Link to this sectionTreinamento 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] --> 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

Link to this sectionDiálogo de Treinamento#

Inicie o treinamento a partir da interface do usuário da plataforma clicando em New Model em qualquer página de projeto (ou Train a partir de uma página de conjunto de dados). O diálogo de treinamento possui duas abas: Cloud Training e Local Training.

Link to this sectionPasso 1: Selecionar Modelo Base#

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

Os modelos oficiais são organizados por tipo de tarefa (Detect, Segment, Semantic, Pose, OBB, Classify) com tamanhos de nano a xlarge.

Link to this sectionPasso 2: Selecionar Conjunto de Dados#

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

Link to this sectionPasso 3: Configurar Parâmetros#

Defina os principais parâmetros de treinamento:

Link to this sectionPasso 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

Link to this sectionPasso 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).

Link to this sectionPasso 6: Iniciar Treinamento#

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

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

Link to this sectionCiclo de Vida do Trabalho de Treinamento#

Os trabalhos de treinamento progridem através dos seguintes status:

Link to this sectionMonitorar Treinamento#

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

Link to this sectionSub-aba Charts#

Link to this sectionSub-aba Console#

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

Link to this sectionSub-aba System#

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

Link to this sectionCheckpoints#

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.

Link to this sectionCancelar Treinamento#

Clique em Cancel Training na página do modelo para interromper um trabalho em execução:

• A instância de computação é encerrada
• A cobrança de créditos é interrompida
• O melhor checkpoint permanece disponível se tiver sido alcançado antes do cancelamento

Link to this sectionTreinamento 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

Link to this sectionConfigurar 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"

Link to this sectionTreinar 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.

Link to this sectionUsando 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).

Link to this sectionFaturamento#

Os custos de treinamento são baseados no uso de GPU:

Link to this sectionEstimativa 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:

Link to this sectionExemplos de Custo#

Link to this sectionFluxo de Faturamento#

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 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

Link to this sectionFaturamento por Status do Trabalho#

Link to this sectionMétodos de Pagamento#

Link to this sectionVisualizar Custos de Treinamento#

Após o treinamento, veja os custos detalhados na aba Billing:

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

Link to this sectionDicas de Treinamento#

Link to this sectionEscolha o Tamanho de Modelo Correto#

Link to this sectionOtimizar Tempo de Treinamento#

Link to this sectionSolução de Problemas#

Link to this sectionFAQ#

Link to this sectionQuanto 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):

Link to this sectionPosso 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.

Link to this sectionO que acontece se meus créditos acabarem?#

Se o seu saldo de créditos chegar a zero durante uma execução de treinamento, o treinamento continua até a conclusão e seu saldo fica negativo. Isso garante que seu trabalho de treinamento nunca seja interrompido no meio da execução.

Após a conclusão do treinamento, você precisará adicionar créditos para tornar seu saldo positivo novamente antes de iniciar novos trabalhos de treinamento. Seu modelo concluído, checkpoints e todos os artefatos de treinamento são totalmente preservados, independentemente do saldo.

Link to this sectionO que acontece se meu treinamento custar mais do que a estimativa?#

As estimativas de custo são aproximadas — o tempo real de treinamento pode variar devido a fatores como velocidade de carregamento de dados, aquecimento da GPU e comportamento de convergência do modelo. Se o custo real exceder a estimativa, seu saldo pode ficar negativo (veja acima). A plataforma não interrompe o treinamento com base na estimativa.

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

Link to this sectionPosso 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.

Isso facilita a reprodução ou iteração em configurações de treinamento anteriores sem a necessidade de inserir manualmente cada parâmetro.

Link to this sectionPosso treinar a partir de uma página de conjunto de dados?#

Sim, o botão Train nas páginas de conjunto de dados abre o diálogo de treinamento com o conjunto de dados pré-selecionado e bloqueado. Em seguida, você seleciona um projeto e um modelo para começar o treinamento.

Link to this sectionReferência de parâmetros de treinamento#