클라우드 트레이닝

Ultralytics Platform 클라우드 학습은 클라우드 GPU에서 원클릭 학습을 제공하여 복잡한 설정 없이 모델 학습에 접근 가능하게 합니다. 실시간 메트릭 스트리밍 및 자동 체크포인트 저장 기능을 통해 YOLO 모델을 학습시키세요.

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

훈련 대화

플랫폼 UI에서 훈련을 시작하려면 프로젝트 페이지(또는 데이터셋 페이지에서 훈련 )에서 새 모델을 클릭하세요. 훈련 대화 상자에는 클라우드 훈련과 로컬 훈련이라는 두 개의 탭이 있습니다.

1단계: 기본 모델 선택

공식 YOLO26 모델 또는 자체 학습된 모델 중에서 선택하세요:

공식 모델은 작업 유형(검출, 분할, 포즈, OBB, 분류)별로 구성되며, 크기는 nano부터 xlarge까지 다양합니다.

2단계: 데이터셋 선택

학습할 데이터셋을 선택하세요(데이터셋 참조):

3단계: 매개변수 구성

핵심 훈련 매개변수 설정:

단계 4: 고급 설정 (선택 사항)

고급 설정을 확장하여 그룹별로 분류된 40개 이상의 훈련 매개변수를 포함한 전체 YAML 기반 매개변수 편집기에 접근하세요( 구성 참조 참조):

매개변수는 작업 인식형입니다(예: copy_paste segment 대해서만 표시됩니다. pose/kobj (포즈 작업 전용). A 수정됨 배지는 값이 기본값과 다를 때 나타나며, 재설정 버튼으로 모든 값을 기본값으로 되돌릴 수 있습니다.

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

5단계: GPU 선택 GPU 클라우드 탭)

Ultralytics Cloud에서 GPU를 선택하세요:

대화 상자에는 현재 잔액 과 충전 버튼이 표시됩니다. 예상 비용과 소요 시간은 설정된 구성(모델 크기, 데이터셋 이미지 수, 에포크 수, GPU )을 기반으로 계산됩니다.

6단계: 훈련 시작

훈련 시작을 클릭하여 작업을 시작하세요. 플랫폼은 다음과 같습니다:

1. GPU 인스턴스를 프로비저닝합니다.
2. 데이터셋을 다운로드합니다.
3. 훈련을 시작합니다.
4. 메트릭을 실시간으로 스트리밍합니다.

교육 직무 수명 주기

훈련 작업은 다음 상태를 거쳐 진행됩니다:

훈련 모니터링

모델 페이지의 '훈련' 탭에서 실시간 훈련 진행 상황을 확인하세요:

차트 서브탭

콘솔 하위 탭

ANSI 색상 지원, 진행률 표시줄 및 오류 감지 기능을 갖춘 실시간 콘솔 출력.

시스템 하위 탭

실시간 GPU , 메모리, 온도, CPU 및 디스크 사용량.

체크포인트

체크포인트는 자동으로 저장됩니다:

• 모든 에포크: 최신 가중치 저장
• 최고 모델: 가장 높은 mAP 체크포인트 보존
• 최종 모델: 훈련 완료 시점의 가중치

학습 취소

모델 페이지에서 훈련 취소를 클릭하여 실행 중인 작업을 중지합니다.

• 컴퓨팅 인스턴스가 종료되었습니다.
• 크레딧 청구가 중단됩니다
• 해당 시점까지 저장된 체크포인트는 보존됩니다.

원격 훈련

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

자체 하드웨어에서 훈련하면서 플랫폼으로 메트릭을 스트리밍하세요.

pip install -U ultralytics

API 키 설정

1. 가다 Settings > Profile (API 키 섹션)
2. 새 키를 생성합니다(또는 플랫폼이 로컬 훈련 탭을 열 때 자동으로 생성합니다).
3. 환경 변수 설정:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

스트리밍으로 학습

다음을 사용하여 project 및 name 메트릭 스트리밍 매개변수:

yolo train model=yolo26n.pt data=coco.yaml epochs=100 \
  project=username/my-project name=experiment-1

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="coco.yaml",
    epochs=100,
    project="username/my-project",
    name="experiment-1",
)

훈련 대화 상자의 '로컬 훈련' 탭에는 API 키, 선택된 매개변수 및 고급 인수가 포함된 사전 구성된 명령이 표시됩니다.

플랫폼 데이터셋 사용

플랫폼에 저장된 데이터셋을 사용하여 ul:// URI 형식:

yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100 \
  project=username/my-project name=exp1

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="ul://username/datasets/my-dataset",
    epochs=100,
    project="username/my-project",
    name="exp1",
)

에 지정되어 있습니다. ul:// URI 형식은 데이터셋을 자동으로 다운로드하고 구성합니다. 모델은 플랫폼에서 데이터셋에 자동으로 연결됩니다(자세한 내용은 참조). 플랫폼 데이터셋 사용)입니다.

결제

훈련 비용은 GPU 사용량에 따라 달라집니다:

비용 추정

훈련이 시작되기 전에 플랫폼은 다음을 통해 총 비용을 추정합니다.

