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を使用したワンクリックトレーニングが可能です。複雑なセットアップなしでモデルのトレーニングが行えます。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により、YOLOモデルを効率的にトレーニングできます。

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

トレーニングダイアログ

プロジェクトページのNew Model（またはデータセットページのTrain）をクリックして、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YOLO26モデル、または独自にトレーニングしたモデルから選択します。

公式モデルは、タスクタイプ（Detect、Segment、Pose、OBB、Classify）およびnanoからxlargeまでのサイズ別に分類されています。

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：詳細設定（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はセグメントタスクのみ表示され、pose/kobjはポーズタスクのみ表示されます）。値がデフォルトと異なると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

ステップ5：GPUの選択（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Top Upボタンが表示されます。設定内容（モデルサイズ、データセットの画像数、エポック数、GPU速度）に基づいて、コストと期間の概算が計算されます。

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. GPUインスタンスのプロビジョニング
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

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で進行します。

トレーニングを監視する

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捗を確認できます。

チャートサブタブ

コンソールサブタブ

ANSIカラー対応、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、ディスク使用状況。

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、デプロイが可能になります。

トレーニングをキャンセルする

実行中のジョブを停止するには、モデルページで トレーニングをキャンセル (Cancel Training) をクリックします。

• 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ベストチェックポイントは引き続き利用可能です

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

APIキーの設定

1. Go to Settings > API Keys
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」タブを開くとプラットフォーム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"

ストリーミングによるトレーニング

project パラメータと 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 (Local Training) タブには、APIキー、選択されたパラメータ、詳細な引数を含む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. エポックあたりの秒数の見積もり: 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、GPU速度から算出
2. 合計トレーニング時間の計算: エポックあたりの秒数にエポック数を掛け、起動時のオーバーヘッドを追加
3. 見積もりコストの算出: 合計トレーニング時間にGPUの時給単価を掛けて算出

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] --> 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. 請求: 実際の実行時間に基づいて最終コストを算出

ジョブステータス別請求

支払い方法

トレーニング費用の表示

トレーニング後、請求 (Billing) タブで詳細なコストを確認できます：

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

トレーニングのヒント

適切なモデルサイズを選択する

トレーニング時間の最適化

トラブルシューティング

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

標準的な時間（1000画像、100エポック）:

夜間に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されます。トレーニングが終了すると通知が届きます。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。

クレジットが不足した場合はどうなりますか？

トレーニング中にクレジット残高がゼロになった場合、トレーニング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、トレーニングジョブが途中で中断されることはありません。

トレーニング完了後、新しいトレーニングジョブを開始する前に、残高をプラスに戻すためにクレジットを追加する必要があります。完了したモデル、チェックポイント、およびすべてのトレーニング成果物は、残高に関係なく完全に保持されます。

トレーニングが見積もりよりも高いコストになっ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、データの読み込み速度、GPUのウォームアップ、モデルの収束挙動などの要因により変動する可能性があります。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ことがあります（上記を参照）。プラットフォームは、見積もりに基づいてトレーニングを停止することはありません。

コスト管理のために：

• トレーニングの進行状況をリアルタイムで監視し、必要に応じて早期にキャンセルする
• auto top-up を有効にして、自動的にクレジットを補充する
• より短い実行（少ないエポック数）から始めて、期待値を調整する

カスタムトレーニング引数は使用できますか？

はい、トレーニングダイアログの 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持つ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トレーニングコマンドに含まれます。

YAMLエディタは、過去のトレーニング実行からの設定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で、Training Configurationカードにある Copy as JSON ボタンをクリックします。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トレーニング設定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、その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、過去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トレーニングできますか？

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。次に、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。

トレーニングパラメータ参照