Treino na nuvem#

O Ultralytics Platform oferece treino na nuvem com um só clique em GPUs na nuvem, tornando o treino de modelos acessível sem configurações complexas. Treina modelos YOLO com transmissão de métricas em tempo real e gravação automática de checkpoints.

Caixa de diálogo de treino#

Inicia o treino na interface da plataforma clicando em Novo modelo na página de qualquer projeto ou conjunto de dados. A caixa de diálogo de treino tem dois separadores: Treino na nuvem e Treino local. Quando o conjunto de dados selecionado está num anfitrião On Premise, o primeiro separador passa a chamar-se On Premise e o separador Treino local fica oculto — esse conjunto de dados só pode ser usado para treino no respetivo anfitrião, o que requer um plano Enterprise e um worker ligado e online.

A caixa de diálogo memoriza o modelo base e quaisquer parâmetros não predefinidos que estavam definidos quando a fechaste pela última vez, por tarefa do conjunto de dados e espaço de trabalho no navegador atual, e restaura-os na próxima vez que a abrires para essa tarefa. A seleção de GPU não é memorizada, e Repetir treino numa execução falhada restaura os argumentos específicos dessa execução.

Passo 1: selecionar o modelo base#

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

Em cada separador, os modelos são agrupados por tarefa na ordem canónica e ordenados por tamanho. Ambos os separadores apresentam apenas modelos cuja tarefa permite treinar o conjunto de dados selecionado. O YOLO26 inclui variantes de deteção, segmentação, semântica, profundidade, classificação, pose e OBB, em tamanhos que vão 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 os parâmetros#

Define os parâmetros principais do treino:

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

Passo 4: definições avançadas (opcional)#

Expande Definições avançadas para aceder ao editor de parâmetros baseado em YAML, com mais de 50 parâmetros de treino nas secções Definições de treino e Aumentos de dados de imagem (consulta a referência de configuração):

Os parâmetros variam consoante a tarefa (por exemplo, copy_paste só aparece para tarefas de segmentação, semânticas e OBB; pose/kobj só aparecem para tarefas de pose; auto_augment/erasing só aparecem para tarefas de classificação). O editor omite device, cache, workers, iou, dropout, val e time, e ignora-os nas configurações coladas ou arrastadas; define-os no teu próprio comando yolo train ao treinar localmente. Um emblema Modificado aparece quando os valores diferem dos valores predefinidos, e podes repor todos os valores predefinidos com o botão de reposição. Apenas os valores avançados não predefinidos são enviados para a tarefa de treino (os parâmetros básicos de épocas, batch e tamanho da imagem são sempre incluídos), para que o comando resultante continue legível.

mosaic: 1.0       # Keep mosaic on
mixup: 0.3        # Add mixup blending
copy_paste: 0.3   # Add copy-paste (segment, semantic, OBB)
fliplr: 0.5       # Horizontal flip
degrees: 10.0     # Slight rotation
scale: 0.9        # Aggressive scaling

Guardar a versão do conjunto de dados (opcional)#

Ativa Guardar a versão do conjunto de dados 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 foi alterado, reutiliza uma versão correspondente se não tiver sido alterado e cria uma nova versão numerada apenas quando necessário. O treino utiliza então esse instantâneo NDJSON exato e regista o respetivo número de versão e 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 Modelos e Versões do conjunto de dados.

Passo 5: selecionar a GPU (separador Cloud)#

Escolhe a tua GPU na Ultralytics Cloud:

A janela apresenta o teu saldo atual e um botão Adicionar fundos. O cartão de custos 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 a quantidade de imagens do conjunto de dados.

Passo 6: iniciar o treino#

Clica em Iniciar treino para iniciar a tarefa. A Platform:

1. Resolve a versão imutável do conjunto de dados quando a opção Guardar a versão do conjunto de dados está ativada
2. Disponibiliza uma instância de GPU
3. Transfere o teu conjunto de dados
4. Inicia o treino
5. Transmite métricas em tempo real

Ao treinar novamente um modelo existente, reutiliza-se a mesma página do modelo e limpam-se os gráficos, a saída da consola, as métricas do sistema e o estado de erro da execução anterior quando a nova tarefa é criada. Se uma execução falhar antes de os recursos de computação serem disponibilizados, os resultados anteriores não são alterados.

