Addestramento 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 modelli YOLO con lo streaming delle metriche in tempo reale e il salvataggio automatico dei checkpoint.

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. Se il dataset selezionato si trova 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, che richiede un piano Enterprise e un worker connesso e online.

Per ogni attività del dataset e workspace nel browser corrente, la finestra di dialogo ricorda il modello di base e gli eventuali parametri non predefiniti impostati alla chiusura precedente e li ripristina alla successiva apertura per la stessa attività. La selezione della GPU non viene memorizzata; inoltre, Retry Training 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:

In ogni scheda, i modelli sono raggruppati per attività nell'ordine canonico e ordinati per dimensione. Entrambe le schede elencano solo i modelli la cui attività consente di addestrare il dataset selezionato. YOLO26 include varianti di rilevamento, segmentazione, semantica, profondità, classificazione, posa e OBB, con dimensioni da nano a xlarge.

Passaggio 2: seleziona il dataset#

Scegli un dataset per l'addestramento (vedi Dataset):

Passaggio 3: configura i parametri#

Imposta i parametri principali dell'addestramento:

I valori inseriti al di fuori dell'intervallo di un parametro vengono ricondotti ai limiti consentiti quando il campo perde il focus.

Passaggio 4: impostazioni avanzate (facoltative)#

Espandi Advanced Settings per accedere all'editor dei parametri basato su YAML, che include oltre 50 parametri di addestramento nelle sezioni Training Settings e Image Augmentations (vedi il riferimento della configurazione):

I parametri dipendono dall'attività (ad es., copy_paste viene visualizzato solo per le attività di segmentazione, semantiche e OBB; pose/kobj solo per le attività di posa; auto_augment/erasing solo per la classificazione). L'editor omette device, cache, workers, iou, dropout, val e time e li ignora nelle configurazioni incollate o trascinate; impostali nel tuo comando yolo train quando esegui l'addestramento in locale. Quando i valori differiscono da quelli predefiniti, compare un badge Modificato; 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 epochs, batch e dimensione dell'immagine sono sempre inclusi), così il comando risultante resta leggibile.

mosaic: 1.0       # Keep mosaic on
mixup: 0.3        # Add mixup blending
copy_paste: 0.3   # Add copy-paste (segment, semantic, OBB)
fliplr: 0.5       # Horizontal flip
degrees: 10.0     # Slight rotation
scale: 0.9        # Aggressive scaling

Salva versione del dataset (facoltativo)#

Attiva Salva versione del dataset per collegare il modello a una versione immutabile di un dataset ospitato sulla Platform. La Platform controlla se i contenuti del dataset sono cambiati, riutilizza una versione corrispondente se non sono cambiati e crea una nuova versione numerata solo quando necessario. L'addestramento usa quindi quello specifico snapshot NDJSON e registra sul modello il numero di versione e l'hash dei contenuti.

In questo modo, i dati utilizzati per l'esecuzione vengono conservati anche se in seguito aggiungi o rimuovi immagini, modifichi le annotazioni o cambi le suddivisioni del dataset. Puoi trovare la versione collegata nelle schede Modelli e Versioni del dataset.

Passaggio 5: seleziona la GPU (scheda Cloud)#

Scegli la GPU su Ultralytics Cloud:

La finestra di dialogo mostra il saldo attuale e il pulsante Ricarica. Il riquadro dei costi stima la durata totale e il prezzo per la configurazione (dimensioni del modello, immagini del dataset, epoche, dimensioni delle immagini, batch, ottimizzatore e velocità della GPU) e indica anche la stima dei secondi per epoca e il numero di immagini del dataset.

Passaggio 6: avvia l'addestramento#

Fai clic su Avvia addestramento per avviare il job. La Platform:

1. risolve la versione immutabile del dataset quando è attiva l'opzione Salva versione del dataset
2. assegna un'istanza GPU
3. scarica il dataset
4. avvia l'addestramento
5. trasmette le metriche in tempo reale

Se riaddestri un modello esistente, viene riutilizzata la stessa pagina del modello e, una volta creato il nuovo job, vengono cancellati i grafici, l'output della console, le metriche di sistema e lo stato di errore dell'esecuzione precedente. Se un'esecuzione non riesce prima che vengano assegnate risorse di calcolo, i risultati precedenti rimangono invariati.

Ciclo di vita del job di addestramento#

I job di addestramento attraversano i seguenti stati:

Un errore Python irreversibile nel flusso della console — un traceback, un errore CUDA di memoria esaurita o un'inizializzazione CUDA non riuscita — termina immediatamente l'esecuzione senza attendere il timeout; il messaggio estratto appare in un banner di errore nella pagina del modello, con le azioni Visualizza log completi della console e Riprova addestramento. Le esecuzioni che non segnalano attività per 4 ore vengono contrassegnate automaticamente come non riuscite e le relative risorse di calcolo vengono rilasciate.

