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でワンクリックトレーニングを実行できるため、複雑なセットアップなしでモデルをトレーニングできます。リアルタイムのメトリクスストリーミングとチェックポイントの自動保存に対応して、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をクリックすると、Platform UIからトレーニングを開始できます。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オンプレミスホストにある場合、最初のタブはOn Premiseになり、Local Trainingタブは非表示になります。このデータセットは自身のホストでのみトレーニングでき、そのためにはEnterpriseプランと接続済みでオンラインのワーカーが必要です。

ダイアログは、現在のブラウザ内のデータセットタスクおよびワークスペースごとに、前回閉じた際に保持していたベースモデルと非デフォルトのパラメータを記憶し、次にそのタスク用にダイアログを開いたときにそれらを復元します。GPUの選択は記憶されず、失敗した実行に対するRetryでは、その実行自体の引数が復元されます。

ステップ1: ベースモデルを選択#

Ultralytics公式モデルまたはトレーニングを完了した独自モデルを選択します。

各タブ内で、モデルはタスクごとに標準順でグループ化され、サイズ順に並べられます。セレクターでは、選択したデータセットと互換性のあるタスクに公式モデルが絞り込まれます。YOLO26には、nanoからxlargeまでのサイズで、Detect、Segment、Semantic、Depth、Classify、Pose、OBBの各バリアントが含まれます。

ステップ2: データセットを選択#

トレーニングに使用するデータセットを選択します（データセットを参照）。

ステップ3: パラメータを設定#

基本的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、フィールドのフォーカスが外れると範囲内に補正されます。

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50以上のトレーニングパラメータを含む、YAMLベースの完全なパラメータエディターにアクセスできます（設定リファレンスを参照）。

パラメータはタスクに対応して表示されます（例: copy_pasteはセグメントタスクでのみ表示され、pose/kobjはポーズタスクでのみ、dropoutは分類タスクでのみ表示されます）。デフォルト値から変更された値がある場合は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せます。トレーニングジョブにはデフォルト以外の詳細設定値のみが送信されます（基本のepochs、batch、画像サイズのパラメータは常に含まれます）。そのため、生成される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を保存（オプション）#

Save Dataset Versionを有効にすると、モデルをPlatformでホストされている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。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、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、後から画像を追加または削除したり、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、実行に使用し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タブとVersionsタブで確認できます。

ステップ5: GPUを選択（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。コストカードには、設定（モデルサイズ、データセットの画像数、エポック数、画像サイズ、バッチサイズ、オプティマイザー、GPU速度）に基づく合計時間と価格の推定値が表示され、エポックあたりの推定秒数とデータセットの画像数も示されます。

ステップ6: トレーニングを開始#

Start Trainingをクリックしてジョブを開始します。Platformは次の処理を行います。

1. Save Dataset Versionが有効な場合、不変のデータセットバージョンを解決します
2. GPUインスタンスをプロビジョニングします
3. データセットをダウンロードします
4. トレーニングを開始します
5. メトリクスをリアルタイムでストリーミングします

既存のモデルを再トレーニングすると、同じモデルページが再利用され、新しいジョブの作成時に以前の実行のチャート、コンソール出力、システムメトリクス、エラー状態がクリアされます。コンピュートがプロビジョニングされる前に失敗した実行では、以前の結果は変更されません。

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、次のステータスを順に進みます。

コンソールストリームで致命的な Python エラー（トレースバック、CUDA のメモリ不足エラー、CUDA の初期化失敗など）が発生すると、タイムアウトを待たずに実行が直ちに終了し、抽出されたメッセージがモデルページのエラーバナーに表示されます。エラーバナーには 完全なコンソールログを表示 と トレーニングを再試行 のアクションがあります。数時間にわたって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、コンピュートが解放されます。

このページを開いたままにせず、完了結果と失敗結果を受け取るには、Slack アラートを接続してください。

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。

Charts サブタブ#

チャートはメトリックの種類ごとにグループ化され、表示されるグループは実行で報告される内容によって異なります。

各グループは折りたたむことができ、グループメニューから個別のチャートの表示と非表示を切り替えられます。また、チャートはドラッグしてサイズを変更できます。レイアウトは次回のために記憶されます。

Console サブタブ#

ANSI カラー、プログレスバー、致命的エラー検出に対応したライブコンソール出力です。最後の 2000 行が保持され、タイムスタンプの表示を切り替えられ、ログ全体をプレーンテキストとしてコピーできます。

System サブタブ#

ライブホストカード（ホスト名、CPU、GPU、RAM、ディスク容量の合計）に加えて、CPU と RAM の使用量、GPU 使用率とメモリ、GPU 温度、ネットワーク I/O、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 Platform へアップロードされ、実行終了時にも再度アップロードされます。そのため、ダウンロード、エクスポート、デプロイでは、その時点までに生成された最良のエポックが常に使用されます。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。

トレーニングをキャンセルする#

モデルページの Run Information カードで Cancel をクリックし、操作を確認してください。クラウドトレーニングでは、Platform がジョブを停止してコンピュートを解放し、キャンセル前に使用した経過 GPU 時間に対して課金します。ローカルトレーニングでは、キャンセルによって次のエポック境界でプロセスが停止するよう通知され、途中までの結果が保持されます。終了前に、それまでの結果がアップロードされます。

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

メトリックを Platform にストリーミングしながら、自分のハードウェアでトレーニングします。

pip install -U ultralytics

API キーのセットアップ#

1. Settings > API Keys に移動してください
2. 新しいキーを作成してください（または Local Training タブを開くと、Platform によって自動的に作成されます）
3. 環境変数を設定します。

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

ストリーミングでトレーニング#

project と name パラメーターを使用してメトリック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 Local Training タブには、API キー、選択したパラメーター、詳細引数を含む事前設定済みのコマンドが表示されます。

Platform データセットの使用#

ul:// URI 形式を使用して、Platform 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 形式によって、データセットが自動的にダウンロードおよび設定されます。モデルは Platform 上のデータセットに自動的にリンクされます（Platform データセットの使用を参照してください）。

課金#

トレーニングの料金は GPU 使用量に基づきます。

コスト見積もり#

トレーニング開始前に、Platform はデータセットサイズ、モデルサイズ、画像サイズ、バッチサイズ、エポック数、選択した GPU から、合計所要時間とコストを見積もります。見積もりは概算であり、実際の使用量に対して課金されます。

コストに影響する要因:

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、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割り当てられたジョブは、見積もりより早く完了します。

コスト例#

課金フロー#

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課金フロー:

1. 見積もり: トレーニング開始前にコストを計算します
2. 残高確認: 起動前に利用可能なクレジットを確認します
3. トレーニングと計測: ジョブは選択したコンピュート上で実行され、実行中に発生した GPU 時間が残高から段階的に差し引かれます
4. 精算: 終了状態になった時点で残りの時間が差し引かれ、実行全体に対する単一の 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課金#

数時間にわたって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、インスタンスが終了され、経過 GPU 時間が精算されます。自分のハードウェアで実行するリモート実行は失敗としてマークされるだけで、課金は発生しません。

支払い方法#

クラウドトレーニングの料金は、Platform 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確認#

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は現在のクレジット残高と、選択したモデル、データセット、エポック数、画像サイズ、GPU に基づくジョブの所要時間およびコストの見積もりが表示されます。見積もりは参考情報であり、実際に使用した GPU 時間に対して課金されます。完了後、Settings > Billing で生成されたクレジットトランザクション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する#

トレーニング時間を最適化する#

トラブルシューティング#

トレーニングパラメータリファレンス#

FAQ#