클라우드 학습#

Ultralytics Platform 클라우드 학습은 클릭 한 번으로 클라우드 GPU에서 학습할 수 있어 복잡한 설정 없이도 모델 학습을 시작할 수 있습니다. 실시간 메트릭 스트리밍과 자동 체크포인트 저장 기능을 사용해 YOLO 모델을 학습하세요.

학습 대화상자#

프로젝트 또는 데이터셋 페이지에서 New Model을 클릭해 Platform UI에서 학습을 시작합니다. 학습 대화상자에는 Cloud Training과 Local Training 탭이 있습니다. 선택한 데이터셋이 On Premise 호스트에 있으면 첫 번째 탭이 On Premise로 바뀌고 Local Training 탭은 숨겨집니다. 이 데이터셋은 해당 호스트에서만 학습할 수 있으며, Enterprise 플랜과 연결된 온라인 워커가 필요합니다.

대화상자는 현재 브라우저에서 데이터셋 태스크와 워크스페이스별로 마지막에 닫았을 때의 기본 모델 및 기본값이 아닌 매개변수를 기억하고, 다음에 해당 태스크로 대화상자를 열 때 복원합니다. GPU 선택 항목은 기억하지 않으며, 실패한 실행에서 Retry Training을 선택하면 해당 실행에 사용된 인수가 복원됩니다.

1단계: 기본 모델 선택#

공식 Ultralytics 모델 또는 직접 완료한 모델 중 하나를 선택합니다:

각 탭에서 모델은 표준 태스크 순서로 그룹화되고 크기순으로 정렬됩니다. 두 탭 모두 선택한 데이터셋을 학습할 수 있는 태스크의 모델만 표시합니다. YOLO26에는 나노부터 xlarge까지 크기별로 Detect, Segment, Semantic, Depth, Classify, Pose, OBB 변형이 포함됩니다.

2단계: 데이터셋 선택#

학습에 사용할 데이터셋을 선택합니다(데이터셋 참조):

3단계: 매개변수 구성#

핵심 학습 매개변수를 설정합니다:

매개변수 범위를 벗어난 값을 입력하면 필드 포커스를 잃을 때 범위 내 값으로 조정됩니다.

4단계: 고급 설정(선택 사항)#

Advanced Settings를 펼치면 Training Settings 및 Image Augmentations 섹션에서 50개 이상의 학습 매개변수를 YAML 기반 매개변수 편집기로 설정할 수 있습니다(구성 참조).

매개변수는 작업 유형을 고려합니다(예: copy_paste은 세그먼트, 시맨틱 및 OBB 작업에서만 표시되고, pose/kobj는 포즈 작업에서만, auto_augment/erasing는 분류 작업에서만 표시됩니다). 편집기는 device, cache, workers, iou, dropout, val 및 time을 생략하며, 붙여넣거나 드롭한 구성에서도 이를 무시합니다. 로컬에서 학습할 때는 yolo train 명령에 직접 설정하세요. 값이 기본값과 다르면 수정됨 배지가 표시되며, 재설정 버튼으로 모든 값을 기본값으로 되돌릴 수 있습니다. 기본이 아닌 고급 값만 학습 작업에 전달되므로(기본 epochs, batch 및 이미지 크기 매개변수는 항상 포함됨), 결과 명령을 읽기 쉬운 상태로 유지할 수 있습니다.

mosaic: 1.0       # Keep mosaic on
mixup: 0.3        # Add mixup blending
copy_paste: 0.3   # Add copy-paste (segment, semantic, OBB)
fliplr: 0.5       # Horizontal flip
degrees: 10.0     # Slight rotation
scale: 0.9        # Aggressive scaling

데이터셋 버전 저장(선택 사항)#

데이터셋 버전 저장을 활성화하면 모델을 Platform에서 호스팅하는 변경 불가능한 데이터셋 버전에 연결할 수 있습니다. Platform은 데이터셋 콘텐츠가 변경되었는지 확인하고, 변경되지 않은 경우 일치하는 버전을 재사용하며, 필요한 경우에만 새 번호가 부여된 버전을 생성합니다. 그러면 학습에 해당 NDJSON 스냅샷이 사용되며, 모델에 버전 번호와 콘텐츠 해시가 기록됩니다.

