クラウドトレーニング

Ultralytics Platformのクラウドトレーニングは、クラウドGPUでのワンクリックトレーニングを提供し、複雑なセットアップなしでモデルトレーニングを可能にします。リアルタイムのメトリクスストリーミングと自動チェックポイント保存機能により、YOLOモデルをトレーニングできます。

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

トレーニング対話

プラットフォームのUIからトレーニングを開始するには、任意のプロジェクトページで「新規モデル」をクリックするか（またはデータセットページからトレーニングを開始）、トレーニングダイアログの2つのタブ「クラウドトレーニング」と「ローカルトレーニング」を使用します。

ステップ1: 基本モデルを選択

公式のYOLO26モデル、またはご自身で学習させたモデルから選択してください。

公式モデルはタスクタイプ（検出、セグメンテーション、姿勢推定、OBB、分類）別に整理され、サイズはnanoからxlargeまで用意されています。

ステップ2: データセットを選択する

トレーニングに使用するデータセットを選択してください（データセットを参照）：

ステップ3: パラメータの設定

コアトレーニングパラメータを設定する：

ステップ4: 詳細設定（任意）

詳細設定を展開すると、40以上のトレーニングパラメータがグループ別に整理された完全なyamlベースのパラメータエディタにアクセスできます（設定リファレンスを参照）。

パラメータはタスクを意識している（例： copy_paste segment のみに表示されます。 pose/kobj ポーズタスク専用）。A 修正済み 値がデフォルトと異なる場合にバッジが表示され、リセットボタンですべてをデフォルトにリセットできます。

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

ステップ5:GPU クラウドタブ）

Ultralytics CloudからGPUを選択してください。

ダイアログには現在の残高と「チャージ」ボタンが表示されます。見積もり費用と所要時間は、設定内容（モデルサイズ、データセット画像数、エポック数、GPU ）に基づいて計算されます。

ステップ6: トレーニングを開始する

トレーニングを開始をクリックしてジョブを起動します。プラットフォームは以下の通りです:

1. GPUインスタンスをプロビジョニングします
2. データセットをダウンロードします
3. トレーニングを開始します
4. メトリクスをリアルタイムでストリーミングします

トレーニング業務ライフサイクル

トレーニングジョブは以下のステータスを経て進行します：

トレーニングを監視する

モデルページの「トレーニング」タブで、トレーニングの進捗状況をリアルタイムで確認できます：

チャートサブタブ

コンソールサブタブ

ANSIカラー対応、進行状況バー、エラー検出機能を備えたライブコンソール出力。

システムサブタブ

GPU 、メモリ、温度、CPU、ディスク使用量。

チェックポイント

チェックポイントは自動的に保存されます:

• 各エポック: 最新の重みが保存されます
• 最良モデル: 最高のmAPチェックポイントが保持されます
• 最終モデル: 訓練完了時の重み

トレーニングのキャンセル

モデルページでトレーニングをキャンセルをクリックすると、実行中のジョブが停止します。

• コンピューティングインスタンスが終了しました
• クレジットの課金が停止されます
• その時点までに保存されたチェックポイントは保持されます

リモートトレーニング

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

自社ハードウェア上でトレーニングを行いながら、メトリクスをプラットフォームにストリーミングします。

pip install -U ultralytics

API キーのセットアップ

1. 行く Settings > Profile (APIキーセクション)
2. 新しいキーを作成します（または、ローカルトレーニングタブを開くとプラットフォームが自動的に作成します）。
3. 環境変数を設定します:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

ストリーミングでのトレーニング

以下を使用します project および name メトリクスをストリーミングするためのパラメータ:

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",
)

トレーニングダイアログの「ローカルトレーニング」タブには、APIキー、選択されたパラメータ、および高度な引数が含まれた事前設定済みコマンドが表示されます。

プラットフォームデータセットの使用

プラットフォームに保存されたデータセットを使用してトレーニングする ul:// URI形式:

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",
)

The ul:// URI形式は自動的にデータセットをダウンロードし設定します。モデルはプラットフォーム上のデータセットに自動的にリンクされます（参照 プラットフォームデータセットの使用)。

請求

トレーニング費用はGPUの使用量に基づきます:

