クラウドトレーニング#

Ultralytics Platformのクラウドトレーニングでは、ワンクリックでクラウドGPU上のトレーニングを開始でき、複雑なセットアップなしでモデルをトレーニングできます。リアルタイムのメトリクス配信とチェックポイントの自動保存を利用してYOLOモデルをトレーニングできます。

トレーニングダイアログ#

プロジェクトまたはデータセットのページでNew Modelをクリックすると、PlatformのUIからトレーニングを開始できます。トレーニングダイアログには、Cloud TrainingとLocal Trainingの2つのタブがあります。選択したデータセットがオンプレミスホストにある場合、最初のタブはOn Premiseになり、Local Trainingタブは非表示になります。そのデータセットは自身のホスト上でのみトレーニングでき、Enterpriseプランと接続済みでオンライン状態のワーカーが必要です。

ダイアログは、現在のブラウザーで、データセットのタスクとワークスペースごとに、最後に閉じたときのベースモデルとデフォルト以外のパラメーターを記憶し、同じタスクで次に開いたときに復元します。GPUの選択は記憶されません。また、失敗した実行のRetry Trainingでは、その実行固有の引数が復元されます。

ステップ1: ベースモデルを選択#

公式のUltralyticsモデル、または完了済みの独自モデルを選択します:

各タブ内では、モデルは標準の順序でタスクごとにグループ化され、サイズ順に並べ替えられます。どちらのタブにも、選択したデータセットのトレーニングに使用できるタスクを持つモデルのみが表示されます。YOLO26には、nanoからxlargeまでのサイズで、検出、セグメンテーション、セマンティック、深度、分類、姿勢推定、OBBの各バリアントがあります。

ステップ2: データセットを選択#

トレーニングに使用するデータセットを選択します（データセットを参照）:

ステップ3: パラメーターを設定#

基本的なトレーニングパラメーターを設定します:

パラメーターの範囲外の値を入力した場合、フィールドからフォーカスが外れると範囲内に調整されます。

ステップ4: 詳細設定（任意）#

詳細設定を展開すると、Training SettingsセクションとImage Augmentationsセクションにある50以上のトレーニングパラメーターを、YAMLベースのパラメーターエディターで設定できます（設定リファレンスを参照）:

パラメーターはタスクに応じて表示されます（例：copy_pasteはセグメンテーション、セマンティック、OBBタスクでのみ表示され、pose/kobjはポーズタスクでのみ、auto_augment/erasingは分類タスクでのみ表示されます）。エディターではdevice、cache、workers、iou、dropout、val、timeは表示されず、貼り付けまたはドロップされた設定でも無視されます。ローカルでトレーニングする場合は、ご自身のyolo trainコマンドで設定してください。値がデフォルトと異なる場合は変更済みバッジが表示され、リセットボタンですべてをデフォルトに戻せます。トレーニングジョブに送信されるのはデフォルト以外の詳細設定値のみです（基本となるepochs、batch、画像サイズのパラメーターは常に含まれます）。そのため、生成されるコマンドは読みやすい状態に保たれます。

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

データセットバージョンを保存（任意）#

データセットバージョンを保存を有効にすると、モデルをPlatform上のデータセットの不変バージョンに紐付けられます。Platformはデータセットの内容に変更があったかを確認し、変更がなければ一致するバージョンを再利用し、必要な場合にのみ新しい番号付きバージョンを作成します。その後のトレーニングでは、その正確なNDJSONスナップショットが使用され、バージョン番号とコンテンツハッシュがモデルに記録されます。

これにより、後から画像を追加または削除したり、アノテーションを編集したり、データセットの分割を変更したりしても、実行時に使用したデータが保持されます。紐付けられたバージョンは、データセットのモデルタブとバージョンタブで確認できます。

ステップ5：GPUを選択（Cloudタブ）#

Ultralytics CloudからGPUを選択します。

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。料金カードには、設定（モデルサイズ、データセットの画像数、epochs、画像サイズ、バッチサイズ、オプティマイザー、GPU速度）に基づく合計所要時間と料金の見積もりが表示され、1 epochあたりの推定秒数とデータセットの画像数も確認できます。

ステップ6：トレーニングを開始#

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。Platformは次の処理を行います。

1. データセットバージョンを保存が有効な場合、不変のデータセットバージョンを解決します
2. GPUインスタンスをプロビジョニングします
3. データセットをダウンロードします
4. トレーニングを開始します
5. メトリクスをリアルタイムでストリーミングします

既存モデルを再トレーニングすると、同じモデルページが再利用され、新しいジョブの作成時に前回の実行のチャート、コンソール出力、システムメトリクス、エラー状態がクリアされます。コンピューティングリソースがプロビジョニングされる前に失敗した実行では、以前の結果はそのまま残ります。

