コンテンツにスキップ

クラウドトレーニング

Ultralytics Cloud Training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、複雑な設定なしにモデルトレーニングを可能にします。リアルタイム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YOLO トレーニングを実現します。


見る: Ultralytics によるクラウドトレーニング

UIからの列車

プラットフォームから直接クラウドトレーニングを開始する:

  1. プロジェクトに移動してください
  2. クリックトレインモデル
  3. トレーニングパラメータを設定する
  4. トレーニングを開始するをクリック

ステップ1: データセットを選択する

アップロードしたデータセットから選択してください:

オプション説明
あなたのデータセットアップロードしたデータセット
公開データセットExploreからの共有データセット

ステップ2: モデルの構成

基本モデルとパラメータを選択してください:

パラメータ説明デフォルト
モデル基本アーキテクチャ(YOLO11n、s、m、l、x)YOLO11n
時代トレーニング反復回数100
画像サイズ入力解像度640
バッチサイズ反復ごとのサンプル数自動車

ステップ3:GPU

コンピューティングリソースを選択してください:

GPUVRAM速度時間あたりの費用
RTX 6000 Pro96ギガバイト非常に速い無料
M4 Pro (Mac)64ギガバイト速い無料
RTX 309024ギガバイト良い$0.44
RTX 409024ギガバイト速い$0.74
L40S48ギガバイト速い$1.14
A100 40GB40ギガバイト非常に速い$1.29
A100 80GB80ギガバイト非常に速い$1.99
H100 80GB80ギガバイト最速$3.99

GPU

  • RTX 6000 Pro(無料):Ultralytics 上のほとんどのトレーニング作業に最適
  • M4 Pro(無料):互換性のあるワークロード向けのApple Siliconオプション
  • RTX 4090:有料クラウドトレーニングにおける最高のコストパフォーマンス
  • A100 80GB: 大規模なバッチ処理や大規模モデルに必要な容量
  • H100: 時間依存トレーニングにおける最高性能

無料トレーニングプラン

RTX 6000 Pro Ada(96GB VRAM)およびM4 Pro GPUは、Ultralytics 上で無料で利用可能です。これらは入門用や定期的なトレーニングジョブに最適です。

ステップ4: トレーニングを開始する

トレーニング開始」をクリックしてジョブを起動します。プラットフォーム:

  1. GPU をプロビジョニングする
  2. データセットをダウンロードします
  3. 訓練を開始する
  4. メトリクスをリアルタイムでストリーミング

無料クレジット

新規アカウントには5ドル分のクレジットが付与されます。RTX 4090での数回のトレーニング実行に十分な金額です。設定>請求で残高をご確認ください

モニター研修

リアルタイムのトレーニング進捗を確認する:

ライブメトリクス

メトリック説明
喪失学習損失と検証損失
mAP平均適合率
適合率正しい陽性予測
再現率検出された真値
GPUGPU 率
メモリGPU 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: 最新の重みを保存
  • 最良モデル:最高mAP 維持
  • 最終モデル:学習終了時の重み

停止と再開

トレーニングを中止する

ジョブを一時停止するには「トレーニングを停止」をクリックしてください:

  • 現在のチェックポイントが保存されました
  • GPU 解放されました
  • クレジットの請求が停止される

トレーニング再開

前回のチェックポイントから続行:

  1. モデルに移動する
  2. トレーニングを再開する
  3. 継続を確認する

履歴書の制限事項

明示的に停止されたトレーニングのみ再開できます。失敗したトレーニングジョブは最初から再実行する必要がある場合があります。

リモートトレーニング

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。

パッケージのバージョン要件

Platformの統合ultralytics8.4.0以上が必要ですそれより低いバージョンではPlatformと連携しません。

pip install "ultralytics>=8.4.0"

APIキーの設定

  1. 設定 > APIキー に移動してください
  2. トレーニングスコープを持つ新しいキーを作成する
  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ムするためのパラメータ:

yolo train model=yolo11n.pt data=coco.yaml epochs=100 \
  project=username/my-project name=experiment-1
from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.train(
    data="coco.yaml",
    epochs=100,
    project="username/my-project",
    name="experiment-1",
)

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でトレーニングする:

yolo train model=yolo11n.pt data=ul://username/datasets/my-dataset epochs=100

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。

請求

トレーニングGPU :

