모델 학습#
Ultralytics Platform은 실험 구성부터 실시간 메트릭 스트리밍을 통한 클라우드 학습 작업 실행에 이르기까지 YOLO 모델 학습을 위한 포괄적인 도구를 제공합니다.
Watch: Get Started with Ultralytics Platform - Train
개요#
학습 섹션은 다음 기능을 지원합니다:
- 더욱 쉬운 관리를 위해 모델을 프로젝트별로 구성합니다.
- 학습(Train): 클릭 한 번으로 클라우드 GPU에서 학습
- 모니터링(Monitor): 학습 중 실시간 지표 확인
- 비교(Compare): 실험 간 모델 성능 비교
- 20가지 배포 형식으로 내보내기합니다(지원되는 형식 참조).
워크플로우#
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 작업 공간(Workspace) 생성 |
| 구성 | 데이터셋, 베이스 모델, 학습 파라미터를 선택합니다. |
| 학습 | 클라우드 GPU 또는 로컬 하드웨어에서 실행 |
| 모니터링 | 실시간 손실 곡선 및 지표 확인 |
| 내보내기 | 20가지 배포 형식으로 변환합니다(세부 정보). |
학습 옵션#
Ultralytics Platform은 다양한 학습 방식을 지원합니다:
| 메서드 | 설명 | 최적 대상 |
|---|---|---|
| 클라우드 학습 | Ultralytics 클라우드 GPU에서 학습 | 로컬 GPU가 없는 경우, 확장성 필요 시 |
| 로컬 학습 | 로컬에서 학습하고 플랫폼으로 지표 스트리밍 | 기존 하드웨어 활용, 데이터 개인정보 보호 중요 시 |
| Colab 학습 | 플랫폼이 통합된 Google Colab 사용 | 무료 GPU 접근 |
RTX PRO 6000보다 저렴한 GPU를 선택하고 Ultralytics 관리형 용량이 여유가 있는 경우, 플랫폼은 선택한 GPU의 시간당 요금을 청구하면서 작업을 RTX PRO 6000에서 실행합니다. 작업이 더 빨리 완료될 수 있으며 선택한 GPU에서 실행했을 때보다 비용이 적게 듭니다. 업그레이드로 인해 시간이나 비용이 추가되지 않습니다.
GPU 옵션#
Ultralytics 클라우드에서 학습에 사용할 수 있는 GPU:
| GPU | 세대 | VRAM | 시간당 비용 | 최적 대상 |
|---|---|---|---|---|
| RTX 2000 Ada | Ada | 16 GB | $0.24 | 소규모 데이터셋, 테스트용 |
| RTX A4500 | Ampere | 20 GB | $0.25 | 소규모~중규모 데이터셋 |
| RTX 4000 Ada | Ada | 20 GB | $0.26 | 중규모 데이터셋 |
| RTX A5000 | Ampere | 24 GB | $0.27 | 중규모 데이터셋 |
| L4 | Ada | 24 GB | $0.39 | 추론 최적화 |
| A40 | Ampere | 48 GB | $0.44 | 더 큰 배치 사이즈 |
| RTX 3090 | Ampere | 24 GB | $0.46 | 일반 학습 |
| RTX A6000 | Ampere | 48 GB | $0.49 | 대형 모델 |
| RTX PRO 4000 | Blackwell | 24 GB | $0.57 | Budget Blackwell |
| RTX PRO 4500 | Blackwell | 32 GB | $0.64 | 뛰어난 가성비 |
| RTX 4090 | Ada | 24 GB | $0.69 | 최고의 가성비 |
| 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 기본 사양 |
| H100 PCIe | Hopper | 80 GB | $2.89 | 고성능 학습 |
| H100 NVL | Hopper | 94 GB | $3.19 | 최대 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 | 최대 성능 |
| B200 | Blackwell | 180 GB | $5.89 | 대형 모델 (Pro+) |
| B300 | Blackwell | 288 GB | $7.39 | 초대형 모델 (Pro+) |
B200 및 B300 GPU는 Pro 또는 Enterprise 플랜이 필요합니다. 기타 모든 GPU는 Free 플랜을 포함한 모든 플랜에서 사용할 수 있습니다.
신규 계정에는 학습용 가입 크레딧이 지급됩니다. 자세한 내용은 청구(Billing)를 확인하세요.
실시간 메트릭#
학습 중에 세 가지 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 |
|---|---|
| 차트 | 작업 메트릭(탐지용 mAP50, mAP50-95, 정밀도, 재현율), 학습/검증 손실, 학습률 |
| 콘솔 | ANSI 색상 및 자동 오류 감지 기능을 갖춘 실시간 학습 로그 |
| 시스템 | GPU 사용률, GPU 메모리 및 온도, CPU, RAM, 네트워크 및 디스크 I/O |
가장 우수한 체크포인트(best.pt, 가장 높은 적합도를 가진 에폭)는 학습이 실행되는 동안 주기적으로 플랫폼에 업로드되며 실행이 종료될 때 다시 업로드되므로, 다운로드, 내보내기 및 배포 시 항상 지금까지 생성된 가장 우수한 에폭을 사용합니다. 취소된 실행은 업로드가 완료된 마지막 체크포인트를 유지합니다.
빠른 시작#
1분 이내에 클라우드 학습을 시작하는 방법:
- 사이드바에서 프로젝트 생성
- 새 모델 클릭
- 모델, 데이터셋, GPU 선택
- 학습 시작 클릭
빠른 링크#
- Projects: 모델 및 실험 정리
- 모델: 학습된 체크포인트 관리
- Cloud Training: 클라우드 GPU에서 학습
FAQ#
학습 시간은 다음에 따라 달라집니다:
- 데이터셋 크기 (이미지 수)
- 모델 크기 (n, s, m, l, x)
- 에포크 수
- 선택한 GPU 유형
현재 추정기에 따르면 RTX PRO 6000에서 1000장 이미지, YOLO26n, 100 에포크 학습 시 약 6분이 소요되며, RTX 4090에서 500장 이미지, YOLO26n, 50 에포크 학습 시 약 2분이 소요됩니다. 실제 소요 시간은 다를 수 있으며, 선택한 데이터셋 및 구성에 대한 학습 대화상자의 실시간 추정치를 사용하세요. 비용 예시를 참조하세요.
네. 동시 클라우드 학습 제한은 플랜에 따라 다릅니다. Free는 3개, Pro는 10개, Enterprise는 무제한입니다. 더 많은 병렬 학습이 필요한 경우 여러 머신에서 원격 학습을 사용하십시오.
학습이 실패할 경우:
- 모델이 실패로 표시되고 컴퓨트 인스턴스가 종료됩니다
- 모델 페이지에는 캡처된 오류가 포함된 오류 배너, 콘솔 출력으로 연결되는 링크, 그리고 동일한 설정으로 학습 대화 상자를 다시 여는 재시도 작업이 표시됩니다.
- 몇 시간 동안 활동 보고가 중단된 실행은 자동으로 실패로 표시되며 연산 자원이 해제됩니다.
- 클라우드 연산이 시작된 경우 경과된 GPU 시간이 청구되며, 연산 시작 전에 실패한 경우는 GPU 사용 요금이 청구되지 않습니다
시나리오 추천 GPU 대부분의 학습 작업 RTX PRO 6000 대규모 데이터셋 또는 배치 크기 H100 SXM 또는 H200 비용 효율성을 중시할 경우 RTX 4090