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、クラウドGPU上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により、YOLOモデルをトレーニングできます。

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 をクリックして、プラットフォームの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。選択したデータセットが On Premise ホスト上にある場合、1つ目のタブは 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しかトレーニングできず、Enterpriseプランと接続されたオンラインワーカーが必要です。

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:

各タブ内では、モデルは標準的な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。セレクターは、公式モデルを、選択されたデータセットと互換性のあるタスクに絞り込みます。YOLO26 には、Detect、Segment、Semantic、Depth、Classify、Pose、および OBB の各バリアントが含まれており、サイズはnanoからxlargeまであります。

ステップ 2: データセットの選択#

トレーニングを行う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。

パラメータ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たときに値がクランプされます。

ステップ 4: 高度な設定（オプション）#

Advanced Settings を展開して、グループごとに整理された50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します（configuration reference を参照してください）：

パラメータはタスク認識型です（例: copy_paste はセグメントタスクのみに表示され、pose / kobj はポーズタスクのみに、dropout は分類のみに表示されます）。値がデフォルトから変更されている場合は Modified バッジが表示され、リセットボタンで全てをデフォルトにリセットできます。トレーニングジョブに送信されるのは、デフォルト以外の高度な値のみです（基本的な epochs、batch、および image size パラメータは常に出力に含まれます）。そのため、結果の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 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。コストカードでは、設定（モデルサイズ、データセット画像、epochs、画像サイズ、バッチサイズ、オプティマイザ、およびGPU速度）に応じた合計期間と価格の見積もりが表示され、エポックあたりの推定秒数とデータセットの画像数も報告されます。

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

既存のモデルの再トレーニングでは、同じモデルページが再利用され、新しいジョブが作成されると、前の実行のチャート、コンソール出力、システム指標、およびエラー状態がクリアされます。コンピューティング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以下のステータスに沿って進行します。

コンソールストリーム内の致命的なPythonエラー（トレースバック、CUDA Out-Of-Memoryエラー、またはCUDA初期化の失敗）が発生した場合、タイムアウトを待たずに即座に実行が終了します。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 View full console logs および Retry Training のアクションとともに表示されます。数時間アクティビティの報告が停止した実行は自動的に失敗としてマークされ、そのコンピューティングリソースは解放されます。

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 アラートを接続します。

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#

チャートは指標ファミリごとにグループ化されており、表示されるグループは実行が何を報告するかに依存します：

各グループは折りたたむことができ、個々のチャートはグループメニューから非表示または表示に切り替えることができ、チャートのドラッグやサイズ変更も可能です。レイアウトは次回のために記憶されます。

コンソールサブタブ#

ANSIカラーサポート、プログレスバー、および致命的エラー検出を備えたライブコンソール出力。最後の2000行が保持され、タイムスタンプの切り替えが可能であり、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、およびディスクの合計）に加え、CPUとRAMの使用量、GPUの使用率とメモリ、GPUの温度、ネットワークI/O、およびディスクI/Oのエポックごとのチャートが表示されます。

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、また実行終了時にもプラットフォームにアップロードされるため、ダウンロード、エクスポート、およびデプロイでは常にこれまでに生成された最良のエポックが使用されます。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 [Run Information] カードで Cancel 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、その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。実行は終了する前に既存のデータをアップロードします。

リモートトレーニング#

graph LR
    A[Local GPU]:::start --> B[ultralytics Package]:::proc
    B --> C[Train]:::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#

メトリクスをストリーミングするには、project および name パラメータを使用します：

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、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して設定します。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（プラットフォームデータセットの使用を参照）。

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#

トレーニングが開始される前に、プラットフォームはデータセットのサイズ、モデルのサイズ、画像サイズ、バッチサイズ、エポック、および選択されたGPUから、合計時間とコストを見積もります。見積もりは近似値であり、実際の使用量が請求されます。

コストに影響を与える要因：

見積もりは実際のクラウドトレーニングの実行に基づいており、見積もりには常に選択したGPUが使用されます。そのため、より高速なUltralyticsインフラストラクチャにルーティングされたジョブは、見積もりよりも早く完了します。

コスト例#

請求フロー#

graph LR
    A[Estimate Cost]:::start --> B[Balance Check]:::decide
    B --> C[Train and Meter GPU Time]:::proc
    C --> D[Settle at Terminal State]:::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. Train and Meter: ジョブは選択されたコンピュート上で実行され、蓄積されたGPU時間が実行中に段階的に残高から引き落とされます
4. Settle: 終了状態で残りの微調整分が引き落とされ、実行全体に対して1つのTrainingトランザクションが記録されます

ジョブステータス別の請求#

数時間アクティビティの報告が停止した実行は、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、課金なしで単に失敗としてマークされます。

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#

学習パラメータリファレンス#

よくある質問 (FAQ)#