クラウドトレーニング#

Ultralytics Platform クラウドトレーニングでは、クラウドGPU上でのワンクリックトレーニングを提供しており、複雑な設定なしでモデルのトレーニングを開始できます。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を使用して、YOLO モデルをトレーニングしてください。

graph LR
    A[Configure]:::start --> B[Start Training]:::proc
    B --> C[Provision GPU]:::proc
    C --> D[Download Dataset]:::proc
    D --> E[Train]:::proc
    E --> F[Stream Metrics]:::proc
    F --> G[Save Checkpoints]:::proc
    G --> H[Complete]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

トレーニングダイアログ#

任意のプロジェクトまたはデータセットページで New Model をクリックし、プラットフォームUIからトレーニングを開始します。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。

ステップ 1: ベースモデルの選択#

公式の Ultralytics モデル、または完了した自分のモデルのいずれかを選択します:

セレクターは、選択したデータセットと互換性のあるタスクに合わせて公式モデルをフィルタリングします。YOLO26には、Detect、Segment、Semantic、Depth、Classify、Pose、OBBの各バリエーションが、nanoからxlargeまでのサイズで含まれています。

ステップ 2: データセットの選択#

トレーニングに使用するデータセットを選択します（Datasets を参照）。

ステップ 3: パラメータの設定#

主要なトレーニングパラメータを設定します。

ステップ 4: 高度な設定（オプション）#

Advanced Settings を展開すると、グループ別に整理された40以上のトレーニングパラメータを持つ完全なYAMLベースのパラメータエディタにアクセスできます（構成リファレンス を参照）。

パラメータはタスクを認識します（例: copy_paste はセグメンテーションタスクでのみ表示され、pose/kobj はポーズ推定タスクでのみ表示されます）。デフォルト値から変更されると Modified 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値に戻すことができます。

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

データセットバージョンの保存（オプション）#

Save Dataset Versionを有効にすると、モデルをPlatformホスト型データセットの不変バージョンにリンクできます。Platformはデータセットの内容が変更されたかどうかを確認し、変更されていない場合は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、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、その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、後で画像を追加・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、実行に使用されたデータが保持されます。リンクされたバージョンは、データセットのModelsタブおよびVersionsタブで確認できます。

ステップ 5: GPUの選択（クラウドタブ）#

Ultralytics Cloud からGPUを選択します。

ダイアログには現在の balance と Top Up ボタンが表示されます。推定コストと期間は、構成（モデルサイズ、データセットの画像枚数、エポック数、GPU速度）に基づいて計算されます。

ステップ 6: トレーニングの開始#

Start Training をクリックしてジョブを開始します。プラットフォームは以下の処理を行います。

1. Save Dataset Versionが有効な場合に、不変のデータセットバージョンを解決します
2. GPUインスタンスの準備
3. データセットのダウンロード
4. トレーニングの開始
5. メトリクスのリアルタイムストリーミング

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以下のステータスに沿って進行します。

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

学習を監視する#

モデルページの Train タブで、リアルタイムのトレーニング進行状況を確認します。

チャートサブタブ#

コンソールサブタブ#

ANSIカラーサポート、プログレスバー、エラー検出を備えたライブコンソール出力。

システムサブタブ#

リアルタイムのGPU使用率、メモリ、温度、CPU、およびディスク使用量。

チェックポイント#

トレーニング完了後、最適なモデル（best.pt、mAPが最も高いチェックポイント）がプラットフォームにアップロードされ、ダウンロード、エクスポート、およびデプロイが可能になります。

トレーニングのキャンセル#

モデルページで Cancel Training をクリックし、操作を確認します。クラウドトレーニングの場合、プラットフォームはジョブを停止し、コンピューティングを解放し、キャンセル前に使用された経過GPU時間を課金します。ローカルトレーニングの場合、キャンセルによって次のエポック境界でプロセスを停止するシグナルが送られ、部分的な結果が保持されます。

リモートトレーニング#

graph LR
    A[Local GPU]:::start --> B[Train]:::proc
    B --> C[ultralytics Package]:::proc
    C --> D[Stream Metrics]:::proc
    D --> E[Platform Dashboard]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