Ciclo de vida da tarefa de treino#

As tarefas de treino passam pelos seguintes estados:

Um erro fatal de Python na transmissão da consola — um traceback, um erro de falta de memória da CUDA ou uma falha na inicialização da CUDA — termina a execução imediatamente, em vez de aguardar por um tempo limite. A mensagem extraída aparece num aviso de erro na página do modelo, com as opções Ver registos completos da consola e Tentar novamente o treino. As execuções que não comunicarem atividade durante 4 horas são automaticamente marcadas como falhadas e os respetivos recursos de computação são libertados.

Para receber os resultados das execuções concluídas e falhadas sem manter esta página aberta, liga os alertas do Slack.

Acompanha o treinamento#

Consulta o progresso do treino em tempo real no separador Treino da página do modelo:

Subaba Gráficos#

Os gráficos estão agrupados por família de métricas, e os grupos apresentados dependem dos dados comunicados pela execução:

Podes recolher cada grupo, ocultar ou mostrar gráficos individuais no menu do grupo e arrastar e redimensionar os gráficos — o esquema fica guardado para a próxima vez.

Subaba Console#

Saída da consola em tempo real com suporte para cores ANSI, barras de progresso e deteção de erros fatais. São mantidas as últimas 2000 linhas, podes ativar os registos de data e hora e copiar todo o registo como texto simples.

Subaba Sistema#

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

Pontos de controlo#

O melhor ponto de controlo (best.pt) é carregado para a Platform periodicamente durante o treino 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, mantém-se o ponto de controlo carregado antes do cancelamento.

Cancelar o treino#

Clica em Cancelar no cartão Informações da execução na página do modelo e confirma a ação. No treino na cloud, a Platform interrompe a tarefa, liberta os recursos de computação e cobra o tempo de GPU utilizado até ao cancelamento. No treino local, o cancelamento sinaliza ao processo que deve parar no final da época seguinte e preserva os resultados parciais — a execução carrega o que tiver antes de terminar.

Treino remoto#

Treina no teu próprio hardware e transmite métricas para a plataforma.

pip install -U ultralytics

Configurar a chave da API#

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

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Treinar com transmissão de métricas#

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 Treino local da janela de treino apresenta um comando pré-configurado que inclui a tua chave da API, os parâmetros selecionados e os argumentos avançados.

Utilizar conjuntos de dados da Platform#

Treina com conjuntos de dados guardados na plataforma através do 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:// transfere e configura automaticamente o teu conjunto de dados. O modelo é associado automaticamente ao conjunto de dados na plataforma (consulta Utilizar conjuntos de dados da Platform).

Faturação#

Os custos do treino baseiam-se na utilização da GPU:

Estimativa de custos#

Antes do início do treino, a plataforma estima a duração e o custo totais com base no tamanho do conjunto de dados, no tamanho do modelo, no tamanho da imagem, no tamanho do batch, no número de épocas e na GPU selecionada. As estimativas são aproximadas; a cobrança baseia-se na utilização real.

Fatores que afetam o custo:

As estimativas baseiam-se em execuções reais de treino na cloud e utilizam sempre a GPU que selecionaste — por isso, uma tarefa encaminhada para uma infraestrutura mais rápida da Ultralytics termina antes do tempo estimado.

Exemplos de custos#

Fluxo de faturação#

Fluxo de faturação do treino na nuvem:

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

Faturação por estado do trabalho#

Uma execução que deixe de comunicar atividade durante 4 horas é automaticamente marcada como falhada; a instância é terminada e o tempo decorrido de GPU é contabilizado. As execuções remotas no teu próprio hardware são simplesmente marcadas como falhadas, sem qualquer cobrança.

Métodos de pagamento#

O treino na nuvem é pago com o saldo de créditos da tua Platform.

Consultar os custos de treino#

Antes de iniciar um trabalho na nuvem, a janela de treino apresenta o teu saldo atual de créditos e estima a duração e o custo do trabalho com base no modelo, no conjunto de dados, nas épocas, no tamanho da imagem e na GPU selecionados. A estimativa é meramente informativa; a utilização real é cobrada com base no tempo de GPU consumido. Depois, consulta a transação de crédito resultante em Definições > Faturação.

Dicas de treino#

Escolhe o tamanho de modelo adequado#

Otimiza o tempo de treino#

Solução de problemas#

Referência dos parâmetros de treino#

Perguntas frequentes#