클라우드 학습#

Ultralytics Platform 클라우드 학습은 클라우드 GPU에서 클릭 한 번으로 모델 학습을 수행할 수 있도록 하여, 복잡한 설정 없이도 모델 학습을 쉽게 만듭니다. 실시간 메트릭 스트리밍 및 자동 체크포인트 저장 기능을 사용하여 YOLO 모델을 학습하십시오.

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#

모든 프로젝트 또는 데이터셋 페이지에서 New Model을 클릭하여 플랫폼 UI에서 학습을 시작하세요. 학습 대화상자에는 Cloud Training과 Local Training의 두 가지 탭이 있습니다.

1단계: 기본 모델 선택#

공식 Ultralytics 모델 또는 완료된 사용자 모델 중 하나를 선택하세요:

선택기는 선택한 데이터셋과 호환되는 태스크에 맞추어 공식 모델을 필터링합니다. YOLO26은 nano부터 xlarge까지의 크기로 Detect, Segment, Semantic, Depth, Classify, Pose, OBB 변형을 포함합니다.

2단계: 데이터셋 선택#

학습할 데이터셋을 선택하십시오 (데이터셋 참조):

3단계: 매개변수 구성#

핵심 학습 매개변수를 설정하십시오:

4단계: 고급 설정 (선택 사항)#

고급 설정을 확장하여 그룹별로 정리된 40개 이상의 학습 매개변수가 포함된 전체 YAML 기반 매개변수 에디터에 액세스하십시오 (구성 참조 참조):

매개변수는 작업별로 최적화되어 있습니다(예: copy_paste는 세그먼트 작업에만 표시되고, pose/kobj는 포즈 작업에만 표시됨). 기본값과 다른 값이 있으면 수정됨(Modified) 배지가 나타나며, 재설정 버튼을 눌러 모든 값을 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

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:

대화 상자에 현재 잔액과 충전 버튼이 표시됩니다. 구성(모델 크기, 데이터셋 이미지, 에포크, GPU 속도)에 따라 예상 비용과 소요 시간이 계산됩니다.

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

학습 작업 수명 주기#

학습 작업은 다음 상태를 거쳐 진행됩니다:

이 페이지를 계속 열어두지 않고도 완료 및 실패 결과를 받아보려면 Slack alerts를 연결하십시오.

학습 모니터링#

모델 페이지의 학습 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 모델(best.pt, 가장 높은 mAP 체크포인트)이 플랫폼에 업로드되며 다운로드, 내보내기 및 배포가 가능해집니다.

학습 취소#

모델 페이지에서 Cancel Training을 클릭하고 작업을 확인하세요. 클라우드 학습의 경우 플랫폼에서 작업을 중지하고, 연산 리소스를 해제하며, 취소 전에 사용된 경과 GPU 시간에 대해 과금합니다. 로컬 학습의 경우 취소 시 다음 에포크 경계에서 프로세스를 중지하도록 신호를 보내고 부분 결과를 보존합니다.

원격 학습(Remote Training)#

graph LR
    A[Local GPU]:::start --> B[Train]:::proc
    B --> C[ultralytics Package]:::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 이동하십시오.
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#

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 명령이 표시됩니다.

플랫폼 데이터셋 사용#

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

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 데이터셋에 자동으로 연결됩니다(참조: 플랫폼 데이터셋 사용).

결제(Billing)#

학습 비용은 GPU 사용량을 기준으로 합니다:

비용 추정#

학습 시작 전, 플랫폼은 다음을 통해 총비용을 추정합니다:

1. 에포크당 초 수 추정: 데이터셋 크기, 모델 복잡도, 이미지 크기, 배치 크기 및 GPU 속도를 기반으로 계산
2. 총 학습 시간 계산: 에포크당 초 수에 에포크 수를 곱한 뒤 시작 오버헤드를 추가
3. 추정 비용 산출: 총 학습 시간에 GPU 시간당 요금을 곱하여 계산

비용에 영향을 미치는 요소:

비용 예시#

결제 흐름#

graph LR
    A[Estimate Cost]:::start --> B[Balance Check]:::decide
    B --> C[Train]:::proc
    C --> D[Charge Actual Runtime]:::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. 학습: 선택한 컴퓨팅 환경에서 작업 실행
4. 과금: 실제 런타임을 기준으로 최종 비용 계산

작업 상태별 결제#

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#

FAQ#

학습에 얼마나 걸리나요?#

학습 시간은 다음에 따라 달라집니다:

• 데이터셋 크기
• 모델 크기
• 에포크 수
• 선택된 GPU

일반적인 소요 시간 (1000개 이미지, 100 에포크):

야간에 학습을 진행할 수 있습니까?#

예. 자금이 유지되는 동안 학습은 무인으로 실행될 수 있으며, 플랫폼은 완료 또는 실패 이벤트를 기록합니다. 미터링으로 인해 잔액이 0 미만으로 떨어지면 활성화된 유료 클라우드 실행이 중지되고 이미 사용된 GPU 시간에 대해 정산됩니다.

크레딧이 부족하면 어떻게 됩니까?#

클라우드 사용량은 학습 진행에 따라 측정됩니다. 과금으로 인해 잔액이 0 미만으로 떨어지면, 활성화된 유료 클라우드 학습 실행이 중지되고 이미 사용된 GPU 시간에 대해 정산됩니다. 장기 실행 작업을 유지하려면 크레딧을 추가하거나 자동 충전(auto top-up)을 활성화하세요.

학습 비용이 추정치보다 많이 나오면 어떻게 됩니까?#

비용 추정치는 대략적인 값이며, 데이터 로딩 속도, GPU 웜업, 모델 수렴 동작 등의 요인에 따라 실제 학습 시간이 달라질 수 있습니다. 실제 사용량이 사용 가능한 잔액을 모두 소모하면, 플랫폼은 잔액이 음수가 된 후 활성화된 유료 클라우드 실행을 중지합니다.

비용을 관리하려면:

• 학습 진행 상황을 실시간으로 모니터링하고 필요시 조기에 취소하십시오
• 자동 충전을 활성화하여 크레딧을 자동으로 충전하십시오
• 기대를 조정하기 위해 더 짧은 실행(더 적은 에포크)으로 시작하십시오

사용자 지정 학습 인수를 사용할 수 있습니까?#

네, 학습 대화 상자에서 고급 설정 섹션을 확장하여 40개 이상의 구성 가능한 매개변수가 있는 YAML 편집기에 액세스하십시오. 기본값이 아닌 값은 클라우드 및 로컬 학습 명령 모두에 포함됩니다.

YAML 편집기는 이전 학습 실행에서 구성 가져오기도 지원합니다:

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

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

데이터셋 페이지에서 학습을 시작할 수 있습니까?#

예, 데이터셋 페이지의 New Model 버튼을 클릭하면 데이터셋이 미리 선택되고 고정된 상태로 학습 대화상자가 열립니다. 그 후 프로젝트와 모델을 선택하여 학습을 시작할 수 있습니다.

학습 매개변수 참조#