Treinamento na Nuvem#

O Treinamento na Nuvem da Ultralytics Platform oferece treinamento com um clique em GPUs na nuvem, tornando o treinamento de modelos acessível sem configurações complexas. Treine modelos YOLO com streaming de métricas em tempo real e salvamento automático de checkpoints.

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

Diálogo de Treinamento#

Começa o treino a partir da interface da plataforma clicando em New Model em qualquer página de projeto ou conjunto de dados. A caixa de diálogo de treino tem dois separadores: Cloud Training e Local Training.

Passo 1: Selecionar Modelo Base#

Escolhe um modelo oficial da Ultralytics ou um dos teus modelos concluídos:

O seletor filtra modelos oficiais para tarefas compatíveis com o dataset selecionado. O YOLO26 inclui as variantes Detect, Segment, Semantic, Depth, Classify, Pose e OBB em tamanhos que vão de nano até xlarge.

Passo 2: Selecionar Conjunto de Dados#

Escolha um conjunto de dados para treinar (veja Datasets):

Passo 3: Configurar Parâmetros#

Defina os principais parâmetros de treinamento:

Passo 4: Configurações Avançadas (Opcional)#

Expanda Advanced Settings para acessar o editor de parâmetros baseado em YAML completo com mais de 40 parâmetros de treinamento organizados por grupo (veja referência de configuração):

Os parâmetros reconhecem a tarefa (por exemplo, copy_paste só aparece para tarefas de segmentação, pose/kobj apenas para tarefas de pose). Um distintivo Modified aparece quando os valores diferem dos padrões, e você pode redefinir tudo para os padrões com o botão de reset.

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

Salvar Versão do Dataset (Opcional)#

Ativa a opção Save Dataset Version para vincular o modelo a uma versão imutável de um dataset hospedado na plataforma. A plataforma verifica se o conteúdo do dataset foi alterado, reutiliza uma versão correspondente caso não tenha sido, e cria uma nova versão numerada apenas quando necessário. O treinamento então usa aquele snapshot NDJSON exato e registra seu número de versão e hash de conteúdo no modelo.

Isso preserva os dados usados para a execução, mesmo que você adicione ou remova imagens, edite anotações ou altere as divisões do dataset posteriormente. Você pode encontrar a versão vinculada nas abas Models e Versions do dataset.

Passo 5: Selecionar GPU (Aba Cloud)#

Escolha sua GPU da Ultralytics Cloud:

O diálogo mostra seu saldo atual e um botão Top Up. Um custo e duração estimados são calculados com base na sua configuração (tamanho do modelo, imagens do conjunto de dados, épocas, velocidade da GPU).

Passo 6: Iniciar Treinamento#

Clique em Start Training para iniciar seu trabalho. A Plataforma:

1. Resolve a versão imutável do dataset quando a opção Save Dataset Version está ativada
2. Provisiona uma instância de GPU
3. Faz o download do seu conjunto de dados
4. Inicia o treinamento
5. Transmite métricas em tempo real

Ciclo de Vida do Trabalho de Treinamento#

Os trabalhos de treinamento progridem através dos seguintes status:

Para receber os resultados de tarefas concluídas e falhas sem manter esta página aberta, conecta os Slack alerts.

Monitorar Treinamento#

Veja o progresso do treinamento em tempo real na aba Train da página do modelo:

Sub-aba Charts#

Sub-aba Console#

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

Sub-aba System#

Utilização de GPU, memória, temperatura, CPU e uso de disco em tempo real.

Checkpoints#

Após a conclusão do treinamento, o melhor modelo (best.pt, o checkpoint com o maior mAP) é enviado para a plataforma e disponibilizado para download, exportação e implantação.

Cancelar Treinamento#

Clica em Cancel Training na página do modelo e confirma a ação. Para o treino na nuvem, a plataforma para o trabalho, liberta a respetiva computação e cobra o tempo de GPU decorrido utilizado antes do cancelamento. Para o treino local, o cancelamento sinaliza ao processo para parar no próximo limite de época e preserva os resultados parciais.

Treinamento Remoto#

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

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

pip install -U ultralytics

Configurar Chave de API#

1. Vá para Settings > API Keys
2. Crie uma nova chave (ou a plataforma cria uma automaticamente quando você abre a aba Local Training)
3. Defina a variável de ambiente:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Treinar com Streaming#

Use os parâmetros project e name para transmitir métricas:

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

A aba Local Training na caixa de diálogo de treinamento mostra um comando pré-configurado com sua chave de API, parâmetros selecionados e argumentos avançados incluídos.

