Treinamento na Nuvem#

O Ultralytics Platform Cloud Training oferece treino com um clique em GPUs na nuvem, tornando o treino de modelos acessível sem configuração complexa. Treina modelos YOLO com transmissão de métricas em tempo real e salvamento automático 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 Treinamento#

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

Passo 1: Selecionar 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 tarefas compatíveis com o conjunto de dados selecionado. O YOLO26 inclui variantes Detect, Segment, Semantic, Depth, Classify, Pose e OBB em tamanhos desde nano até xlarge.

Passo 2: Selecionar Conjunto de Dados#

Escolhe um dataset para treinar (vê Datasets):

Passo 3: Configurar Parâmetros#

Defina os principais parâmetros de treinamento:

Os valores digitados fora do intervalo de um parâmetro são limitados (clamped) quando o campo perde o foco.

Passo 4: Configurações Avançadas (Opcional)#

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

Os parâmetros têm consciência da tarefa (por exemplo, copy_paste só aparece para tarefas de segmento, pose/kobj apenas para pose, dropout apenas para classify). Um crachá Modified aparece quando os valores diferem dos predefinidos, e podes redefinir todos para os valores predefinidos com o botão de reposição. Apenas os valores avançados não predefinidos são enviados para o trabalho de treino (os parâmetros básicos de épocas, lote e tamanho de imagem estão sempre incluídos), para que o comando resultante permaneça 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

Salvar Versão do Dataset (Opcional)#

Ativa a opção Save Dataset Version para vincular o modelo a uma versão imutável de um dataset hospedado na plataforma. A plataforma verifica se o conteúdo do dataset foi alterado, reutiliza uma versão correspondente caso não tenha sido, e cria uma nova versão numerada apenas quando necessário. O treinamento então usa aquele snapshot NDJSON exato e registra seu número de versão e hash de conteúdo no modelo.

Isso preserva os dados usados para a execução, mesmo que você adicione ou remova imagens, edite anotações ou altere as divisões do dataset posteriormente. Você pode encontrar a versão vinculada nas abas Models e Versions do dataset.

Passo 5: Selecionar GPU (Aba Cloud)#

Escolha sua GPU da Ultralytics Cloud:

O diálogo mostra o teu balance atual e um botão Top Up. O cartão de custos estima a duração total e o preço para a tua configuração (tamanho do modelo, imagens do conjunto de dados, épocas, tamanho da imagem, tamanho do lote, otimizador e velocidade da GPU) e também indica os segundos estimados por época e a contagem de imagens do conjunto de dados.

Passo 6: Iniciar Treinamento#

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

1. Resolve a versão imutável do dataset quando a opção Save Dataset Version está ativada
2. Provisiona uma instância de GPU
3. Faz o download do seu conjunto de dados
4. Inicia o treinamento
5. Transmite métricas em tempo real

Re-treinar um modelo existente reutiliza a mesma página do modelo e limpa os gráficos, a saída da consola, as métricas do sistema e o estado de erro da execução anterior assim que o novo trabalho é criado. Uma execução que falha antes de o cálculo ser provisionado deixa os resultados anteriores intactos.

Ciclo de Vida do Trabalho de Treinamento#

Os trabalhos de treinamento progridem através dos seguintes status:

Um erro Python fatal no fluxo da consola — um rastreio (traceback), um erro de falta de memória na CUDA (out-of-memory) ou uma inicialização CUDA falhada — termina a execução imediatamente em vez de esperar por um tempo limite (timeout), e a mensagem extraída aparece num banner de erro na página do modelo com as ações View full console logs e Retry Training. As execuções que param de reportar atividade durante várias horas são marcadas automaticamente como falhadas e a sua computação é libertada.

Para receber os resultados de conclusão e falha sem manter esta página aberta, liga os alertas do Slack.

Monitorar Treinamento#

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

Sub-aba Charts#

Os gráficos estão agrupados por família de métricas, e os grupos que aparecem dependem do que a execução reporta:

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

Sub-aba Console#

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

Sub-aba System#

Um cartão de anfitrião em direto (nome do anfitrião, CPU, GPU, RAM e totais de disco) mais 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.

Checkpoints#

O melhor ponto de controlo (checkpoint) (best.pt) é carregado para a Platform periodicamente durante o treino e novamente quando a execução termina, pelo que a descarga (download), a exportação e a implementação utilizam sempre a melhor época produzida até ao momento. Se a execução for cancelada, o ponto de controlo carregado antes do cancelamento é mantido.

Cancelar Treinamento#

Clica em Cancel no cartão Run Information na página do modelo e confirma a ação. Para o treino na nuvem, a Platform para o trabalho, liberta a sua computação e cobra o tempo de GPU decorrido utilizado antes do cancelamento. Para o treino local, o cancelamento sinaliza o processo para parar no limite da época seguinte e preserva resultados parciais — a execução envia 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

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

pip install -U ultralytics

Configurar Chave de API#

1. Vai 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"

Treinar com Streaming#

Usa 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.

Usando conjuntos de dados da plataforma#

Treina 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:// transfere e configura o teu dataset automaticamente. O modelo é vinculado automaticamente ao dataset na plataforma (vê Usando Datasets da Plataforma).

Faturamento#

Os custos de treinamento são baseados no uso de GPU:

Estimativa de Custo#

Antes de o treino começar, a plataforma estima a duração total e o custo a partir do tamanho do teu conjunto de dados, tamanho do modelo, tamanho da imagem, tamanho do lote, épocas e GPU selecionada. As estimativas são aproximadas; o uso real é o que é faturado.

Fatores que afetam o custo:

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

Exemplos de Custo#

Fluxo de Faturamento#

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 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. Treina e Conta: O trabalho é executado no computador selecionado, e o tempo de GPU acumulado é debitado do teu saldo em etapas enquanto ele é executado
4. Liquidado: No estado final, o restante pendente é debitado e uma única transação de Treinamento é registrada para toda a execução

Faturamento por Status do Trabalho#

Uma execução que para de reportar atividade durante várias horas é automaticamente marcada como falhada; a instância é terminada e o tempo de GPU decorrido é liquidado. As execuções remotas no teu próprio hardware são simplesmente marcadas como falhadas sem nada a cobrar.

Métodos de Pagamento#

O treino na nuvem é pago a partir do teu saldo de crédito da plataforma.

Visualizar Custos de Treinamento#

Antes de iniciares um trabalho na nuvem, a caixa de diálogo de treino mostra o teu saldo de crédito atual e estima a duração e o custo do trabalho a partir do modelo, conjunto de dados, épocas, tamanho de imagem e GPU selecionados. A estimativa é informativa; a utilização real é cobrada pelo tempo de GPU consumido. Depois, revê a transação de crédito resultante em Settings > Billing.

Dicas de Treinamento#

Escolha o Tamanho de Modelo Correto#

Otimizar Tempo de Treinamento#

Solução de Problemas#

Referência de parâmetros de treinamento#

FAQ#