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:
- プロジェクトに移動してください
- クリックトレインモデル
- トレーニングパラメータを設定する
- 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:
| GPU | VRAM | 速度 | 時間あたりの費用 |
|---|---|---|---|
| RTX 6000 Pro | 96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 3090 | 24ギガバイト | 良い | $0.44 |
| RTX 4090 | 24ギガバイト | 速い | $0.74 |
| L40S | 48ギガバイト | 速い | $1.14 |
| A100 40GB | 40ギガバイト | 非常に速い | $1.29 |
| A100 80GB | 80ギガバイト | 非常に速い | $1.99 |
| H100 80GB | 80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:
- GPU をプロビジョニングする
- データセットをダウンロードします
- 訓練を開始する
- 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 |
| GPU | GPU 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:
- モデルに移動する
- トレーニングを再開する
- 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
- 設定 > APIキー に移動してください
- トレーニングスコープを持つ新しいキーを作成する
- 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)
| 例 | GPU | 時間 | 費用 |
|---|---|---|---|
| 小さな仕事 | RTX 4090 | 1時間 | $0.74 |
| 中規模の仕事 | A100 40GB | 4時間 | $5.16 |
| 大規模な仕事 | H100 | 8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 |
|---|---|---|
| YOLO11n | 2.6M | リアルタイム、エッジデバイス |
| YOLO11s | 9.4M | 速度と精度のバランス |
| YOLO11m | 20.1M | より高い精度 |
| YOLO11l | 25.3M | 生産精度 |
| YOLO11x | 56.9M | 最高精度 |
トレーニング時間の最適化
- 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
- 適切なGPUを使用する:モデル/バッチGPU 合わせる
- データセットの検証:トレーニング前の品質確保
- 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 4090 | A100 |
|---|---|---|
| YOLO11n | 30分 | 20分 |
| YOLO11m | 60分 | 40分 |
| YOLO11x | 120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 |
|---|---|---|---|---|
epochs | int | 100 | 1+ | トレーニングエポック数 |
batch | int | 16 | -1 = 自動 | バッチサイズ(-1で自動) |
imgsz | int | 640 | 32+ | 入力画像サイズ |
patience | int | 100 | 0+ | 早期中止の忍耐 |
workers | int | 8 | 0+ | 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 | 0.01 | 0.0-1.0 | 初期学習率 |
lrf | 浮動小数点数 | 0.01 | 0.0-1.0 | 最終LR因子 |
momentum | 浮動小数点数 | 0.937 | 0.0-1.0 | SGD |
weight_decay | 浮動小数点数 | 0.0005 | 0.0-1.0 | L2正則化 |
warmup_epochs | 浮動小数点数 | 3.0 | 0+ | 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 | 0.015 | 0.0-1.0 | HSV色相強調 |
hsv_s | 浮動小数点数 | 0.7 | 0.0-1.0 | HSV飽和 |
hsv_v | 浮動小数点数 | 0.4 | 0.0-1.0 | HSV値 |
degrees | 浮動小数点数 | 0.0 | - | 回転角度 |
translate | 浮動小数点数 | 0.1 | 0.0-1.0 | 翻訳率 |
scale | 浮動小数点数 | 0.5 | 0.0-1.0 | スケール係数 |
fliplr | 浮動小数点数 | 0.5 | 0.0-1.0 | 水平反転プローブ |
flipud | 浮動小数点数 | 0.0 | 0.0-1.0 | 垂直反転プローブ |
mosaic | 浮動小数点数 | 1.0 | 0.0-1.0 | モザイク補強 |
mixup | 浮動小数点数 | 0.0 | 0.0-1.0 | 混同増強 |
copy_paste | 浮動小数点数 | 0.0 | 0.0-1.0 | 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 |
Adam | Adam オプティマイザ |
AdamW | Adam 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