コスト計算

Total Cost = GPU Rate × Training Time (hours)
GPU時間費用
小さな仕事RTX 40901時間$0.74
中規模の仕事A100 40GB4時間$5.16
大規模な仕事H1008時間$31.92

お支払い方法

メソッド説明
口座残高プリロード済みクレジット
仕事ごとの支払い作業完了時に課金する

最低残高

エポックベースのトレーニングを開始するには、最低5.00ドルの残高が必要です。

トレーニング費用を表示

トレーニング終了後、[請求]タブで詳細な費用を確認してください:

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

トレーニングのコツ

適切なモデルサイズを選択する

モデルパラメータ最適
YOLO11n2.6Mリアルタイム、エッジデバイス
YOLO11s9.4M速度と精度のバランス
YOLO11m20.1Mより高い精度
YOLO11l25.3M生産精度
YOLO11x56.9M最高精度

トレーニング時間の最適化

  1. まずは小規模で始める:最初に少ないエポック数でテストする
  2. 適切なGPUを使用する:モデル/バッチGPU 合わせる
  3. データセットの検証:トレーニング前の品質確保
  4. 早期に監視する:指標が横ばいになったら停止する

トラブルシューティング

問題ソリューション
トレーニングが0%で止まっているデータセットの形式を確認し、再試行してください
メモリ不足バッチサイズを縮小するか、より大きなGPUを使用する
精度が低いエポック数を増やす、データの品質を確認する
トレーニングが遅いより高速なGPUを検討する

よくある質問

トレーニングにはどれくらい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:

  • データセットのサイズ
  • モデルサイズ
  • エポック数
  • GPU

典型的な処理時間(1000枚の画像、100エポック):

モデルRTX 4090A100
YOLO11n30分20分
YOLO11m60分40分
YOLO11x120分80分

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継続します。トレーニング終了時には通知が届きます。エポックベースのトレーニングには、アカウントに十分な残高が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?

現在のエポック終了時にトレーニングは一時停止します。チェックポイントが保存され、クレジットを追加後に再開できます。

カスタムトレーニング引数を使用できますか?

はい、上級ユーザーはトレーニング設定で追加の引数を指定できます。

トレーニングパラメータリファレンス

コアパラメータ

パラメータ種類デフォルト範囲説明
epochsint1001+トレーニングエポック数
batchint16-1 = 自動バッチサイズ(-1で自動)
imgszint64032+入力画像サイズ
patienceint1000+早期中止の忍耐
workersint80+データローダーワーカー
cacheブール値偽り-キャッシュ画像(RAM/ディスク)

学習率パラメータ

パラメータ種類デフォルト範囲説明
lr0浮動小数点数0.010.0-1.0初期学習率
lrf浮動小数点数0.010.0-1.0最終LR因子
momentum浮動小数点数0.9370.0-1.0SGD
weight_decay浮動小数点数0.00050.0-1.0L2正則化
warmup_epochs浮動小数点数3.00+ウォームアップエポック
cos_lrブール値偽り-コサインLRスケジューラ

増強パラメータ

パラメータ種類デフォルト範囲説明
hsv_h浮動小数点数0.0150.0-1.0HSV色相強調
hsv_s浮動小数点数0.70.0-1.0HSV飽和
hsv_v浮動小数点数0.40.0-1.0HSV値
degrees浮動小数点数0.0-回転角度
translate浮動小数点数0.10.0-1.0翻訳率
scale浮動小数点数0.50.0-1.0スケール係数
fliplr浮動小数点数0.50.0-1.0水平反転プローブ
flipud浮動小数点数0.00.0-1.0垂直反転プローブ
mosaic浮動小数点数1.00.0-1.0モザイク補強
mixup浮動小数点数0.00.0-1.0混同増強
copy_paste浮動小数点数0.00.0-1.0コピー&ペースト(segment)

オプティマイザ選択

価値説明
auto自動選択(デフォルト)
SGD確率的勾配降下法
AdamAdam オプティマイザ
AdamWAdam 重量減衰

タスク固有のパラメータ

一部のパラメータは特定のタスクにのみ適用されます:

  • セグメント: overlap_mask, mask_ratio, copy_paste
  • ポーズ: pose (減量) kobj (キーポイントの客観性)
  • 分類: dropout, erasing, auto_augment


📅 0日前に作成 ✏️ 0日前に更新
glenn-jocher

コメント