클라우드 학습#

Ultralytics Platform 클라우드 트레이닝(Cloud Training)은 클라우드 GPU에서 클릭 한 번로 간편하게 모델을 학습할 수 있도록 지원하며, 복잡한 설정 없이도 모델 학습을 가능하게 합니다. 실시간 지표 스트리밍과 자동 체크포인트 저장을 통해 YOLO 모델을 학습하세요.

graph LR
    A[Configure]:::start --> B[Start Training]:::proc
    B --> C[Provision GPU]:::proc
    C --> D[Download Dataset]:::proc
    D --> E[Train]:::proc
    E --> F[Stream Metrics]:::proc
    F --> G[Save Checkpoints]:::proc
    G --> H[Complete]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

학습 대화 상자#

플랫폼 UI의 프로젝트 또는 데이터셋 페이지에서 New Model을 클릭하여 학습을 시작합니다. 학습 대화상자에는 Cloud Training과 Local Training의 두 가지 탭이 있습니다. 선택한 데이터셋이 On Premise 호스트에 있는 경우, 첫 번째 탭이 On Premise로 바뀌고 Local Training 탭은 숨겨집니다. 해당 데이터셋은 자체 호스트에서만 학습할 수 있으며, 이는 Enterprise 플랜과 연결된 온라인 워커가 필요합니다.

1단계: 기본 모델 선택#

공식 Ultralytics 모델 또는 완료된 사용자 모델 중 하나를 선택하세요:

각 탭 내에서 모델은 표준 순서로 태스크별로 그룹화되며 크기순으로 정렬됩니다. 셀렉터는 공식 모델을 선택한 데이터셋과 호환되는 태스크로 필터링합니다. YOLO26에는 Detect, Segment, Semantic, Depth, Classify, Pose, OBB 변형이 포함되며 nano부터 xlarge까지의 크기를 제공합니다.

2단계: 데이터셋 선택#

학습할 데이터셋을 선택하세요 (Datasets 참조):

3단계: 매개변수 구성#

핵심 학습 매개변수를 설정하십시오:

매개변수 범위를 벗어나 입력된 값은 필드가 포커스를 잃을 때 조정됩니다.

4단계: 고급 설정 (선택 사항)#

Advanced Settings를 펼쳐 그룹별로 정리된 50개 이상의 학습 파라미터를 포함하는 전체 YAML 기반 파라미터 편집기에 액세스하세요 (configuration reference 참조):

파라미터는 태스크 인식형입니다(예: copy_paste은 세그먼트 태스크에서만 표시되고, pose/kobj는 포즈 태스크에서만, dropout은 분류에서만 표시됨). 값이 기본값과 다를 때 Modified 배지가 표시되며, 재설정 버튼으로 모든 값을 기본값으로 재설정할 수 있습니다. 기본값이 아닌 고급 값만 학습 작업으로 전송되므로(기본적인 epochs, batch 및 이미지 크기 파라미터는 항상 포함됨), 결과 명령어가 읽기 쉽게 유지됩니다.

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

데이터셋 버전 저장 (선택 사항)#

Save Dataset Version을 활성화하면 모델을 Platform 호스팅 데이터셋의 불변 버전에 연결합니다. Platform은 데이터셋 콘텐츠의 변경 여부를 확인하고, 변경 사항이 없을 경우 일치하는 버전을 재사용하며, 필요할 때만 새로운 번호가 매겨진 버전을 생성합니다. 이후 학습에서는 해당 NDJSON 스냅샷을 사용하며 모델에 해당 버전 번호와 콘텐츠 해시를 기록합니다.

이를 통해 나중에 이미지를 추가 또는 삭제하거나, 어노테이션을 편집하거나, 데이터셋 분할을 변경하더라도 학습에 사용된 데이터를 보존할 수 있습니다. 연결된 버전은 데이터셋의 Models 및 Versions 탭에서 찾을 수 있습니다.

5단계: GPU 선택 (클라우드 탭)#

Ultralytics 클라우드에서 사용할 GPU를 선택하십시오:

대화상자에는 현재 balance와 Top Up 버튼이 표시됩니다. 비용 카드는 사용자의 설정(모델 크기, 데이터셋 이미지, epochs, 이미지 크기, 배치 크기, 옵티마이저, GPU 속도)에 따른 총 소요 시간과 가격을 추정하고, 에포크당 예상 소요 시간 및 데이터셋 이미지 수도 보고합니다.

6단계: 학습 시작#

학습 시작을 클릭하여 작업을 실행하십시오. 플랫폼은 다음을 수행합니다:

1. Save Dataset Version이 활성화되었을 때 불변 데이터셋 버전을 확인합니다.
2. GPU 인스턴스 프로비저닝
3. 데이터셋 다운로드
4. 학습 시작
5. 실시간 메트릭 스트리밍

기존 모델을 다시 학습하면 동일한 모델 페이지가 재사용되며, 새 작업이 생성될 때 이전 실행의 차트, 콘솔 출력, 시스템 메트릭 및 오류 상태가 지워집니다. 연산이 프로비저닝되기 전에 실패한 실행은 이전 결과를 그대로 유지합니다.

학습 작업 수명 주기#

학습 작업은 다음 상태를 거쳐 진행됩니다:

콘솔 스트림의 치명적인 Python 오류(트레이스백, CUDA 메모리 부족 오류, 또는 CUDA 초기화 실패)는 타임아웃을 기다리지 않고 즉시 실행을 종료하며, 추출된 메시지가 View full console logs 및 Retry Training 작업과 함께 모델 페이지의 오류 배너에 표시됩니다. 활동 보고가 몇 시간 동안 중단된 실행은 자동으로 실패로 표시되며 연산 자원이 해제됩니다.

