Formação na cloud#

A formação na cloud da Ultralytics Platform oferece formação com um único clique em GPUs cloud, tornando a formação de modelos acessível sem configurações complexas. Forma modelos YOLO com transmissão de métricas em tempo real e gravação automática 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 formação#

Começa a formação a partir da interface da plataforma clicando em New Model em qualquer página de projeto ou conjunto de dados. O diálogo de formação tem dois separadores: Cloud Training e Local Training. Quando o conjunto de dados selecionado está num anfitrião On Premise, o primeiro separador passa a chamar-se On Premise e o separador Local Training fica oculto — esse conjunto de dados só pode ser treinado no próprio anfitrião, o que requer um plano Enterprise e um worker ligado e online.

A caixa de diálogo lembra o modelo base e quaisquer parâmetros não padrão que ela continha quando a fechaste pela última vez, por tarefa de conjunto de dados e espaço de trabalho no navegador atual, e os restaura da próxima vez que a abrires para essa tarefa. A seleção de GPU não é lembrada, e Retry (Tentar novamente) em uma execução com falha restaura os argumentos próprios dessa execução.

Passo 1: Selecionar o modelo base#

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

Em cada separador, os modelos são agrupados por tarefa na ordem canónica e ordenados por tamanho. O seletor filtra os modelos oficiais para mostrar as tarefas compatíveis com o conjunto de dados selecionado. O YOLO26 inclui variantes Detect, Segment, Semantic, Depth, Classify, Pose e OBB, em tamanhos de nano a xlarge.

Passo 2: Selecionar o conjunto de dados#

Escolhe um conjunto de dados para treinar (consulta Conjuntos de dados):

Passo 3: Configurar parâmetros#

Define os parâmetros principais da formação:

Os valores introduzidos fora do intervalo de um parâmetro são limitados quando o campo perde o foco.

Passo 4: Definições avançadas (opcional)#

Expande Advanced Settings para acederes ao editor completo de parâmetros baseado em YAML, com mais de 50 parâmetros de formação organizados por grupo (consulta a referência de configuração):

Os parâmetros têm em conta a tarefa (por exemplo, copy_paste só é apresentado para tarefas de segmentação, pose/kobj apenas para tarefas de pose e dropout apenas para classificação). É apresentada uma etiqueta Modified quando os valores diferem das predefinições, e podes repor todos os valores com o botão de reposição. Só os valores avançados não predefinidos são enviados para o trabalho de formação (os parâmetros básicos de épocas, batch e tamanho da imagem são sempre incluídos), para manter o comando resultante legível.

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

Guardar a versão do conjunto de dados (opcional)#

Ativa Save Dataset Version para associar o modelo a uma versão imutável de um conjunto de dados alojado na Platform. A Platform verifica se o conteúdo do conjunto de dados mudou, reutiliza uma versão correspondente quando não mudou e cria uma nova versão numerada apenas quando necessário. A formação utiliza então esse snapshot NDJSON exato e regista o número da versão e o hash do conteúdo no modelo.

Isto preserva os dados utilizados na execução, mesmo que mais tarde adiciones ou removas imagens, edites anotações ou alteres as divisões do conjunto de dados. Podes encontrar a versão associada nos separadores Models e Versions do conjunto de dados.

Passo 5: Selecionar a GPU (separador Cloud)#

Escolhe a tua GPU na Ultralytics Cloud:

O diálogo apresenta o teu saldo atual e um botão Top Up. O cartão de custo estima a duração total e o preço da tua configuração (tamanho do modelo, imagens do conjunto de dados, épocas, tamanho da imagem, tamanho do batch, otimizador e velocidade da GPU) e também indica os segundos estimados por época e o número de imagens do conjunto de dados.

Passo 6: Iniciar a formação#

Clica em Start Training para iniciar o teu trabalho. A Platform:

1. Resolve a versão imutável do conjunto de dados quando Save Dataset Version está ativado
2. Disponibiliza uma instância de GPU
3. Transfere o teu conjunto de dados
4. Inicia a formação
5. Transmite métricas em tempo real

Ao voltar a treinar um modelo existente, a mesma página do modelo é reutilizada e os gráficos, a saída da consola, as métricas do sistema e o estado de erro da execução anterior são limpos assim que o novo trabalho é criado. Uma execução que falhe antes de os recursos computacionais serem disponibilizados mantém os resultados anteriores intactos.

Ciclo de vida do trabalho de formação#

Os trabalhos de formação avançam pelos seguintes estados:

Um erro fatal de Python no fluxo da consola — um traceback, um erro de memória insuficiente do CUDA ou uma falha na inicialização do CUDA — termina a execução imediatamente, em vez de aguardar um tempo limite, e a mensagem extraída aparece num banner de erro na página do modelo com as ações Ver registos completos da consola e Tentar o treinamento novamente. As execuções que deixam de comunicar atividade durante várias horas são automaticamente marcadas como falhadas e os respetivos recursos computacionais são libertados.

