Link to this section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] --> 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 sectionトレーニングダイアログ#

プラットフォームUIのプロジェクトページで New Model（またはデータセットページの Train）をクリックして、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。

Link to this sectionステップ 1: ベースモデルの選択#

公式の YOLO26 モデル、またはトレーニング済みの独自モデルから選択します。

公式モデルはタスクタイプ（Detect, Segment, Semantic, Pose, OBB, Classify）ごとに整理されており、サイズは nano から xlarge まであります。

Link to this section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）。

Link to this section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。

Link to this section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

Link to this section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。

Link to this section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. GPUインスタンスの準備
2. データセットのダウンロード
3. トレーニングの開始
4. メトリクスのリアルタイムストリーミング

Link to this section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。

Link to this sectionトレーニングの監視#

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。

Link to this sectionCharts（グラフ）サブタブ#

Link to this sectionConsole（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。

Link to this sectionSystem（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。

Link to this section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。

Link to this sectionトレーニングのキャンセル#

実行中のジョブを停止するには、モデルページのトレーニングをキャンセルをクリックしてください：

• コンピューティングインスタンスが終了します
• クレジットの課金が停止します
• キャンセル前に到達した最適なチェックポイントは引き続き利用可能です

Link to this section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

Link to this sectionAPI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"

Link to this section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。

Link to this section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）。

Link to this section請求#

トレーニング費用はGPUの使用量に基づいています：

Link to this section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：

Link to this sectionコスト例#

Link to this section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

Link to this sectionジョブステータス別の請求#

Link to this section支払い方法#

Link to this sectionトレーニングコストの表示#

トレーニング後、Billingタブで詳細なコストを表示できます：

• エポックごとのコスト内訳
• 総GPU時間
• コストレポートのダウンロード

Link to this sectionトレーニングのヒント#

Link to this section適切なモデルサイズを選択#

Link to this sectionトレーニング時間の最適化#

Link to this sectionトラブルシューティング#

Link to this sectionよくある質問 (FAQ)#

Link to this section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）:

Link to this section夜間に学習を行えますか？#

はい、学習は完了まで継続されます。学習が終了すると通知が届きます。アカウントにエポックベースの学習を行うための十分な残高があることを確認してください。

Link to this sectionクレジットが不足した場合はどうなりますか？#

学習中にクレジット残高がゼロになった場合でも、学習は完了まで継続され、残高はマイナスになります。これにより、学習ジョブが途中で中断されることはありません。

学習完了後、新しい学習ジョブを開始する前に、クレジットを追加して残高をプラスに戻す必要があります。完成したモデル、チェックポイント、およびすべての学習成果物は、残高に関係なく完全に保存されます。

Link to this section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。実際の学習時間は、データの読み込み速度、GPUのウォームアップ、モデルの収束状況などの要因によって異なります。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することはありません。

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

Link to this section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、以前の学習構成を簡単に再現したり、反復したりできます。

Link to this section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 Train ボタンを押すと、データセットが選択され固定された状態で学習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学習を開始します。

Link to this section学習パラメータリファレンス#