클라우드 학습

Ultralytics Platform 클라우드 학습은 클라우드 GPU에서 클릭 한 번으로 학습을 시작할 수 있게 하여 복잡한 설정 없이도 모델 학습을 가능하게 합니다. 실시간 메트릭 스트리밍과 자동 체크포인트 저장 기능을 사용하여 YOLO 모델을 학습하십시오.

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

학습 대화 상자

플랫폼 UI의 모든 프로젝트 페이지에서 **새 모델(New Model)**을 클릭(또는 데이터셋 페이지에서 학습(Train) 클릭)하여 학습을 시작하십시오. 학습 대화 상자에는 **클라우드 학습(Cloud Training)**과 **로컬 학습(Local Training)**이라는 두 개의 탭이 있습니다.

1단계: 기본 모델 선택

공식 YOLO26 모델 또는 직접 학습한 모델 중에서 선택하십시오:

공식 모델은 작업 유형(Detect, Segment, Pose, OBB, Classify)별로 정리되어 있으며, nano부터 xlarge까지 다양한 크기로 제공됩니다.

2단계: 데이터셋 선택

학습할 데이터셋을 선택하십시오 (데이터셋 참조):

3단계: 매개변수 구성

주요 학습 매개변수를 설정하십시오:

4단계: 고급 설정 (선택 사항)

**고급 설정(Advanced Settings)**을 확장하여 그룹별로 정리된 40개 이상의 학습 매개변수를 포함하는 전체 YAML 기반 매개변수 편집기에 액세스하십시오 (구성 참조 참조):

매개변수는 작업 인식형입니다 (예: copy_paste는 세그먼트 작업에서만, pose/kobj는 포즈 작업에서만 표시됨). 기본값과 다른 경우 수정됨(Modified) 배지가 나타나며, 재설정 버튼을 사용하여 모두 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 (클라우드 탭)

Ultralytics 클라우드에서 GPU를 선택하십시오:

대화 상자에는 현재 잔액과 충전(Top Up) 버튼이 표시됩니다. 구성(모델 크기, 데이터셋 이미지, 에포크, GPU 속도)을 기반으로 예상 비용과 소요 시간이 계산됩니다.

6단계: 학습 시작

**학습 시작(Start Training)**을 클릭하여 작업을 시작하십시오. 플랫폼은 다음을 수행합니다:

1. GPU 인스턴스 프로비저닝
2. 데이터셋 다운로드
3. 학습 시작
4. 실시간 메트릭 스트리밍

학습 작업 수명 주기

학습 작업은 다음 상태를 거칩니다:

학습 모니터링

모델 페이지의 학습(Train) 탭에서 실시간 학습 진행 상황을 확인하십시오:

차트 하위 탭

콘솔 하위 탭

ANSI 색상 지원, 진행률 표시줄 및 오류 감지 기능이 포함된 실시간 콘솔 출력.

시스템 하위 탭

실시간 GPU 사용률, 메모리, 온도, CPU 및 디스크 사용량.

체크포인트

학습이 완료되면 최고 성능 모델(best.pt, mAP가 가장 높은 체크포인트)이 플랫폼에 업로드되어 다운로드, 내보내기 및 배포에 사용할 수 있게 됩니다.

학습 취소

실행 중인 작업을 중지하려면 모델 페이지에서 **학습 취소(Cancel Training)**를 클릭하십시오:

• 컴퓨팅 인스턴스가 종료됩니다.
• 크레딧 청구가 중단됩니다.
• 취소 전에 최고 체크포인트에 도달했다면 해당 파일은 그대로 유지됩니다.

원격 학습

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 학습을 진행하면서 메트릭을 플랫폼으로 스트리밍합니다.

pip install -U ultralytics

API 키 설정

1. Settings > API Keys로 이동합니다.
2. 새 키를 생성하십시오(또는 로컬 학습 탭을 열면 플랫폼이 자동으로 키를 생성합니다).
3. 환경 변수를 설정하십시오:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

스트리밍을 통한 학습

메트릭을 스트리밍하려면 project 및 name 파라미터를 사용하십시오:

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

학습 대화 상자의 로컬 학습(Local Training) 탭에는 API 키, 선택한 파라미터 및 고급 인수가 포함된 사전 구성된 명령어가 표시됩니다.

플랫폼 데이터셋 사용

ul:// URI 형식을 사용하여 플랫폼에 저장된 데이터셋으로 학습합니다:

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

ul:// URI 형식은 데이터셋을 자동으로 다운로드하고 구성합니다. 모델은 플랫폼상의 데이터셋과 자동으로 연결됩니다(참조: 플랫폼 데이터셋 사용).