Usando conjuntos de dados da plataforma#

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

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

O formato de URI ul:// baixa e configura automaticamente o seu dataset. O modelo é vinculado automaticamente ao dataset na plataforma (veja Using Platform Datasets).

Faturamento#

Os custos de treinamento são baseados no uso de GPU:

Estimativa de Custo#

Antes do início do treinamento, a plataforma estima o custo total através de:

1. Estimativa de segundos por época a partir do tamanho do dataset, complexidade do modelo, tamanho da imagem, tamanho do lote (batch size) e velocidade da GPU
2. Cálculo do tempo total de treinamento multiplicando os segundos por época pelo número de épocas, adicionando então a sobrecarga de inicialização
3. Computação do custo estimado a partir das horas totais de treinamento multiplicadas pela taxa horária da GPU

Fatores que afetam o custo:

Exemplos de Custo#

Fluxo de Faturamento#

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

Fluxo de faturamento de treinamento em nuvem:

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

Faturamento por Status do Trabalho#

Métodos de Pagamento#

O treino na nuvem é pago a partir do teu saldo de crédito da plataforma.

Visualizar Custos de Treinamento#

Antes de iniciares um trabalho na nuvem, a caixa de diálogo de treino mostra o teu saldo de crédito atual e estima a duração e o custo do trabalho a partir do modelo, conjunto de dados, épocas, tamanho de imagem e GPU selecionados. A estimativa é informativa; a utilização real é cobrada pelo tempo de GPU consumido. Depois, revê a transação de crédito resultante em Settings > Billing.

Dicas de Treinamento#

Escolha o Tamanho de Modelo Correto#

Otimizar Tempo de Treinamento#

Solução de Problemas#

FAQ#

Quanto tempo leva o treinamento?#

O tempo de treinamento depende de:

• Tamanho do conjunto de dados
• Tamanho do modelo
• Número de épocas
• GPU selecionada

Tempos típicos (1000 imagens, 100 épocas):

Posso treinar durante a noite?#

Sim. O treino pode ser executado sem supervisão enquanto estiver financiado, e a plataforma regista um evento de conclusão ou falha. Se a contabilização fizer com que o saldo desça abaixo de zero, as execuções de nuvem pagas ativas param e cobram o tempo de GPU já utilizado.

O que acontece se meus créditos acabarem?#

A utilização na nuvem é contabilizada à medida que o treino progride. Se uma cobrança fizer descer o teu saldo abaixo de zero, as execuções de treino na nuvem pagas ativas são paradas e cobradas pelo tempo de GPU já utilizado. Adiciona créditos ou ativa a recarga automática para manter os trabalhos de longa duração financiados.

O que acontece se meu treinamento custar mais do que a estimativa?#

As estimativas de custo são aproximadas — o tempo real de treino pode variar devido a fatores como a velocidade de carregamento de dados, o aquecimento da GPU e o comportamento de convergência do modelo. Se a utilização real esgotar o saldo disponível, a plataforma para as execuções pagas ativas na nuvem assim que o saldo ficar negativo.

Para gerenciar custos:

• Monitore o progresso do treinamento em tempo real e cancele mais cedo se necessário
• Ative o auto top-up para reabastecer créditos automaticamente
• Comece com execuções mais curtas (menos épocas) para calibrar as expectativas

Posso usar argumentos de treinamento personalizados?#

Sim, expanda a seção Advanced Settings no diálogo de treinamento para acessar um editor YAML com mais de 40 parâmetros configuráveis. Valores não padrão são incluídos nos comandos de treinamento na nuvem e local.

O editor YAML também suporta a importação de configurações de execuções de treinamento anteriores:

• Copy from existing model: Na página de qualquer modelo concluído, o cartão de Configuração de Treinamento possui um botão Copy as JSON. Copie o JSON e cole-o diretamente no editor YAML — ele detecta automaticamente o formato JSON e importa todos os parâmetros.
• Paste YAML or JSON: Cole qualquer configuração de treinamento YAML ou JSON válida no editor. Os parâmetros são validados automaticamente, com valores fora do intervalo sendo ajustados e avisos sendo exibidos.
• Drag and drop files: Arraste um arquivo .yaml ou .json diretamente para o editor para importar seus parâmetros.

Isto torna mais fácil reproduzir ou iterar em configurações de treino anteriores sem reintroduzir manualmente cada parâmetro.

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

Sim, o botão New Model nas páginas de conjuntos de dados abre a caixa de diálogo de treino com o conjunto de dados pré-selecionado e bloqueado. Em seguida, selecionas um projeto e um modelo para começar a treinar.

Referência de parâmetros de treinamento#