自身のハードウェアでトレーニングを行い、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. Settings > API Keysに移動します
2. 新しいキーを作成します（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キーを作成することもあります）
3. 環境変数を設定します：

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

ストリーミングトレーニング#

projectおよびnameパラメータを使用してメトリクスをストリーミングします：

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、および高度な引数が含まれた設定済みの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#

ul:// URI形式を使用して、プラットフォームに保存されたデータセットでトレーニングします：

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

ul:// URI形式は、データセットを自動的にダウンロードおよび構成します。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（プラットフォームデータセットの使用を参照してください）。

請求#

トレーニング費用はGPUの使用量に基づいています：

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以下の方法で総コストを見積もります：

1. 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、およびGPU速度からエポックあたりの秒数を推定します
2. エポックあたりの秒数にエポック数を乗算し、起動時のオーバーヘッドを追加して総トレーニング時間を計算します
3. 総トレーニング時間にGPUの時給を乗算して推定コストを計算します

コストに影響を与える要因：

コスト例#

請求フロー#

graph LR
    A[Estimate Cost]:::start --> B[Balance Check]:::decide
    B --> C[Train]:::proc
    C --> D[Charge Actual Runtime]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,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コストを計算
2. 残高確認：開始前に利用可能なクレジットを確認
3. トレーニング：選択したコンピューティングでジョブを実行
4. 課金：最終コストは実際の実行時間に基づいて決定

ジョブステータス別の請求#

支払い方法#

クラウドトレーニングの費用は、プラットフォーム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表示#

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、選択したモデル、データセット、エポック、画像サイズ、GPUからジョブの予測時間とコストが算出されます。見積もりは参考情報であり、実際の使用量は消費されたGPU時間に対して課金されます。その後、Settings > Billing で結果の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 (FAQ)#

トレーニングにはどのくらい時間がかかりますか？#

トレーニング時間は以下に依存します：

• 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

一般的な所要時間（1000画像、100エポック）:

夜間に学習を行えますか？#

はい。資金が維持されている間はトレーニングを無人で実行でき、プラットフォームは完了または失敗のイベントを記録します。メーター測定によって残高がゼロを下回った場合、アクティブな有料クラウド実行は停止し、すでに使用されたGPU時間が精算されます。

クレジットが不足した場合はどうなりますか？#

クラウドの使用量は、トレーニングの進行に伴い計測されます。課金によって残高がゼロを下回った場合、アクティブな有料クラウドトレーニングの実行は停止され、すでに使用されたGPU時間に対して精算されます。長時間のジョブの資金を維持するために、クレジットを追加するか、自動トップアップを有効にしてください。

学習コストが見積もりを超えた場合はどうなりますか？#

コスト見積もりは概算です。実際のトレーニング時間は、データ読み込み速度、GPUのウォームアップ、モデルの収束動作などの要因によって異なる場合があります。実際の使用量が利用可能な残高を使い果たした場合、プラットフォームは残高がマイナスになった後、アクティブな有料クラウド実行を停止します。

コストを管理するには：

• リアルタイムで学習の進行状況を監視し、必要に応じて早期にキャンセルしてください
• auto top-up を有効にして、クレジットを自動的に補充してください
• 最初は短い実行時間（少ないエポック数）で試して、予測を調整してください

カスタム学習引数を使用できますか？#

はい、学習ダイアログの Advanced Settings セクションを展開すると、40以上の構成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、クラウドとローカルの両方の学習コマンドに含まれます。

YAMLエディタは、以前の学習実行からの構成のインポートもサポートしています：

• 既存のモデルからコピー: 完了したモデルのページにある「Training Configuration」カードには、Copy as JSON 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形式が自動的に検出され、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学習構成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: .yaml または .json ファイルをエディタに直接ドラッグして、パラメータをインポートします。

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または反復できます。

データセットページから学習を開始できますか？#

はい、データセットページの New Model 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。

学習パラメータリファレンス#