모델 학습#
Ultralytics Platform은 실험 구성부터 실시간 메트릭 스트리밍을 통한 클라우드 학습 작업 실행까지, YOLO 모델 학습을 위한 종합적인 도구를 제공합니다.
Watch: Get Started with Ultralytics Platform - Train
개요#
Training 섹션에서는 다음 작업을 수행할 수 있습니다.
- 구성 모델을 더 쉽게 관리할 수 있도록 프로젝트에 정리합니다.
- 학습 한 번의 클릭으로 클라우드 GPU에서 학습합니다.
- 모니터링 학습 중 실시간 메트릭을 모니터링합니다.
- 비교 여러 실험에서 모델 성능을 비교합니다.
- 내보내기 20개의 배포 형식으로 내보냅니다(지원 형식 참조).
Workflow#
graph LR
A[📁 Project]:::start --> B[⚙️ Configure]:::proc
B --> C[🚀 Train]:::proc
C --> D[📈 Monitor]:::proc
D --> E[📦 Export]:::out
classDef start fill:#4CAF50,color:#fff
classDef proc fill:#2196F3,color:#fff
classDef out fill:#9C27B0,color:#fff| 단계 | 설명 |
|---|---|
| 프로젝트 | 관련 모델을 정리할 수 있는 workspace를 생성합니다. |
| 구성 | 데이터셋, 기본 모델 및 학습 파라미터를 선택합니다. |
| 학습 | 클라우드 GPU 또는 로컬 하드웨어에서 실행합니다. |
| 모니터링 | 실시간 loss 곡선과 메트릭을 확인합니다. |
| 내보내기 | 20개의 배포 형식으로 변환합니다(세부 정보). |
학습 옵션#
Ultralytics Platform은 여러 학습 방식을 지원합니다.
| 메서드 | 설명 | 적합한 용도 |
|---|---|---|
| 클라우드 학습 | Ultralytics Cloud GPU에서 학습합니다. | 로컬 GPU가 없어도 확장할 수 있습니다. |
| 로컬 학습 | 로컬에서 학습하고 메트릭을 Platform으로 스트리밍합니다. | 기존 하드웨어를 사용하며 개인정보를 보호할 수 있습니다. |
| Colab 학습 | Platform 통합과 함께 Google Colab을 사용합니다. | 무료 GPU를 사용할 수 있습니다. |
RTX PRO 6000보다 저렴한 GPU를 선택하고 Ultralytics에서 관리하는 용량을 사용할 수 있는 경우, Platform은 선택한 GPU의 시간당 요금만 청구하면서 작업을 RTX PRO 6000에서 실행합니다. 선택한 GPU에서 실행하는 것보다 작업이 더 빨리 완료되고 비용도 줄어들 수 있으며, 업그레이드로 인해 시간이나 비용이 추가되는 일은 없습니다.
GPU 옵션#
Ultralytics Cloud에서 클라우드 학습에 사용할 수 있는 GPU입니다.
| GPU | 세대 | VRAM | 시간당 비용 | 적합한 용도 |
|---|---|---|---|---|
| RTX 2000 Ada | Ada | 16 GB | $0.24 | 소규모 데이터셋, 테스트 |
| RTX A4500 | Ampere | 20 GB | $0.25 | 소규모~중간 규모 데이터셋 |
| RTX 4000 Ada | Ada | 20 GB | $0.26 | 중간 규모 데이터셋 |
| RTX A5000 | Ampere | 24 GB | $0.27 | 중간 규모 데이터셋 |
| L4 | Ada | 24 GB | $0.39 | 추론에 최적화 |
| A40 | Ampere | 48 GB | $0.44 | 더 큰 배치 크기 |
| RTX 3090 | Ampere | 24 GB | $0.46 | 일반 트레이닝 |
| RTX A6000 | Ampere | 48 GB | $0.49 | 대형 모델 |
| RTX PRO 4000 | Blackwell | 24 GB | $0.57 | 경제적인 Blackwell |
| RTX PRO 4500 | Blackwell | 32 GB | $0.64 | 뛰어난 가격 대비 성능 |
| RTX 4090 | Ada | 24 GB | $0.69 | 최고의 가격 대비 성능 |
| RTX 6000 Ada | Ada | 48 GB | $0.77 | 대규모 배치 학습 |
| L40S | Ada | 48 GB | $0.86 | 대규모 배치 학습 |
| RTX PRO 5000 | Blackwell | 48 GB | $0.96 | 대규모 배치 학습 |
| RTX 5090 | Blackwell | 32 GB | $0.99 | 최신 소비자용 세대 |
| L40 | Ada | 48 GB | $0.99 | 대형 모델 |
| A100 PCIe | Ampere | 80 GB | $1.39 | 프로덕션 학습 |
| A100 SXM | Ampere | 80 GB | $1.49 | 프로덕션 학습 |
| RTX PRO 6000 | Blackwell | 96 GB | $2.09 | 권장 기본값 |
| H100 PCIe | Hopper | 80 GB | $2.89 | 고성능 학습 |
| H100 NVL | Hopper | 94 GB | $3.19 | 최고 성능 |
| H100 SXM | Hopper | 80 GB | $3.29 | 가장 빠른 학습 |
| H200 NVL | Hopper | 143 GB | $3.39 | 최대 메모리 |
| H200 SXM | Hopper | 141 GB | $4.39 | 최고 성능 |
| B200 | Blackwell | 180 GB | $5.89 | 대규모 모델(Pro+) |
| B300 | Blackwell | 288 GB | $7.39 | 최대 규모 모델(Pro+) |
B200 및 B300 GPU를 사용하려면 Pro 또는 Enterprise 플랜이 필요합니다. 다른 모든 GPU는 Free를 포함한 모든 플랜에서 사용할 수 있습니다.