1. 에포크당 시간 추정: 데이터셋 크기, 모델 복잡도, 이미지 크기, 배치 크기 및 GPU 속도를 기반으로 에포크당 시간을 추정합니다.
2. 총 훈련 시간 계산: 에포크당 초에 에포크 수를 곱한 다음 시작 오버헤드를 추가하여 계산합니다.
3. 예상 비용 계산: 총 훈련 시간에 GPU 시간당 요율을 곱하여 예상 비용을 계산합니다.

비용에 영향을 미치는 요소:

비용 예시

청구 흐름

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

클라우드 훈련 청구 흐름:

1. 추정: 교육 시작 전 계산된 비용
2. 잔액 확인: 시작 전에 사용 가능한 크레딧을 확인합니다.
3. 훈련: 선택된 컴퓨팅에서 작업 실행
4. 요금: 최종 비용은 실제 런타임을 기준으로 합니다.

작업 상태별 청구

결제 방법

학습 비용 보기

학습 후 청구 탭에서 상세 비용을 확인할 수 있습니다:

• 에포크별 비용 분석
• 총 GPU 사용 시간
• 비용 보고서 다운로드

학습 팁

올바른 모델 크기 선택

학습 시간 최적화

문제 해결

FAQ

학습은 얼마나 걸리나요?

학습 시간은 다음 요소에 따라 달라집니다:

• 데이터셋 크기
• 모델 크기
• 에포크 수
• 선택된 GPU

일반적인 시간 (이미지 1000개, 100 에포크):

밤새 학습할 수 있나요?

예, 훈련은 완료될 때까지 계속됩니다. 훈련이 완료되면 알림을 받게 됩니다. 에포크 기반 훈련을 위해 계정에 충분한 잔액이 있는지 확인하세요.

크레딧이 부족하면 어떻게 되나요?

훈련 실행 중에 크레딧 잔액이 0이 되더라도 훈련은 완료될 때까지 계속 진행되며, 잔액은 마이너스 상태가 됩니다. 이를 통해 훈련 작업이 실행 도중에 중단되는 일이 없도록 보장합니다.

학습이 완료되면, 새로운 학습 작업을 시작하기 전에 잔액을 양수로 되돌리기 위해 크레딧을 추가해야 합니다. 완료된 모델, 체크포인트 및 모든 학습 아티팩트는 잔액과 관계없이 완전히 보존됩니다.

교육 비용이 견적보다 더 많이 들면 어떻게 되나요?

비용 추정치는 대략적입니다. 실제 학습 시간은 데이터 로딩 속도, GPU 예열, 모델 수렴 동작과 같은 요인으로 인해 달라질 수 있습니다. 실제 비용이 추정치를 초과하면 잔액이 마이너스가 될 수 있습니다(위 참조). 플랫폼은 추정치를 기반으로 학습을 중단하지 않습니다.

비용 관리를 위해:

• 훈련 진행 상황을 실시간으로 모니터링하고, 필요한 경우 조기에 중단할 수 있습니다
• 자동 충전 기능을 켜면 크레딧이 자동으로 충전됩니다
• 예상을 조정하기 위해 짧은 실행(에포크 수를 줄인)부터 시작하세요

사용자 지정 학습 인수를 사용할 수 있나요?

예, 훈련 대화 상자의 고급 설정 섹션을 확장하면 40개 이상의 구성 가능한 매개변수를 지원하는 YAML 편집기에 접근할 수 있습니다. 비기본값은 클라우드 및 로컬 훈련 명령어 모두에 포함됩니다.

YAML 편집기는 이전 훈련 실행에서 설정을 가져오는 기능도 지원합니다:

• 기존 모델에서 복사: 완료된 모델 페이지에서 훈련 구성 카드에 JSON으로 복사 버튼이 있습니다. JSON을 복사하여 YAML 편집기에 직접 붙여넣으면 JSON 형식을 자동으로 detect하고 모든 매개변수를 가져옵니다.
• yaml 또는 JSON 붙여넣기: 유효한 yaml 또는 JSON 훈련 구성을 편집기에 붙여넣으세요. 파라미터는 자동으로 검증되며, 범위를 벗어난 값은 고정되고 경고가 표시됩니다.
• 파일을 드래그 앤 드롭: 드래그 .yaml 또는 .json 파일을 편집기에 직접 불러와 해당 매개변수를 가져옵니다.

이를 통해 각 매개변수를 수동으로 다시 입력하지 않고도 이전 훈련 설정을 쉽게 재현하거나 개선할 수 있습니다.

데이터셋 페이지에서 훈련할 수 있나요?

예, 데이터셋 페이지의 '훈련' 버튼을 누르면 데이터셋이 미리 선택되고 고정된 상태로 훈련 대화 상자가 열립니다. 이후 프로젝트와 모델을 선택하여 훈련을 시작할 수 있습니다.

학습 파라미터 참조

📅 2개월 전 생성 ✏️ 11일 전 업데이트

댓글