul 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 della formazione sul cloud:

1. Stima: costo calcolato prima dell'inizio della formazione
2. Controllo del saldo: prima dell'avvio viene verificata la disponibilità di crediti
3. Treno: il lavoro viene eseguito sul computer selezionato
4. Addebito: il costo finale è basato sul tempo di funzionamento effettivo

Metodi di pagamento

Visualizzare i costi di addestramento

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

• Ripartizione dei costi per epoca
• Tempo totale della GPU
• Scarica il report dei costi

Suggerimenti per l'addestramento

Scegliere la dimensione del modello giusta

Ottimizzare 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 dell'addestramento. Assicurati che il tuo account abbia un saldo sufficiente per l'addestramento basato su epoche.

Cosa succede se esaurisco i crediti?

L'addestramento si interrompe alla fine dell'epoca corrente. Il tuo checkpoint viene salvato e puoi riprendere dopo aver aggiunto crediti.

Posso utilizzare argomenti di addestramento personalizzati?

Sì, espandi la sezione Impostazioni avanzate nella finestra di dialogo di formazione per accedere a un editor YAML con oltre 40 parametri configurabili. I valori non predefiniti sono inclusi sia nei comandi di formazione cloud che in quelli locali.

Posso eseguire l'addestramento da una pagina del set di dati?

Sì, il pulsante Train nelle pagine dei set di dati apre la finestra di dialogo di addestramento con il set di dati preselezionato e bloccato. È quindi possibile selezionare un progetto e un modello per avviare l'addestramento.

Riferimento ai parametri di addestramento

📅 Creato 1 mese fa ✏️ Aggiornato 5 giorni fa

Commenti