결제

학습 비용은 GPU 사용량을 기준으로 책정됩니다:

비용 추정

학습 시작 전, 플랫폼은 다음과 같이 총 비용을 추정합니다:

1. 데이터셋 크기, 모델 복잡도, 이미지 크기, 배치 크기 및 GPU 속도를 기반으로 에포크당 초(seconds per epoch) 추정
2. 에포크당 초를 에포크 수에 곱한 뒤 시작 오버헤드를 더하여 총 학습 시간 계산
3. 총 학습 시간에 GPU 시간당 요금을 곱하여 예상 비용 산출

비용에 영향을 미치는 요소:

비용 예시

결제 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 학습 결제 흐름:

1. 추정: 학습 시작 전 비용 계산
2. 잔액 확인: 실행 전 사용 가능한 크레딧 확인
3. 학습: 선택한 컴퓨팅 환경에서 작업 실행
4. 청구: 실제 실행 시간을 기준으로 최종 비용 청구

작업 상태별 결제

결제 수단

학습 비용 확인

학습 후 Billing(결제) 탭에서 상세 비용을 확인하십시오:

• 에포크당 비용 분석
• 총 GPU 시간
• 비용 보고서 다운로드

학습 팁

적절한 모델 크기 선택

학습 시간 최적화

문제 해결

FAQ

학습에 얼마나 걸립니까?

학습 시간은 다음에 따라 달라집니다:

• 데이터셋 크기
• 모델 크기
• 에포크 수
• 선택된 GPU

일반적인 소요 시간 (1000개 이미지, 100 에폭):

야간에 학습을 진행할 수 있습니까?

네, 학습은 완료될 때까지 계속 진행됩니다. 학습이 종료되면 알림을 받게 됩니다. 에폭 기반 학습을 위해 계정에 충분한 잔액이 있는지 확인하십시오.

크레딧이 부족하면 어떻게 됩니까?

학습 실행 중 크레딧 잔액이 0이 되면 학습은 완료될 때까지 계속되며 잔액은 마이너스가 됩니다. 이는 학습 작업이 중간에 중단되지 않도록 하기 위함입니다.

학습이 완료된 후, 새로운 학습 작업을 시작하기 전에 잔액을 다시 플러스로 만들기 위해 크레딧을 추가해야 합니다. 완료된 모델, 체크포인트 및 모든 학습 아티팩트는 잔액과 관계없이 완전히 보존됩니다.

학습 비용이 추정치보다 많이 나오면 어떻게 됩니까?

비용 추정치는 대략적인 것이며, 실제 학습 시간은 데이터 로딩 속도, GPU 웜업, 모델 수렴 동작 등의 요인으로 인해 달라질 수 있습니다. 실제 비용이 추정치를 초과하면 잔액이 마이너스가 될 수 있습니다(위 참조). 플랫폼은 추정치를 기준으로 학습을 중단하지 않습니다.

비용 관리 방법:

• 학습 진행 상황을 실시간으로 모니터링하고 필요 시 조기에 취소하십시오.
• 자동 충전을 활성화하여 크레딧을 자동으로 보충하십시오.
• 예상치를 조정하기 위해 짧은 실행(더 적은 에폭)으로 시작하십시오.

사용자 지정 학습 인자를 사용할 수 있습니까?

네, 학습 대화 상자에서 고급 설정(Advanced Settings) 섹션을 확장하면 40개 이상의 구성 가능한 매개변수가 있는 YAML 편집기에 액세스할 수 있습니다. 기본값이 아닌 값은 클라우드 및 로컬 학습 명령어 모두에 포함됩니다.

YAML 편집기는 이전 학습 실행에서 구성을 가져오는 것도 지원합니다:

• 기존 모델에서 복사: 완료된 모델 페이지의 학습 구성 카드에는 JSON으로 복사(Copy as JSON) 버튼이 있습니다. JSON을 복사하여 YAML 편집기에 직접 붙여넣으면 JSON 형식을 자동 감지하고 모든 매개변수를 가져옵니다.
• YAML 또는 JSON 붙여넣기: 유효한 YAML 또는 JSON 학습 구성을 편집기에 붙여넣으십시오. 매개변수는 자동으로 검증되며, 범위를 벗어난 값은 클램핑되고 경고가 표시됩니다.
• 파일 드래그 앤 드롭: .yaml 또는 .json 파일을 편집기로 직접 드래그하여 매개변수를 가져올 수 있습니다.

이를 통해 매개변수를 수동으로 다시 입력하지 않고도 이전 학습 구성을 쉽게 재현하거나 반복할 수 있습니다.

데이터셋 페이지에서 학습할 수 있습니까?

네, 데이터셋 페이지의 학습(Train) 버튼을 누르면 데이터셋이 미리 선택되고 고정된 상태로 학습 대화 상자가 열립니다. 그 후 프로젝트와 모델을 선택하여 학습을 시작할 수 있습니다.

학습 매개변수 참조