나중에 이미지를 추가하거나 제거하고, 어노테이션을 수정하거나, 데이터셋 분할을 변경하더라도 해당 실행에 사용된 데이터가 보존됩니다. 연결된 버전은 데이터셋의 모델 및 버전 탭에서 확인할 수 있습니다.

5단계: GPU 선택(Cloud 탭)#

Ultralytics Cloud에서 GPU를 선택하세요:

대화상자에는 현재 잔액과 충전 버튼이 표시됩니다. 비용 카드에는 구성(모델 크기, 데이터셋 이미지 수, epochs, 이미지 크기, 배치 크기, 옵티마이저 및 GPU 속도)을 기준으로 한 총 소요 시간과 가격이 추정되어 표시되며, epoch당 예상 시간(초)과 데이터셋 이미지 수도 함께 표시됩니다.

6단계: 학습 시작#

학습 시작을 클릭하여 작업을 시작하세요. Platform은 다음을 수행합니다:

1. 데이터셋 버전 저장을 활성화한 경우 변경 불가능한 데이터셋 버전을 확인합니다
2. GPU 인스턴스를 프로비저닝합니다
3. 데이터셋을 다운로드합니다
4. 학습을 시작합니다
5. 메트릭을 실시간으로 스트리밍합니다

기존 모델을 다시 학습하면 동일한 모델 페이지를 재사용하고 새 작업이 생성된 뒤 이전 실행의 차트, 콘솔 출력, 시스템 메트릭 및 오류 상태를 지웁니다. 컴퓨팅 리소스가 프로비저닝되기 전에 실패한 실행은 이전 결과를 그대로 유지합니다.

학습 작업 수명 주기#

학습 작업은 다음 상태를 거칩니다:

콘솔 스트림에서 치명적인 Python 오류(트레이스백, CUDA 메모리 부족 오류 또는 CUDA 초기화 실패)가 발생하면 시간 초과를 기다리지 않고 실행이 즉시 종료되며, 추출된 메시지가 모델 페이지의 오류 배너에 표시됩니다. 오류 배너에는 전체 콘솔 로그 보기 및 학습 재시도 작업이 제공됩니다. 4시간 동안 활동 보고가 없는 실행은 자동으로 실패로 표시되고 컴퓨팅 리소스가 해제됩니다.

이 페이지를 열어 두지 않고 완료 및 실패 결과를 받으려면 Slack 알림을 연결하세요.

학습 모니터링#

모델 페이지의 학습 탭에서 학습 진행 상황을 실시간으로 확인하세요:

차트 하위 탭#

차트는 메트릭 유형별로 그룹화되며, 표시되는 그룹은 실행에서 보고하는 내용에 따라 달라집니다:

각 그룹을 접을 수 있고, 그룹 메뉴에서 개별 차트를 숨기거나 표시할 수 있으며, 차트를 드래그하여 크기를 조정할 수 있습니다 — 레이아웃은 다음에도 유지됩니다.

콘솔 하위 탭#

ANSI 색상 지원, 진행률 표시줄 및 치명적 오류 감지 기능을 제공하는 실시간 콘솔 출력입니다. 마지막 2000줄이 보존되고 타임스탬프 표시를 켜거나 끌 수 있으며, 전체 로그를 일반 텍스트로 복사할 수 있습니다.

시스템 하위 탭#

실시간 호스트 카드(호스트 이름, CPU, GPU, RAM 및 디스크 총량)와 CPU 및 RAM 사용량, GPU 사용률 및 메모리, GPU 온도, 네트워크 I/O 및 디스크 I/O를 보여 주는 epoch별 차트입니다.

체크포인트#

최고 성능 체크포인트(best.pt)는 학습 중 주기적으로, 그리고 실행이 종료될 때 다시 Platform에 업로드되므로 다운로드, 내보내기 및 배포에는 항상 지금까지 생성된 최고 epoch가 사용됩니다. 실행이 취소되면 취소 전에 업로드된 체크포인트가 유지됩니다.