トレーニングジョブのライフサイクル#

トレーニングジョブは次のステータスで進行します。

コンソールストリームで重大なPythonエラー（トレースバック、CUDAのメモリ不足エラー、CUDAの初期化失敗など）が発生すると、タイムアウトを待たずに実行が直ちに終了します。抽出されたメッセージはモデルページのエラーバナーに表示され、コンソールログ全体を表示およびトレーニングを再試行のアクションが利用できます。4時間にわたってアクティビティが報告されない実行は自動的に失敗としてマークされ、コンピューティングリソースが解放されます。

このページを開いたままにせず、完了および失敗の結果を受け取るには、Slackアラートを接続してください。

トレーニングをモニタリングする#

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をリアルタイムに確認できます。

チャートサブタブ#

チャートはメトリクスの種類ごとにグループ化され、表示されるグループは実行から報告される内容に応じて異なります。

各グループは折りたたむことができ、グループメニューから個々のチャートの表示・非表示を切り替えられます。チャートはドラッグやサイズ変更ができ、レイアウトは次回も保持されます。

コンソールサブタブ#

ANSIカラー、プログレスバー、重大なエラーの検出に対応したライブコンソール出力です。直近の2000行が保持され、タイムスタンプの表示を切り替えられます。また、ログ全体をプレーンテキストとしてコピーできます。

システムサブタブ#

ライブホストカード（ホスト名、CPU、GPU、RAM、ディスクの合計）に加え、CPUとRAMの使用率、GPUの使用率とメモリ、GPU温度、ネットワークI/O、ディスクI/Oをepochごとに表示するチャートです。

チェックポイント#

最良のチェックポイント（best.pt）は、トレーニング中に定期的にPlatformへアップロードされ、実行終了時にも再度アップロードされます。そのため、ダウンロード、エクスポート、デプロイには、これまでに生成された中で最良のepochが常に使用されます。実行がキャンセルされた場合は、キャンセル前にアップロードされたチェックポイントが保持されます。

トレーニングのキャンセル#

モデルページの実行情報カードでキャンセルをクリックし、操作を確定してください。クラウドトレーニングの場合、Platformはジョブを停止し、コンピューティングリソースを解放し、キャンセル前に使用したGPU時間分を請求します。ローカルトレーニングの場合、キャンセルすると次のepochの終了時にプロセスを停止するよう指示され、部分的な結果が保持されます。終了前に、そこまでの結果がアップロードされます。

リモートトレーニング#

ご自身のハードウェアでトレーニングしながら、メトリクスをPlatformにストリーミングできます。

pip install -U ultralytics

APIキーの設定#

1. Settings > API Keysに移動します
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Platform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"

ストリーミングを使ったトレーニング#

メトリクスをストリーミングするには、projectとnameのパラメーターを使用します。

yolo train model=yolo26n.pt 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、選択したパラメーター、高度な引数を含む設定済みコマンドが表示されます。

Platformのデータセットを使用#

ul:// URI形式を使用すると、Platformに保存されたデータセットでトレーニングできます。

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

ul:// URI形式では、データセットが自動的にダウンロードされ、設定されます。モデルはPlatform上のデータセットに自動的に紐付けられます（Platformのデータセットを使用を参照してください）。

請求#

トレーニング料金はGPUの使用量に基づきます。

料金の見積もり#

トレーニング開始前に、データセットのサイズ、モデルサイズ、画像サイズ、バッチサイズ、epochs、選択したGPUに基づいて、合計所要時間と料金が見積もられます。見積もりは概算であり、実際の使用量に基づいて請求されます。

料金に影響する要因：

見積もりは実際のクラウドトレーニングの実行結果に基づいており、選択したGPUを常に使って算出されます。そのため、より高速なUltralyticsインフラストラクチャに割り当てられたジョブは、見積もりより早く完了します。

料金の例#

請求フロー#

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コストを計算します
2. 残高の確認：開始前に利用可能なクレジットを確認します
3. トレーニングと計測：選択したコンピューティング環境でジョブを実行し、実行中に発生したGPU時間の料金を段階的に残高から差し引きます
4. 精算：終了状態になった時点で残りの料金を差し引き、実行全体を対象とした単一のトレーニング取引を記録します

ジョブのステータス別請求#

4時間にわたってアクティビティの報告がない実行は、自動的に失敗としてマークされます。インスタンスは終了され、経過したGPU時間が精算されます。独自のハードウェアでのリモート実行は、課金されずに失敗としてマークされます。

お支払い方法#

クラウドトレーニングの料金は、Platformのクレジット残高から支払われます。

トレーニングコストの確認#

クラウドジョブを開始する前に、トレーニングダイアログに現在のクレジット残高が表示されます。また、選択したモデル、データセット、エポック数、画像サイズ、GPUに基づいて、ジョブの所要時間とコストが見積もられます。見積もりは参考情報であり、実際に消費したGPU時間に対して課金されます。実行後は、設定 > 請求で該当するクレジット取引を確認してください。

トレーニングのヒント#

適切なモデルサイズを選ぶ#

トレーニング時間を最適化する#

トラブルシューティング#

トレーニングパラメーターのリファレンス#

よくある質問#