클라우드 학습#

Ultralytics Platform 클라우드 학습은 클라우드 GPU에서 원클릭 학습을 제공하여 복잡한 설정 없이도 모델을 학습할 수 있도록 합니다. 실시간 메트릭 스트리밍과 자동 체크포인트 저장을 사용하여 YOLO 모델을 학습합니다.

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#

프로젝트 또는 데이터셋 페이지에서 New Model을 클릭하여 Platform UI에서 학습을 시작합니다. 학습 대화 상자에는 Cloud Training과 Local Training이라는 두 개의 탭이 있습니다. 선택한 데이터셋이 On Premise 호스트에 있는 경우 첫 번째 탭은 On Premise가 되고 Local Training 탭은 숨겨집니다. 해당 데이터셋은 자체 호스트에서만 학습할 수 있으며, 이를 위해서는 Enterprise 플랜과 연결된 온라인 worker가 필요합니다.

이 대화상자는 현재 브라우저의 데이터셋 태스크 및 워크스페이스별로, 마지막으로 닫을 때 유지했던 베이스 모델 및 기본값이 아닌 파라미터를 기억하며, 다음에 해당 태스크를 위해 대화상자를 열 때 이를 복원합니다. GPU 선택은 기억되지 않으며, 실패한 실행에 대한 Retry(다시 시도)는 해당 실행 자체의 인수를 복원합니다.

1단계: 기본 모델 선택#

공식 Ultralytics 모델 또는 직접 완성한 모델 중 하나를 선택합니다:

각 탭에서 모델은 표준 작업 순서에 따라 그룹화되고 크기별로 정렬됩니다. 선택기는 선택한 데이터셋과 호환되는 작업으로 공식 모델을 필터링합니다. YOLO26에는 nano부터 xlarge까지의 크기로 Detect, Segment, Semantic, Depth, Classify, Pose 및 OBB 변형이 포함됩니다.

2단계: 데이터셋 선택#

학습할 데이터셋을 선택합니다(Datasets 참조):

3단계: 파라미터 구성#

핵심 학습 파라미터를 설정합니다:

파라미터 범위를 벗어나 입력한 값은 필드의 포커스를 잃을 때 범위 내 값으로 조정됩니다.

4단계: 고급 설정(선택 사항)#

Advanced Settings를 펼치면 그룹별로 구성된 50개 이상의 학습 파라미터가 포함된 전체 YAML 기반 파라미터 편집기에 액세스할 수 있습니다(configuration reference 참조):

파라미터는 작업을 인식합니다(예: copy_paste은 segment 작업에만 표시되고, pose/kobj는 pose 작업에만, dropout은 classify 작업에만 표시됩니다). 기본값과 다른 값이 있으면 Modified 배지가 표시되며, 재설정 버튼으로 모든 값을 기본값으로 되돌릴 수 있습니다. 기본값이 아닌 고급 값만 학습 작업으로 전송되고(기본 epochs, batch 및 이미지 크기 파라미터는 항상 포함됨), 따라서 결과 명령을 읽기 쉽게 유지할 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

데이터셋 버전 저장(선택 사항)#

Save Dataset Version을 활성화하면 모델을 Platform에서 호스팅하는 데이터셋의 변경 불가능한 버전에 연결할 수 있습니다. Platform은 데이터셋 콘텐츠가 변경되었는지 확인하고, 변경되지 않은 경우 일치하는 버전을 재사용하며, 필요한 경우에만 새 번호가 지정된 버전을 생성합니다. 그러면 학습은 해당 NDJSON 스냅샷을 정확히 사용하고 모델에 버전 번호와 콘텐츠 해시를 기록합니다.

이렇게 하면 나중에 이미지를 추가 또는 제거하거나, annotation을 편집하거나, 데이터셋 split을 변경하더라도 해당 실행에 사용된 데이터가 보존됩니다. 데이터셋의 Models 및 Versions 탭에서 연결된 버전을 확인할 수 있습니다.

5단계: GPU 선택(Cloud 탭)#

Ultralytics Cloud에서 GPU를 선택합니다:

대화 상자에는 현재 balance와 Top Up 버튼이 표시됩니다. 비용 카드에는 구성(모델 크기, 데이터셋 이미지 수, epochs, 이미지 크기, batch size, optimizer 및 GPU 속도)에 따른 총 소요 시간과 가격이 추정되며, epoch당 예상 초와 데이터셋 이미지 수도 표시됩니다.

6단계: 학습 시작#

Start Training을 클릭하여 작업을 시작합니다. Platform은 다음을 수행합니다:

1. Save Dataset Version이 활성화된 경우 변경 불가능한 데이터셋 버전을 확인합니다.
2. GPU 인스턴스를 프로비저닝합니다.
3. 데이터셋을 다운로드합니다.
4. 학습을 시작합니다.
5. 메트릭을 실시간으로 스트리밍합니다.

기존 모델을 재학습하면 동일한 모델 페이지를 재사용하며, 새 작업이 생성되면 이전 실행의 차트, 콘솔 출력, 시스템 메트릭 및 오류 상태가 삭제됩니다. 컴퓨팅 리소스가 프로비저닝되기 전에 실패한 실행은 이전 결과를 변경하지 않습니다.