Per ricevere i risultati delle esecuzioni completate e non riuscite senza tenere aperta questa pagina, collega gli avvisi Slack.

Monitora l'addestramento#

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

Sottoscheda Grafici#

I grafici sono raggruppati per famiglia di metriche; i gruppi visualizzati dipendono dai dati riportati dall'esecuzione:

Puoi comprimere ogni gruppo, nascondere o mostrare i singoli grafici dal menu del gruppo e trascinare e ridimensionare i grafici: la disposizione viene memorizzata per la volta successiva.

Sottoscheda Console#

Output della console in tempo reale con supporto dei colori ANSI, barre di avanzamento e rilevamento degli errori irreversibili. Vengono conservate le ultime 2000 righe; puoi attivare o disattivare i timestamp e copiare l'intero log come testo semplice.

Sottoscheda Sistema#

Una scheda dell'host in tempo reale (nome host, CPU, GPU, RAM e spazio totale su disco) e grafici per epoca sull'utilizzo di CPU e RAM, sull'utilizzo e la memoria della GPU, sulla temperatura della GPU, sull'I/O di rete e sull'I/O del disco.

Checkpoint#

Il checkpoint migliore (best.pt) viene caricato periodicamente sulla Platform durante l'addestramento e di nuovo al termine dell'esecuzione, così le operazioni di download, esportazione e distribuzione usano sempre la migliore epoca ottenuta fino a quel momento. Se l'esecuzione viene annullata, il checkpoint caricato prima dell'annullamento viene conservato.

Annulla addestramento#

Fai clic su Annulla nella scheda Informazioni sull'esecuzione della pagina del modello e conferma l'azione. Per l'addestramento cloud, la Platform arresta il job, rilascia le risorse di calcolo e addebita il tempo GPU utilizzato prima dell'annullamento. Per l'addestramento locale, l'annullamento invia al processo il segnale di arresto al termine dell'epoca corrente e conserva i risultati parziali: l'esecuzione carica ciò che ha prodotto prima di uscire.

Addestramento remoto#

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 Addestramento locale)
3. Imposta la variabile d'ambiente:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Addestra con la trasmissione delle metriche#

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 di addestramento mostra un comando preconfigurato che include la tua chiave API, i parametri selezionati e gli argomenti avanzati.

Uso dei dataset della Platform#

Addestra usando i dataset archiviati sulla platform con 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 dataset. Il modello viene collegato automaticamente al dataset sulla platform (consulta Uso dei dataset della Platform).

Fatturazione#

I costi di addestramento dipendono dall'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, alle dimensioni delle immagini, al batch, alle epoche e alla GPU selezionata. Le stime sono approssimative; viene addebitato l'utilizzo effettivo.

Fattori che incidono sui costi:

Le stime si basano su esecuzioni di addestramento cloud reali e fanno sempre riferimento alla GPU selezionata: perciò, se un job viene instradato verso un'infrastruttura Ultralytics più veloce, termina prima del previsto.

Esempi di costi#

Flusso di fatturazione#

Flusso di fatturazione dell'addestramento cloud:

1. Stima: costo calcolato prima dell'inizio dell'addestramento
2. Verifica 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 maturato viene addebitato a scaglioni sul tuo saldo durante l'esecuzione
4. Saldo finale: al termine, il tempo residuo viene addebitato e viene registrata un'unica transazione di Addestramento per l'intera esecuzione

Fatturazione in base allo stato del job#

Un'esecuzione che non segnala attività per 4 ore viene contrassegnata automaticamente come non riuscita; l'istanza viene terminata e il tempo GPU trascorso viene addebitato. Le esecuzioni remote sul tuo hardware vengono semplicemente contrassegnate come non riuscite, senza alcun addebito.

Metodi di pagamento#

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

Visualizzare i costi di addestramento#

Prima di avviare un job cloud, la finestra di dialogo dell'addestramento mostra il saldo attuale dei tuoi crediti e stima durata e costo del job in base al modello, al dataset, alle epoche, alle dimensioni delle immagini e alla GPU selezionati. La stima è indicativa; l'utilizzo effettivo viene addebitato in base al tempo GPU consumato. In seguito, consulta la transazione di credito risultante in Impostazioni > Fatturazione.

Suggerimenti per l'addestramento#

Scegliere la dimensione giusta del modello#

Ottimizzare i tempi di addestramento#

Risoluzione dei problemi#

Riferimento dei parametri di addestramento#

Domande frequenti#