Treinamento na Nuvem

Ultralytics Cloud Training oferece formação com um único clique em GPUs na nuvem, tornando a formação de modelos acessível sem configurações complexas. Treine YOLO com streaming de métricas em tempo real e gravação automática de pontos de verificação.

Assista: Formação em nuvem com Ultralytics

Treinar a partir da interface do utilizador

Comece o treinamento em nuvem diretamente da plataforma:

1. Navegue até ao seu projeto
2. Clique no modelo do comboio
3. Configurar os parâmetros de treino
4. Clique em Iniciar Treino

Passo 1: Selecione o conjunto de dados

Escolha um conjunto de dados dos seus uploads:

Passo 2: Configurar o modelo

Selecione o modelo base e os parâmetros:

Passo 3: Selecione GPU

Escolha os seus recursos de computação:

Passo 4: Comece o treino

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

1. Provisões de uma GPU
2. Faz o download do seu conjunto de dados
3. Começa o treino
4. Transmite métricas em tempo real

Formação em monitorização

Veja o progresso do treino em tempo real:

Métricas em tempo real

Pontos de controlo

Os pontos de verificação são guardados automaticamente:

• Cada época: Últimos pesos guardados
• Melhor modelo: mAP mais alto preservado
• Modelo final: Pesos ao concluir o treino

Pausar e retomar

Parar o treino

Clique em Parar Treinamento para pausar o seu trabalho:

• O ponto de verificação atual é guardado
• GPU é libertada
• Os créditos deixam de ser cobrados

Retomar a formação

Continue a partir do seu último ponto de verificação:

1. Navegue até o modelo
2. Clique em Retomar Treinamento
3. Confirmar continuação

Formação à distância

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

pip install "ultralytics>=8.4.0"

Configurar chave API

1. Vá para Definições > Chaves API
2. Criar uma nova chave com âmbito de formação
3. Defina a variável de ambiente:

export ULTRALYTICS_API_KEY="your_api_key"

Treine com streaming

Use o comando project e name parâmetros para transmitir métricas:

yolo train model=yolo11n.pt data=coco.yaml epochs=100 \
  project=username/my-project name=experiment-1

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.train(
    data="coco.yaml",
    epochs=100,
    project="username/my-project",
    name="experiment-1",
)

Utilização de conjuntos de dados da plataforma

Treine com conjuntos de dados armazenados na Plataforma:

yolo train model=yolo11n.pt data=ul://username/datasets/my-dataset epochs=100

O ul:// O formato URI descarrega e configura automaticamente o seu conjunto de dados.

Faturamento

Os custos de formação são baseados na GPU :

Cálculo de custos

Total Cost = GPU Rate × Training Time (hours)

Formas de pagamento

Ver custos de formação

Após o treinamento, veja os custos detalhados na guia Faturamento:

• Discriminação dos custos por época
• GPU total GPU
• Descarregar relatório de custos

Dicas de treino

Escolha o tamanho certo do modelo

Otimize o tempo de treino

1. Comece aos poucos: teste primeiro com menos épocas
2. Use GPU adequada: combine GPU o tamanho do modelo/lote
3. Validar o conjunto de dados: garantir a qualidade antes do treino
4. Monitorize desde cedo: pare se os indicadores estabilizarem

Resolução de Problemas

FAQ

Quanto tempo dura a formação?

O tempo de formação depende de:

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

Tempos típicos (1000 imagens, 100 épocas):

Posso treinar durante a noite?

Sim, o treino continua até ser concluído. Receberá uma notificação quando o treino terminar. Certifique-se de que a sua conta tem saldo suficiente para o treino baseado em épocas.

O que acontece se eu ficar sem créditos?

O treino é interrompido no final do período atual. O seu ponto de verificação é guardado e pode retomar após adicionar créditos.

Posso usar argumentos de formação personalizados?

Sim, utilizadores avançados podem especificar argumentos adicionais na configuração do treino.

Referência dos parâmetros de treino

Parâmetros principais

Parâmetros da taxa de aprendizagem

Parâmetros de aumento

Seleção do otimizador

📅 Criado há 0 dias ✏️ Atualizado há 0 dias

Comentários