Para receber os resultados concluídos e falhados sem manter esta página aberta, liga os alertas do Slack.

Monitorizar o Treino#

Consulta o progresso do treinamento em tempo real no separador Treinar da página do modelo:

Subseparador Gráficos#

Os gráficos são agrupados por família de métricas, e os grupos apresentados dependem do que a execução comunica:

Cada grupo pode ser recolhido, os gráficos individuais podem ser ocultados ou apresentados a partir do menu do grupo, e os gráficos podem ser arrastados e redimensionados — o esquema é memorizado para a próxima vez.

Subseparador Consola#

Saída da consola em tempo real com suporte para cores ANSI, barras de progresso e deteção de erros fatais. As últimas 2000 linhas são mantidas, os carimbos de data/hora podem ser ativados e todo o registo pode ser copiado como texto simples.

Subseparador Sistema#

Um cartão do anfitrião em tempo real (nome do anfitrião, CPU, GPU, RAM e totais do disco), além de gráficos por época da utilização de CPU e RAM, utilização e memória da GPU, temperatura da GPU, E/S de rede e E/S de disco.

Pontos de verificação#

O melhor ponto de verificação (best.pt) é carregado periodicamente para a Platform durante o treinamento e novamente quando a execução termina, para que a transferência, a exportação e a implementação utilizem sempre a melhor época produzida até ao momento. Se a execução for cancelada, o ponto de verificação carregado antes do cancelamento é mantido.

Cancelar o Treino#

Clica em Cancelar no cartão Informações da execução, na página do modelo, e confirma a ação. No treinamento na cloud, a Platform interrompe o trabalho, liberta os recursos computacionais e cobra o tempo de GPU decorrido utilizado antes do cancelamento. No treinamento local, os sinais de cancelamento indicam ao processo que deve parar no limite da época seguinte e preservam os resultados parciais — a execução carrega o que tem antes de sair.

Treinamento remoto#

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

Treina no teu próprio hardware enquanto transmites métricas para a plataforma.

pip install -U ultralytics

Configurar chave da API#

1. Acede a Settings > API Keys
2. Cria uma nova chave (ou a plataforma cria uma automaticamente quando abres o separador Treinamento local)
3. Define a variável de ambiente:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Treinar com transmissão#

Utiliza 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

O separador Treinamento local na caixa de diálogo de treinamento mostra um comando pré-configurado com a tua chave da API, os parâmetros selecionados e os argumentos avançados incluídos.

Utilizar conjuntos de dados da Platform#

Treina com conjuntos de dados armazenados na plataforma utilizando o formato URI ul://:

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

O formato URI ul:// descarrega e configura automaticamente o teu conjunto de dados. O modelo é automaticamente associado ao conjunto de dados na plataforma (consulta Utilizar conjuntos de dados da Platform).

Faturação#

Os custos de treinamento baseiam-se na utilização da GPU:

Estimativa de custos#

Antes de o treinamento começar, a plataforma estima a duração e o custo totais com base no tamanho do teu conjunto de dados, no tamanho do modelo, no tamanho da imagem, no tamanho do lote, no número de épocas e na GPU selecionada. As estimativas são aproximadas; o que é faturado é a utilização real.

Fatores que afetam o custo:

As estimativas baseiam-se em execuções reais de treinamento na cloud, e a estimativa utiliza sempre a GPU que selecionaste — por isso, um trabalho encaminhado para uma infraestrutura Ultralytics mais rápida termina antes da estimativa.

Exemplos de custos#

Fluxo de faturação#

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

Fluxo de faturação do treinamento na cloud:

1. Estimativa: custo calculado antes de o treinamento começar
2. Verificação do saldo: os créditos disponíveis são verificados antes do arranque
3. Treinamento e medição: o trabalho é executado no recurso computacional selecionado e o tempo de GPU acumulado é debitado do teu saldo em parcelas enquanto é executado
4. Acerto: no estado terminal, o restante é debitado e é registada uma única transação de Treinamento para toda a execução

Faturação por estado do trabalho#

Uma execução que deixa de comunicar atividade durante várias horas é automaticamente marcada como falhada; a instância é terminada e o tempo de GPU decorrido é acertado. As execuções remotas no teu próprio hardware são simplesmente marcadas como falhadas, sem qualquer cobrança.

Métodos de pagamento#

O treinamento na cloud é pago a partir do teu saldo de créditos da Platform.

Consultar custos de treinamento#

Antes de iniciares um trabalho na cloud, a caixa de diálogo de treinamento mostra o teu saldo atual de créditos e estima a duração e o custo do trabalho com base no modelo, conjunto de dados, número de épocas, tamanho da imagem e GPU selecionados. A estimativa é meramente informativa; a utilização real é cobrada com base no tempo de GPU consumido. Depois, consulta a transação de créditos resultante em Definições > Faturação.

Sugestões de treinamento#

Escolher o tamanho de modelo adequado#

Otimizar o tempo de treinamento#

Resolução de problemas#

Referência dos parâmetros de treino#

Perguntas frequentes#