Link to this sectionAddestramento nel Cloud#

L'addestramento nel cloud della Ultralytics Platform offre la possibilità di avviare l'addestramento con un singolo clic su GPU nel cloud, rendendo l'addestramento dei modelli accessibile senza configurazioni complesse. Addestra i modelli YOLO con lo streaming di metriche in tempo reale e il 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

Link to this sectionFinestra di dialogo per l'addestramento#

Avvia l'addestramento dall'interfaccia utente della piattaforma facendo clic su New Model in qualsiasi pagina del progetto (o Train da una pagina del dataset). La finestra di dialogo di addestramento presenta due schede: Cloud Training e Local Training.

Link to this sectionPassaggio 1: Seleziona il modello base#

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

I modelli ufficiali sono organizzati per tipo di task (Detect, Segment, Semantic, Pose, OBB, Classify) con dimensioni che vanno da nano a xlarge.

Link to this sectionPassaggio 2: Seleziona il dataset#

Scegli un dataset su cui effettuare l'addestramento (vedi Datasets):

Link to this sectionPassaggio 3: Configura i parametri#

Imposta i parametri fondamentali dell'addestramento:

Link to this sectionPassaggio 4: Impostazioni avanzate (facoltativo)#

Espandi Advanced Settings 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 riconoscono il task (ad esempio, copy_paste viene visualizzato solo per i task di segmentazione, pose/kobj solo per i task di posa). Un badge Modified appare quando i valori differiscono dai predefiniti e puoi ripristinare tutto ai 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

Link to this sectionPassaggio 5: Seleziona GPU (scheda Cloud)#

Scegli la tua GPU da Ultralytics Cloud:

La finestra di dialogo mostra il tuo saldo attuale e un pulsante Top Up. Il costo e la durata stimati vengono calcolati in base alla tua configurazione (dimensione del modello, immagini del dataset, epoche, velocità della GPU).

Link to this sectionPassaggio 6: Avvia l'addestramento#

Fai clic su Start Training 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

Link to this sectionCiclo di vita del lavoro di addestramento#

I lavori di addestramento avanzano attraverso i seguenti stati:

Link to this sectionMonitora l'addestramento#

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

Link to this sectionSottoscheda Grafici#

Link to this sectionSottoscheda Console#

Output della console dal vivo con supporto ai colori ANSI, barre di avanzamento e rilevamento degli errori.

Link to this sectionSottoscheda Sistema#

Utilizzo in tempo reale di GPU, memoria, temperatura, CPU e spazio su disco.

Link to this sectionCheckpoint#

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.

Link to this sectionAnnulla Addestramento#

Fai clic su Cancel Training nella pagina del modello per interrompere un lavoro in esecuzione:

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

Link to this sectionAddestramento 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

Link to this sectionConfigurazione della Chiave API#

1. Vai su 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"

Link to this sectionAddestra 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.

Link to this sectionUso 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 Utilizzo dei Dataset della Piattaforma).

Link to this sectionFatturazione#

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

Link to this sectionStima dei Costi#

Prima dell'inizio dell'addestramento, la piattaforma stima il costo totale tramite:

1. Stima dei secondi per epoca in base alla dimensione del dataset, complessità del modello, dimensione dell'immagine, dimensione del batch e velocità della GPU
2. Calcolo del tempo totale di addestramento moltiplicando i secondi per epoca per il numero di epoche, aggiungendo poi il tempo di avvio
3. Calcolo del costo stimato moltiplicando le ore totali di addestramento per la tariffa oraria della GPU

Fattori che influenzano il costo:

Link to this sectionEsempi di Costo#

Link to this sectionFlusso 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 nel cloud:

1. Stima: Costo calcolato prima dell'inizio dell'addestramento
2. Controllo del Saldo: I crediti disponibili vengono controllati prima dell'avvio
3. Addestramento: Il job viene eseguito sul calcolo selezionato
4. Addebito: Il costo finale si basa sul runtime effettivo

Link to this sectionFatturazione per Stato del Job#

Link to this sectionMetodi di pagamento#

Link to this sectionVisualizza i Costi di Addestramento#

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

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

Link to this sectionSuggerimenti per l'Addestramento#

Link to this sectionScegli la Dimensione Corretta del Modello#

Link to this sectionOttimizza il Tempo di Addestramento#

Link to this sectionRisoluzione dei problemi#

Link to this sectionFAQ#

Link to this sectionQuanto 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):

Link to this sectionPosso 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.

Link to this sectionCosa 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 assicura che il tuo lavoro di addestramento non venga mai interrotto a metà.

Al termine dell'addestramento, dovrai aggiungere crediti per riportare il saldo in positivo prima di iniziare nuovi lavori. Il modello completato, i checkpoint e tutti gli artefatti di addestramento sono completamente preservati indipendentemente dal saldo.

Link to this sectionCosa succede se l'addestramento costa più della stima?#

Le stime dei costi sono approssimative: il tempo di addestramento effettivo 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 saldo potrebbe diventare negativo (vedi sopra). La piattaforma non interrompe l'addestramento basandosi sulla stima.

Per gestire i costi:

• Monitora l'avanzamento dell'addestramento in tempo reale e annulla in anticipo se necessario
• Abilita il rifornimento automatico per ricaricare i crediti automaticamente
• Inizia con esecuzioni più brevi (meno epoche) per calibrare le aspettative

Link to this sectionPosso usare argomenti di addestramento personalizzati?#

Sì, espandi la sezione Impostazioni avanzate nella finestra di dialogo di addestramento 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 esecuzioni di addestramento:

• Copia da modello esistente: Nella pagina di qualsiasi modello completato, la scheda Configurazione addestramento ha un pulsante Copia come 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 YAML o JSON valida nell'editor. I parametri vengono convalidati automaticamente, con i valori fuori intervallo limitati e avvisi visualizzati.
• Trascina file: Trascina un file .yaml o .json direttamente nell'editor per importarne i parametri.

Ciò rende semplice riprodurre o iterare configurazioni di addestramento precedenti senza dover reinserire manualmente ogni parametro.

Link to this sectionPosso addestrare da una pagina del dataset?#

Sì, il pulsante Addestra sulle pagine dei dataset apre la finestra di dialogo di addestramento con il dataset preselezionato e bloccato. Quindi selezioni un progetto e un modello per iniziare l'addestramento.

Link to this sectionRiferimento parametri di addestramento#