Treinamento em Nuvem

O Treinamento em 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

Diálogo de Treinamento

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

Passo 1: Selecionar Modelo Base

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

Os modelos oficiais são organizados por tipo de tarefa (Detect, Segment, Pose, OBB, Classify) com tamanhos variando de nano a 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 (Configurações Avançadas) para acessar o editor completo de parâmetros baseado em YAML com mais de 40 parâmetros de treinamento organizados por grupo (veja referência de configuração):

Os parâmetros são conscientes da tarefa (ex: copy_paste só aparece para tarefas de segmentação, pose/kobj apenas para tarefas de pose). Um emblema Modified (Modificado) aparece quando os valores diferem dos padrões, e você pode redefinir tudo para o padrão com o botão de redefinição.

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

Passo 5: Selecionar GPU (Aba Nuvem)

Escolha sua GPU na Ultralytics Cloud:

O diálogo mostra seu saldo atual e um botão Top Up (Recarregar). O custo e a 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 (Iniciar Treinamento) para lançar seu trabalho. A Plataforma:

1. Provisiona uma instância de GPU
2. Baixa seu conjunto de dados
3. Começa o treinamento
4. Faz streaming de métricas em tempo real

Ciclo de Vida do Trabalho de Treinamento

Os trabalhos de treinamento progridem através dos seguintes status:

Monitorizar o Treino

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

Subaba de Gráficos

Subguia do Console

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

Subguia do Sistema

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

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 Treino

Clique em Cancelar Treinamento 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

Treinamento 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 em seu próprio hardware enquanto transmite métricas para a plataforma.

pip install -U ultralytics

Configurar Chave de API

1. Go to Settings > API Keys
2. Crie uma nova chave (ou a plataforma cria uma automaticamente quando você abre a guia de Treinamento Local)
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 guia Treinamento Local na caixa de diálogo de treinamento mostra um comando pré-configurado com sua chave de API, parâmetros selecionados e argumentos avançados incluídos.

Usando Datasets 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 seu dataset. O modelo é vinculado automaticamente ao dataset na plataforma (veja Usando Datasets da Plataforma).

Faturamento

Os custos de treinamento baseiam-se no uso da GPU:

Estimativa de Custo

Antes de iniciar o treinamento, a plataforma estima o custo total por meio de:

1. Estimativa de segundos por época a partir do tamanho do dataset, complexidade do modelo, tamanho da imagem, tamanho do lote 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. Cálculo do custo estimado a partir do total de horas de treinamento multiplicadas pela taxa horária da GPU

Fatores que afetam o custo:

Exemplos de Custo

Fluxo 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 do treinamento na 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 baseia-se no tempo real de execução

Faturamento por Status do Trabalho

Métodos de Pagamento

Ver Custos de Treinamento

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

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

Dicas de Treinamento

Escolha o Tamanho de Modelo Correto

Otimizar Tempo de Treinamento

Resolução de problemas

Perguntas Frequentes

Quanto tempo leva o treinamento?

O tempo de treinamento depende de:

• Tamanho do dataset
• Tamanho do modelo
• Número de épocas
• GPU selecionada

Tempos típicos (1000 imagens, 100 épocas):

Posso treinar durante a noite?

Sim, o treinamento continua até à conclusão. Receberás uma notificação quando o treinamento terminar. Certifica-te de que a tua conta tem saldo suficiente para treinamento baseado em épocas.

O que acontece se eu ficar sem créditos?

Se o teu saldo de créditos chegar a zero durante uma execução de treinamento, o treinamento continua até à conclusão e o teu saldo fica negativo. Isto garante que a tua tarefa de treinamento nunca seja interrompida a meio.

Após a conclusão do treinamento, precisarás de adicionar créditos para repor o teu saldo positivo antes de iniciar novas tarefas de treinamento. O teu modelo concluído, pontos de verificação (checkpoints) e todos os artefactos de treinamento são totalmente preservados, independentemente do saldo.

O que acontece se o meu treinamento custar mais do que o estimado?

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, o teu saldo pode ficar negativo (ver acima). A plataforma não para o treinamento com base na estimativa.

Para gerir custos:

• Monitoriza o progresso do treinamento em tempo real e cancela antecipadamente se necessário
• Ativa o reabastecimento automático para repor créditos automaticamente
• Começa com execuções mais curtas (menos épocas) para calibrar as expectativas

Posso usar argumentos de treinamento personalizados?

Sim, expande a secção Definições Avançadas na caixa de diálogo de treinamento para aceder a um editor YAML com mais de 40 parâmetros configuráveis. Valores não predefinidos são incluídos em comandos de treinamento tanto na nuvem como locais.

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

• Copiar de modelo existente: Na página de qualquer modelo concluído, o cartão de Configuração de Treinamento tem um botão Copiar como JSON. Copia o JSON e cola-o diretamente no editor YAML — ele deteta automaticamente o formato JSON e importa todos os parâmetros.
• Colar YAML ou JSON: Cola qualquer configuração de treinamento YAML ou JSON válida no editor. Os parâmetros são validados automaticamente, sendo os valores fora do intervalo delimitados e os avisos apresentados.
• Arrastar e largar ficheiros: Arrastar um ficheiro .yaml ou .json diretamente para o editor para importar os seus parâmetros.

Isto torna fácil reproduzir ou iterar sobre configurações de treinamento anteriores sem ter de reintroduzir manualmente cada parâmetro.

Posso treinar a partir de uma página de dataset?

Sim, o botão Treinar nas páginas de dataset abre a caixa de diálogo de treinamento com o dataset pré-selecionado e bloqueado. De seguida, selecionas um projeto e um modelo para começar a treinar.

Referência de Parâmetros de Treinamento