이 페이지를 열어두지 않고도 완료 및 실패 결과를 받으려면 Slack 알림을 연결하세요.

학습 모니터링#

모델 페이지의 학습 탭에서 실시간 학습 진행 상황을 확인하십시오:

차트 하위 탭#

차트는 메트릭 패밀리별로 그룹화되며, 표시되는 그룹은 실행이 보고하는 내용에 따라 다릅니다:

각 그룹을 접을 수 있고, 그룹 메뉴에서 개별 차트를 숨기거나 표시할 수 있으며, 차트를 드래그하고 크기를 조정할 수 있습니다. 레이아웃은 다음번에 기억됩니다.

콘솔 하위 탭#

ANSI 색상 지원, 진행률 표시줄, 치명적 오류 감지 기능이 있는 실시간 콘솔 출력. 마지막 2000줄이 유지되며, 타임스탬프를 토글할 수 있고 전체 로그를 일반 텍스트로 복사할 수 있습니다.

시스템 하위 탭#

실시간 호스트 카드(호스트 이름, CPU, GPU, RAM 및 디스크 총합)와 함께 CPU 및 RAM 사용량, GPU 활용률 및 메모리, GPU 온도, 네트워크 I/O, 디스크 I/O에 대한 에포크별 차트 제공.

체크포인트#

최고 체크포인트(best.pt)는 학습 중 주기적으로, 그리고 실행이 종료될 때 플랫폼에 다시 업로드되므로 다운로드, 내보내기, 배포 시 항상 지금까지 생성된 최고의 에포크를 사용합니다. 실행이 취소되면 취소 전에 업로드된 체크포인트가 유지됩니다.

학습 취소#

모델 페이지의 실행 정보 카드에서 Cancel을 클릭하고 작업을 확인합니다. 클라우드 학습의 경우 플랫폼이 작업을 중지하고 연산 자원을 해제하며, 취소 전에 사용된 경과 GPU 시간에 대해 요금을 청구합니다. 로컬 학습의 경우 취소는 다음 에포크 경계에서 프로세스를 중지하도록 신호를 보내고 부분 결과를 보존합니다. 실행은 종료되기 전에 가진 데이터를 업로드합니다.

원격 학습(Remote Training)#

graph LR
    A[Local GPU]:::start --> B[ultralytics Package]:::proc
    B --> C[Train]:::proc
    C --> D[Stream Metrics]:::proc
    D --> E[Platform Dashboard]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

자체 하드웨어에서 학습하면서 메트릭을 플랫폼으로 스트리밍하십시오.

pip install -U ultralytics

API 키 설정#

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

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

스트리밍 학습#

지표를 스트리밍하려면 project 및 name 파라미터를 사용하세요:

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 명령이 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 설정합니다. 모델은 플랫폼에서 데이터셋에 자동으로 연결됩니다 (Using Platform Datasets 참조).

결제(Billing)#

학습 비용은 GPU 사용량을 기준으로 합니다:

비용 추정#

학습이 시작되기 전에 플랫폼은 데이터셋 크기, 모델 크기, 이미지 크기, 배치 크기, 에포크, 선택된 GPU를 기반으로 총 소요 시간과 비용을 추정합니다. 추정치는 대략적인 값이며, 실제 사용량이 청구됩니다.

비용에 영향을 미치는 요소:

추정치는 실제 클라우드 학습 실행을 기반으로 하며, 추정치는 항상 사용자가 선택한 GPU를 사용하므로 더 빠른 Ultralytics 인프라로 라우팅된 작업은 예상보다 일찍 완료됩니다.

비용 예시#

결제 흐름#

graph LR
    A[Estimate Cost]:::start --> B[Balance Check]:::decide
    B --> C[Train and Meter GPU Time]:::proc
    C --> D[Settle at Terminal State]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

클라우드 학습 결제 흐름:

1. 추정: 학습 시작 전 비용 계산
2. 잔액 확인: 실행 전 사용 가능한 크레딧 확인
3. Train and Meter: 선택한 컴퓨팅 리소스에서 작업이 실행되며, 실행되는 동안 누적된 GPU 시간이 단계별로 잔액에서 차감됩니다.
4. Settle: 종료 상태에서 남은 잔여 시간이 차감되며, 전체 실행에 대해 단일 Training 트랜잭션이 기록됩니다.

작업 상태별 결제#

몇 시간 동안 활동 보고가 중단된 실행은 자동으로 실패로 표시되며, 인스턴스가 종료되고 경과된 GPU 시간이 정산됩니다. 자신의 하드웨어에서 실행되는 원격 실행은 청구할 내용 없이 간단히 실패로 표시됩니다.

결제 수단#

클라우드 학습 비용은 플랫폼 크레딧 잔액에서 차감됩니다.

학습 비용 확인#

클라우드 작업을 시작하기 전에 학습 대화상자에서 현재 크레딧 잔액을 표시하고, 선택한 모델, 데이터셋, 에포크, 이미지 크기, GPU를 바탕으로 예상 작업 소요 시간과 비용을 보여줍니다. 이 추정치는 참고용이며, 실제 사용량은 소모된 GPU 시간을 기준으로 청구됩니다. 이후 Settings > Billing에서 결과 크레딧 거래 내역을 확인할 수 있습니다.

학습 팁#

적절한 모델 크기 선택#

학습 시간 최적화#

문제 해결#

학습 매개변수 참조#

FAQ#