Treinamento na Nuvem

Ultralytics Platform Cloud Training oferece treinamento com um clique em GPUs em nuvem, tornando o treinamento de modelos acessível sem configurações complexas. Treine modelos YOLO com transmissão de métricas em tempo real e salvamento automático de checkpoints.

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

Diálogo de formação

Comece o treino a partir da interface do utilizador da plataforma clicando em Novo modelo em qualquer página do projeto (ou Treinar a partir de uma página de conjunto de dados). A caixa de diálogo de treino tem duas guias: Treino na nuvem e Treino local.

Passo 1: Selecione o modelo base

Escolha entre os modelos oficiais do YOLO26 ou os seus próprios modelos treinados:

Os modelos oficiais são organizados por tipo de tarefa (Detectar, Segmentar, Posicionar, OBB, Classificar) com tamanhos que variam de nano a extragrande.

Passo 2: Selecione o conjunto de dados

Escolha um conjunto de dados para treinar (consulte Conjuntos de dados):

Passo 3: Configurar os parâmetros

Definir os parâmetros principais do treino:

Passo 4: Configurações avançadas (opcional)

Expanda Configurações avançadas para aceder ao editor de parâmetros completo baseado em YAML com mais de 40 parâmetros de treino organizados por grupo (consulte a referência de configuração):

Os parâmetros são sensíveis à tarefa (por exemplo, copy_paste apenas mostra para segment , pose/kobj apenas para tarefas de pose). A Modificado O ícone aparece quando os valores diferem dos padrões, e você pode redefinir todos para os padrões com o botão Redefinir.

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

Passo 5: Selecione GPU guia Nuvem)

Escolha GPU sua GPU Ultralytics :

A caixa de diálogo mostra o seu saldo atual e um botão Recarregar. O custo e a duração estimados são calculados com base na sua configuração (tamanho do modelo, imagens do conjunto de dados, épocas, GPU ).

Passo 6: Comece o treino

Clique em Iniciar Treinamento para iniciar seu trabalho. A Plataforma:

1. Provisiona uma instância de GPU
2. Baixa seu conjunto de dados
3. Inicia o treinamento
4. Transmite métricas em tempo real

Ciclo de vida da formação profissional

Os trabalhos de formação passam pelos seguintes estados:

Monitorar Treinamento

Veja o progresso do treino em tempo real no separador Treinar da página do modelo:

Subguia Gráficos

Subguia Console

Saída do console ao vivo com suporte a cores ANSI, barras de progresso e detecção de erros.

Subguia Sistema

GPU em tempo real, memória, temperatura, CPU e utilização do disco.

Pontos de Controlo

Os checkpoints são salvos automaticamente:

• A cada época: Pesos mais recentes salvos
• Melhor modelo: Checkpoint com o maior mAP preservado
• Modelo final: Pesos ao término do treinamento

Cancelar Treinamento

Clique em Cancelar Treinamento na página do modelo para interromper um trabalho em execução:

• A instância de computação foi encerrada
• Os créditos param de ser cobrados
• Os pontos de verificação guardados até esse momento são preservados

Treinamento Remoto

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

Treine no seu próprio hardware enquanto transmite métricas para a plataforma.

pip install -U ultralytics

Configurar Chave API

1. Ir para Settings > Profile (Secção Chaves API)
2. Crie uma nova chave (ou a plataforma cria uma automaticamente quando abre o separador Formação local)
3. Defina a variável de ambiente:

export ULTRALYTICS_API_KEY="your_api_key"

Treinar com Streaming

Use o comando project e name parâmetros para transmitir métricas:

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",
)

A guia Treinamento local na caixa de diálogo de treinamento mostra um comando pré-configurado com a sua chave API, parâmetros selecionados e argumentos avançados incluídos.

Utilizar Conjuntos de Dados da Plataforma

Treine com conjuntos de dados armazenados na plataforma usando o ul:// formato URI:

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",
)

O ul:// O formato URI descarrega e configura automaticamente o seu conjunto de dados. O modelo é automaticamente ligado ao conjunto de dados na plataforma (ver Utilizar Conjuntos de Dados da Plataforma).

Faturamento

Os custos de treinamento são baseados no uso da GPU:

Estimativa de custos

Antes do início do treinamento, a plataforma estima o custo total da seguinte forma:

1. Estimativa de segundos por época a partir do tamanho do conjunto de dados, complexidade do modelo, tamanho da imagem, tamanho do lote e GPU
2. Calcular o tempo total de treino multiplicando os segundos por época pelo número de épocas e, em seguida, adicionando a sobrecarga de inicialização
3. Calcular o custo estimado a partir do total de horas de formação multiplicado pela tarifa horária GPU

Fatores que afetam o custo:

Exemplos de custos

Fluxo de faturação

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

Fluxo de faturamento do treinamento em nuvem:

1. Estimativa: Custo calculado antes do início da formação
2. Verificação do saldo: os créditos disponíveis são verificados antes do lançamento
3. Treinar: O trabalho é executado na computação selecionada
4. Custo: O custo final é baseado no tempo de execução real

Métodos de Pagamento

Ver Custos de Treino

Após o treinamento, visualize os custos detalhados na aba Faturamento:

• Detalhamento de custo por época
• Tempo total de GPU
• Baixar relatório de custos

Dicas de Treino

Escolher o Tamanho Certo do Modelo

Otimizar Tempo de Treino

Resolução de Problemas

FAQ

Quanto tempo leva o treinamento?

O tempo de treinamento depende de:

• Tamanho do dataset
• Tamanho do modelo
• Número de épocas
• GPU selecionada

Tempos típicos (1000 imagens, 100 épocas):

Posso treinar durante a noite?

Sim, o treinamento continua até a conclusão. Você receberá uma notificação quando o treinamento terminar. Certifique-se de que sua conta tenha saldo suficiente para o treinamento baseado em épocas.

O que acontece se eu ficar sem créditos?

O treinamento pausa no final da época atual. Seu checkpoint é salvo, e você pode retomar após adicionar créditos.

Posso usar argumentos de treino personalizados?

Sim, expanda a secção Configurações avançadas na caixa de diálogo de treino para aceder a um editor YAML com mais de 40 parâmetros configuráveis. Os valores não padrão estão incluídos nos comandos de treino na nuvem e locais.

Posso treinar a partir de uma página de conjunto de dados?

Sim, o botão Treinar nas páginas do conjunto de dados abre a caixa de diálogo de treino com o conjunto de dados pré-selecionado e bloqueado. Em seguida, selecione um projeto e um modelo para iniciar o treino.

Referência de Parâmetros de Treinamento

📅 Criado há 1 mês ✏️ Atualizado há 5 dias

Comentários