새 계정에는 학습을 위한 가입 크레딧이 제공됩니다. 자세한 내용은 Billing을 확인하십시오.
실시간 메트릭#
학습 중 세 개의 하위 탭에서 실시간 메트릭을 확인할 수 있습니다.
graph LR
A[Charts]:::start --> B[Loss Curves]:::out
A --> C[Task Metrics]:::out
D[Console]:::start --> E[Live Logs]:::out
D --> F[Error Detection]:::out
G[System]:::start --> H[GPU, CPU & Memory]:::out
G --> I[Network & Disk I/O]:::out
classDef start fill:#4CAF50,color:#fff
classDef out fill:#9C27B0,color:#fff| 하위 탭 | 메트릭 |
|---|---|
| Charts | 작업 메트릭(탐지의 경우 mAP50, mAP50-95, precision, recall), train/val loss, learning rate |
| Console | ANSI 색상과 자동 오류 감지 기능을 지원하는 실시간 학습 로그 |
| System | GPU 사용률, GPU 메모리 및 온도, CPU, RAM, 네트워크 및 디스크 I/O |
최고의 체크포인트(best.pt, fitness가 가장 높은 epoch)는 학습 실행 중 주기적으로 Platform에 업로드되며
실행이 종료될 때 다시 업로드됩니다. 따라서 다운로드, 내보내기 및 배포에는 항상 지금까지 생성된 epoch 중 가장 좋은
epoch가 사용됩니다. 취소된 실행에서는 업로드가 완료된 마지막 체크포인트가 유지됩니다.
빠른 시작#
1분 이내에 클라우드 학습을 시작할 수 있습니다.
- 사이드바에서 프로젝트를 생성합니다.
- New Model을 클릭합니다.
- 모델, 데이터셋 및 GPU를 선택합니다.
- Start Training을 클릭합니다.
빠른 링크#
- 프로젝트: 모델과 실험을 구성합니다.
- Models: 학습된 체크포인트를 관리합니다.
- 클라우드 학습: 클라우드 GPU에서 학습합니다.
- AutoTrain: Ask AI를 사용하여 실험을 실행하고 모델을 비교하세요
FAQ#
학습 시간은 다음 요소에 따라 달라집니다.
- 데이터셋 크기(이미지 수)
- 모델 크기(n, s, m, l, x)
- epoch 수
- 선택한 GPU 유형
현재 추정기는 RTX PRO 6000에서 이미지 1000개, YOLO26n, 100 epoch의 경우 약 6분, RTX 4090에서 이미지 500개, YOLO26n, 50 epoch의 경우 약 2분이 소요될 것으로 예측합니다. 실제 소요 시간은 달라질 수 있으므로, 선택한 데이터셋과 구성에 대한 학습 대화 상자의 실시간 예상 시간을 사용하십시오. 비용 예시를 참조하십시오.
예. 동시 클라우드 학습 한도는 플랜에 따라 다릅니다. Free는 3개, Pro는 10개를 허용하며 Enterprise는 제한이 없습니다. 추가 병렬 학습이 필요한 경우 여러 머신에서 원격 학습을 사용하십시오.
학습에 실패하는 경우:
- 모델이 실패로 표시되고 컴퓨팅 인스턴스가 종료됩니다.
- 모델 페이지에 캡처된 오류와 함께 오류 배너, 콘솔 출력 링크 및 동일한 구성으로 학습 대화 상자를 다시 여는 Retry 작업이 표시됩니다.
- 몇 시간 동안 활동 보고가 중단된 실행은 자동으로 실패로 표시되고 컴퓨팅 리소스가 해제됩니다.
- 클라우드 컴퓨팅이 시작된 경우 경과된 GPU 시간이 청구되며, 컴퓨팅이 시작되기 전에 발생한 실패에는 GPU 사용 요금이 부과되지 않습니다.
시나리오 권장 GPU 대부분의 학습 작업 RTX PRO 6000 대규모 데이터셋 또는 batch size H100 SXM 또는 H200 예산을 중시하는 경우 RTX 4090