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 전체 콘솔 로그 보기 및 학습 재시도 작업과 함께 표시됩니다. 몇 시간 동안 활동 보고가 중단된 실행은 자동으로 실패로 표시되며 컴퓨팅 리소스가 해제됩니다.

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

학습 모니터링#

모델 페이지의 Train 탭에서 실시간 학습 진행률을 확인합니다.

차트 하위 탭#

차트는 메트릭 종류별로 그룹화되며, 표시되는 그룹은 실행에서 보고하는 내용에 따라 달라집니다.

각 그룹은 축소할 수 있고, 그룹 메뉴에서 개별 차트를 숨기거나 표시할 수 있으며, 차트를 드래그하고 크기를 조정할 수 있습니다. 레이아웃은 다음 사용을 위해 기억됩니다.

콘솔 하위 탭#

ANSI 색상, 진행률 표시줄 및 치명적 오류 감지를 지원하는 실시간 콘솔 출력입니다. 마지막 2000줄이 유지되며, 타임스탬프를 켤 수 있고 전체 로그를 일반 텍스트로 복사할 수 있습니다.

시스템 하위 탭#

실시간 호스트 카드(hostname, CPU, GPU, RAM 및 디스크 총 용량)와 함께 CPU 및 RAM 사용량, GPU 사용률 및 메모리, GPU 온도, 네트워크 I/O, 디스크 I/O에 대한 epoch별 차트가 표시됩니다.

체크포인트#

최적 체크포인트(best.pt)는 학습 중 주기적으로 Platform에 업로드되고 실행이 종료될 때 다시 업로드되므로, 다운로드, export 및 deployment에는 지금까지 생성된 epoch 중 가장 좋은 결과가 항상 사용됩니다. 실행이 취소되면 취소 전에 업로드된 체크포인트가 유지됩니다.

학습 취소#

모델 페이지의 Run Information 카드에서 Cancel을 클릭하고 작업을 확인합니다. 클라우드 학습의 경우 Platform이 작업을 중지하고 컴퓨팅 리소스를 해제하며, 취소 전에 사용한 경과 GPU 시간에 대해 요금을 청구합니다. 로컬 학습의 경우 취소 신호가 다음 epoch 경계에서 프로세스를 중지하도록 전달되고 부분 결과가 보존됩니다. 실행을 종료하기 전에 생성된 결과가 업로드됩니다.

원격 학습#

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 Platform으로 스트리밍합니다.

pip install -U ultralytics

API 키 설정#

1. Settings > API Keys으로 이동합니다.
2. 새 키를 생성합니다(또는 Local Training 탭을 열면 Platform에서 자동으로 키를 생성합니다).
3. 환경 변수를 설정합니다.

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

스트리밍으로 학습#

project 및 name 매개변수를 사용하여 메트릭을 스트리밍합니다.

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

학습 대화 상자의 Local Training 탭에는 API 키, 선택한 매개변수 및 고급 인수가 포함된 사전 구성된 명령이 표시됩니다.

Platform 데이터셋 사용#

다음 ul:// URI 형식을 사용하여 Platform에 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 Platform의 데이터셋에 자동으로 연결됩니다(Platform 데이터셋 사용 참조).

청구#

학습 비용은 GPU 사용량을 기준으로 합니다.

비용 추정#

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

비용에 영향을 미치는 요인:

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

비용 예시#

청구 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 청구 흐름:

1. 추정: 학습 시작 전에 비용을 계산합니다.
2. 잔액 확인: 시작 전에 사용 가능한 크레딧을 확인합니다.
3. 학습 및 측정: 작업은 선택한 컴퓨팅 리소스에서 실행되며, 실행 중 누적된 GPU 시간이 잔액에서 단계적으로 차감됩니다.
4. 정산: 종료 상태가 되면 남은 시간이 차감되고 전체 실행에 대해 단일 Training 거래가 기록됩니다.

작업 상태별 청구#

몇 시간 동안 활동 보고가 중단된 실행은 자동으로 실패로 표시되고, 인스턴스가 종료되며 경과된 GPU 시간이 정산됩니다. 자체 하드웨어에서 실행되는 원격 실행은 청구 없이 단순히 실패로 표시됩니다.

결제 방법#

클라우드 학습 비용은 Platform 크레딧 잔액에서 결제됩니다.

학습 비용 보기#

클라우드 작업을 시작하기 전에 학습 대화 상자에 현재 크레딧 잔액과 선택한 모델, 데이터셋, epoch 수, 이미지 크기 및 GPU를 기준으로 한 작업 기간과 비용의 추정치가 표시됩니다. 추정치는 참고용이며 실제 사용량에 따라 소비한 GPU 시간에 대한 요금이 청구됩니다. 이후 Settings > Billing에서 생성된 크레딧 거래를 확인하십시오.

학습 팁#

적절한 모델 크기 선택#

학습 시간 최적화#

문제 해결#

학습 매개변수 참조#

FAQ#