コスト見積もり

トレーニング開始前に、プラットフォームは総コストを次のように見積もります。

1. エポックあたりの秒数を見積もる: データセットサイズ、モデルの複雑さ、画像サイズ、バッチサイズ、GPU速度から
2. 総トレーニング時間の計算（1エポックあたりの秒数にエポック数を乗算し、起動オーバーヘッドを追加）
3. 推定コストの計算（総トレーニング時間にGPUの時間単価を乗じて）

コストに影響を与える要因：

費用例

請求フロー

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

クラウドトレーニングの請求フロー:

1. 見積もり：トレーニング開始前に算出された費用
2. 残高チェック: 起動前に利用可能なクレジットが確認されます。
3. 学習: ジョブは選択されたコンピューティングで実行されます
4. 料金: 最終費用は実際の実行時間に基づきます。

ジョブステータスによる請求

支払い方法

トレーニングコストの表示

トレーニング後、詳細な費用は請求タブで確認できます:

• エポックごとの費用内訳
• 総GPU時間
• 費用レポートのダウンロード

トレーニングのヒント

適切なモデルサイズの選択

トレーニング時間の最適化

トラブルシューティング

よくある質問

トレーニングにはどのくらいの時間がかかりますか？

トレーニング時間は以下によって異なります:

• データセットサイズ
• モデルサイズ
• エポック数
• 選択されたGPU

一般的な時間 (画像1000枚、100エポック):

一晩中トレーニングできますか？

はい、トレーニングは完了するまで続行されます。トレーニングが終了すると通知が届きます。エポックベースのトレーニングに十分な残高がアカウントにあることを確認してください。

クレジットがなくなったらどうなりますか？

トレーニング実行中にクレジット残高がゼロになった場合でも、トレーニングは最後まで継続され、残高はマイナスになります。これにより、トレーニングジョブが実行途中で中断されることがなくなります。

トレーニングが完了した後、新しいトレーニングジョブを開始する前に、残高をプラスに戻すためにクレジットを追加する必要があります。完了したモデル、チェックポイント、およびすべてのトレーニング成果物は、残高に関係なく完全に保持されます。

見積もり額より研修費用が高くなった場合はどうなりますか？

コスト見積もりは概算であり、データ読み込み速度、GPUウォームアップ、モデルの収束挙動などの要因により、実際の学習時間は異なる場合があります。実際のコストが見積もりを超えた場合、残高がマイナスになる可能性があります（上記参照）。プラットフォームは見積もりに基づいて学習を停止しません。

コスト管理のため：

• トレーニングの進捗状況をリアルタイムで把握し、必要に応じて早期に中止する
• クレジットを自動的に補充するために自動チャージを有効にする
• まずは短い実行（エポック数を少なく）から始めて、期待値を調整してください

カスタムトレーニング引数を使用できますか？

はい、トレーニングダイアログの「詳細設定」セクションを展開すると、40以上の設定可能なパラメータを備えたYAMLエディタにアクセスできます。デフォルト以外の値は、クラウドおよびローカルのトレーニングコマンドの両方に含まれます。

このYAMLエディタでは、過去のトレーニング実行から設定をインポートすることも可能です：

• 既存モデルからコピー: 完了したモデルのページには、トレーニング設定カードにJSONとしてコピーボタンがあります。JSONをコピーしてYAMLエディタに直接貼り付けると、JSON形式が自動検出され、すべてのパラメータがインポートされます。
• yamlまたはJSONを貼り付け: 有効なyamlまたはJSONトレーニング設定をエディタに貼り付けます。パラメータは自動的に検証され、範囲外の値はクランプされ、警告が表示されます。
• ファイルをドラッグ＆ドロップ: ドラッグ .yaml または .json パラメーターをインポートするには、ファイルをエディターに直接ドラッグします。

これにより、各パラメータを手動で再入力することなく、以前のトレーニング設定を簡単に再現したり、改良を加えたりすることができます。

データセットページからトレーニングできますか？

はい、データセットページの「Train」ボタンをクリックすると、データセットが事前選択されロックされた状態でトレーニングダイアログが開きます。その後、プロジェクトとモデルを選択してトレーニングを開始します。

トレーニングパラメーターリファレンス

📅 2ヶ月前に作成✏️ 11日前に更新

コメント