학습 취소#

모델 페이지의 실행 정보 카드에서 취소를 클릭한 다음 작업을 확인하세요. 클라우드 학습의 경우 Platform은 작업을 중지하고 컴퓨팅 리소스를 해제하며, 취소 전에 사용한 경과 GPU 시간만큼 요금을 청구합니다. 로컬 학습의 경우 취소 신호가 전달되면 다음 epoch 경계에서 프로세스가 중지되고 부분 결과가 보존됩니다 — 종료 전에 현재까지의 결과가 업로드됩니다.

원격 학습#

자체 하드웨어에서 학습을 수행하면서 메트릭을 플랫폼으로 스트리밍하세요.

pip install -U ultralytics

API 키 설정#

1. Settings > API Keys으로 이동하세요.
2. 새 키를 생성하세요(또는 Local Training 탭을 열면 플랫폼에서 키를 자동으로 생성합니다).
3. 환경 변수를 설정하세요:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

스트리밍을 사용한 학습#

project 및 name 매개변수를 사용하여 메트릭을 스트리밍하세요:

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

학습 대화상자의 Local Training 탭에는 API 키, 선택한 매개변수 및 고급 인수가 포함된 사전 구성 명령이 표시됩니다.

Platform 데이터셋 사용#

플랫폼에 저장된 데이터셋을 사용하여 ul:// URI 형식으로 학습하세요:

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 플랫폼의 데이터셋에 자동으로 연결됩니다(Platform 데이터셋 사용 참조).

결제#

학습 비용은 GPU 사용량을 기준으로 계산됩니다:

비용 추정#

학습이 시작되기 전에 플랫폼은 데이터셋 크기, 모델 크기, 이미지 크기, 배치 크기, epochs 및 선택한 GPU를 바탕으로 총 소요 시간과 비용을 추정합니다. 추정치는 대략적인 값이며 실제 사용량을 기준으로 요금이 청구됩니다.

비용에 영향을 미치는 요인:

추정치는 실제 클라우드 학습 실행을 기반으로 하며, 항상 선택한 GPU를 기준으로 계산됩니다 — 따라서 더 빠른 Ultralytics 인프라로 라우팅된 작업은 예상보다 일찍 완료됩니다.

비용 예시#

청구 절차#

클라우드 학습 청구 절차:

1. 예상 비용: 학습 시작 전에 비용을 계산합니다
2. 잔액 확인: 작업을 시작하기 전에 사용 가능한 크레딧을 확인합니다
3. 학습 및 사용량 측정: 선택한 컴퓨팅 리소스에서 작업이 실행되며, 실행 중 누적된 GPU 시간이 잔액에서 단계적으로 차감됩니다
4. 정산: 작업이 종료 상태에 도달하면 남은 GPU 사용 시간이 차감되고, 전체 실행에 대한 단일 학습 거래 내역이 기록됩니다

작업 상태별 청구#

4시간 동안 활동 보고가 없는 실행은 자동으로 실패 처리되고, 인스턴스가 종료되며 경과한 GPU 시간이 정산됩니다. 자체 하드웨어에서 실행되는 원격 작업은 요금 청구 없이 실패로만 표시됩니다.

결제 방법#

클라우드 학습 비용은 Platform 크레딧 잔액에서 지불됩니다.

학습 비용 확인#

클라우드 작업을 시작하기 전에 학습 대화상자에 현재 크레딧 잔액이 표시되며, 선택한 모델, 데이터셋, epochs, 이미지 크기 및 GPU를 바탕으로 작업 시간과 비용을 예상합니다. 예상 금액은 참고용이며, 실제 사용량은 소비한 GPU 시간에 따라 청구됩니다. 작업이 끝난 후 Settings > Billing에서 해당 크레딧 거래 내역을 확인하세요.

학습 팁#

적절한 모델 크기 선택#

학습 시간 최적화#

문제 해결#

학습 파라미터 참조#

자주 묻는 질문#