클라우드 트레이닝

Ultralytics Platform 클라우드 학습은 클라우드 GPU에서 원클릭 학습을 제공하여 복잡한 설정 없이 모델 학습에 접근 가능하게 합니다. 실시간 메트릭 스트리밍 및 자동 체크포인트 저장 기능을 통해 YOLO 모델을 학습시키세요.

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

훈련 대화

플랫폼 UI에서 훈련을 시작하려면 프로젝트 페이지(또는 데이터셋 페이지에서 훈련 )에서 새 모델을 클릭하세요. 훈련 대화 상자에는 클라우드 훈련과 로컬 훈련이라는 두 개의 탭이 있습니다.

1단계: 기본 모델 선택

공식 YOLO26 모델 또는 직접 훈련한 모델 중에서 선택하세요:

공식 모델은 작업 유형(검출, 분할, 포즈, OBB, 분류)별로 구성되며, 크기는 nano부터 xlarge까지 다양합니다.

2단계: 데이터셋 선택

훈련할 데이터셋을 선택하세요 ( 데이터셋 참조):

3단계: 매개변수 구성

핵심 훈련 매개변수 설정:

단계 4: 고급 설정 (선택 사항)

고급 설정을 확장하여 그룹별로 분류된 40개 이상의 훈련 매개변수를 포함한 전체 YAML 기반 매개변수 편집기에 접근하세요( 구성 참조 참조):

매개변수는 작업 인식형입니다(예: copy_paste segment 대해서만 표시됩니다. pose/kobj (포즈 작업 전용). A 수정됨 값이 기본값과 다를 때 배지가 표시되며, 리셋 버튼으로 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

5단계: GPU 선택 GPU 클라우드 탭)

Ultralytics GPU 를 선택하세요:

대화 상자에는 현재 잔액 과 충전 버튼이 표시됩니다. 예상 비용과 소요 시간은 설정된 구성(모델 크기, 데이터셋 이미지 수, 에포크 수, GPU )을 기반으로 계산됩니다.

6단계: 훈련 시작

훈련 시작을 클릭하여 작업을 시작하세요. 플랫폼은 다음과 같습니다:

1. GPU 인스턴스를 프로비저닝합니다.
2. 데이터셋을 다운로드합니다.
3. 훈련을 시작합니다.
4. 메트릭을 실시간으로 스트리밍합니다.

교육 직무 수명 주기

훈련 작업은 다음 상태를 거쳐 진행됩니다:

훈련 모니터링

모델 페이지의 '훈련' 탭에서 실시간 훈련 진행 상황을 확인하세요:

차트 하위 탭

콘솔 하위 탭

ANSI 색상 지원, 진행률 표시줄 및 오류 감지 기능을 갖춘 실시간 콘솔 출력.

시스템 하위 탭

실시간 GPU , 메모리, 온도, CPU 및 디스크 사용량.

체크포인트

체크포인트는 자동으로 저장됩니다:

• 모든 에포크: 최신 가중치 저장
• 최고 모델: 가장 높은 mAP 체크포인트 보존
• 최종 모델: 훈련 완료 시점의 가중치

학습 취소

모델 페이지에서 '훈련 취소'를 클릭하여 실행 중인 작업을 중지하십시오:

• 컴퓨팅 인스턴스가 종료되었습니다.
• 크레딧 청구가 중단됩니다
• 그 시점까지 저장된 체크포인트는 보존됩니다

원격 훈련

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 훈련하면서 플랫폼으로 메트릭을 스트리밍하세요.

pip install -U ultralytics

API 키 설정

1. 가다 Settings > Profile (API 키 섹션)
2. 새 키 생성(또는 로컬 훈련 탭을 열면 플랫폼이 자동으로 생성함)
3. 환경 변수 설정:

export ULTRALYTICS_API_KEY="your_api_key"

스트리밍으로 학습

다음을 사용하여 project 및 name 메트릭 스트리밍 매개변수:

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

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="coco.yaml",
    epochs=100,
    project="username/my-project",
    name="experiment-1",
)

훈련 대화 상자의 '로컬 훈련' 탭에는 API 키, 선택된 매개변수 및 고급 인수가 포함된 사전 구성된 명령이 표시됩니다.

플랫폼 데이터셋 사용

플랫폼에 저장된 데이터셋을 사용하여 ul:// URI 형식:

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

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="ul://username/datasets/my-dataset",
    epochs=100,
    project="username/my-project",
    name="exp1",
)

에 지정되어 있습니다. ul:// URI 형식은 데이터셋을 자동으로 다운로드하고 구성합니다. 모델은 플랫폼에서 데이터셋에 자동으로 연결됩니다(자세한 내용은 참조). 플랫폼 데이터셋 사용)입니다.

결제

훈련 비용은 GPU 사용량에 따라 달라집니다:

비용 추정

훈련 시작 전에 플랫폼은 다음을 통해 총 비용을 추정합니다:

1. 데이터셋 크기, 모델 복잡도, 이미지 크기, 배치 크기 및 GPU 기반으로 에포크당 소요 시간(초) 추정
2. 에포크당 초 수에 에포크 수를 곱한 후 시작 오버헤드를 더하여 총 훈련 시간을 계산합니다.
3. 총 훈련 시간에 GPU 시간당 요금을 곱하여 예상 비용을 계산합니다.

비용에 영향을 미치는 요소:

비용 예시

청구 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 교육 청구 절차:

1. 추정: 교육 시작 전 계산된 비용
2. 잔액 확인: 실행 전에 사용 가능한 크레딧을 확인합니다
3. 트레인: 작업이 선택된 컴퓨팅 리소스에서 실행됩니다
4. 요금: 최종 비용은 실제 사용 시간에 따라 결정됩니다

결제 방법

학습 비용 보기

학습 후 청구 탭에서 상세 비용을 확인할 수 있습니다:

• 에포크별 비용 분석
• 총 GPU 사용 시간
• 비용 보고서 다운로드

학습 팁

올바른 모델 크기 선택

학습 시간 최적화

문제 해결

FAQ

학습은 얼마나 걸리나요?

학습 시간은 다음 요소에 따라 달라집니다:

• 데이터셋 크기
• 모델 크기
• 에포크 수
• 선택된 GPU

일반적인 시간 (이미지 1000개, 100 에포크):

밤새 학습할 수 있나요?

예, 훈련은 완료될 때까지 계속됩니다. 훈련이 완료되면 알림을 받게 됩니다. 에포크 기반 훈련을 위해 계정에 충분한 잔액이 있는지 확인하세요.

크레딧이 부족하면 어떻게 되나요?

훈련은 현재 에포크가 끝날 때 일시 중지됩니다. 체크포인트가 저장되며, 크레딧을 추가한 후 다시 시작할 수 있습니다.

사용자 지정 학습 인수를 사용할 수 있나요?

예, 훈련 대화 상자의 고급 설정 섹션을 확장하면 40개 이상의 구성 가능한 매개변수를 지원하는 YAML 편집기에 접근할 수 있습니다. 비기본값은 클라우드 및 로컬 훈련 명령어 모두에 포함됩니다.

데이터셋 페이지에서 훈련할 수 있나요?

예, 데이터셋 페이지의 '훈련' 버튼을 누르면 데이터셋이 미리 선택되고 잠긴 상태로 훈련 대화 상자가 열립니다. 이후 프로젝트와 모델을 선택하여 훈련을 시작할 수 있습니다.

학습 파라미터 참조

5; 1 전에 생성됨 ✏️ 5 전에 업데이트됨

댓글