Treinamento na Nuvem

Ultralytics Platform Cloud Training oferece treinamento com um clique em GPUs em nuvem, tornando o treinamento de modelos acessível sem configurações complexas. Treine modelos YOLO com transmissão 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 UI da plataforma clicando em Novo Modelo em qualquer página de projeto (ou em Treinar a partir de uma página de conjunto de dados). O diálogo de treinamento possui duas abas: Treinamento na Nuvem e Treinamento Local.

Passo 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, Pose, OBB, Classify) com tamanhos de nano a xlarge.

Passo 2: Selecionar Conjunto de Dados

Escolha um conjunto de dados para treinar (veja Conjuntos de Dados):

Passo 3: Configurar Parâmetros

Definir os parâmetros centrais de treinamento:

Passo 4: Configurações Avançadas (Opcional)

Expanda Configurações Avançadas para acessar o editor de parâmetros completo baseado em yaml com mais de 40 parâmetros de treinamento organizados por grupo (consulte a referência de configuração):

Os parâmetros são sensíveis à tarefa (por exemplo, copy_paste mostra apenas para tarefas de segmentação, pose/kobj apenas para tarefas de pose). A Modificado o badge aparece quando os valores diferem dos padrões, e você pode redefinir todos 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

Passo 5: Selecionar GPU (Aba Nuvem)

Escolha sua GPU na Ultralytics Cloud:

O diálogo mostra seu saldo atual e um botão de Recarga. Um custo e duração estimados são calculados com base na sua configuração (tamanho do modelo, imagens do dataset, épocas, velocidade da GPU).

Passo 6: Iniciar Treinamento

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

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

Ciclo de Vida do Trabalho de Treinamento

Os trabalhos de treinamento progridem pelos seguintes status:

Monitorar Treinamento

Visualize o progresso do treinamento em tempo real na guia Train da página do modelo:

Subguia de Gráficos

Subguia do Console

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

Subguia Sistema

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

Pontos de Controlo

Os checkpoints são salvos automaticamente:

• A cada época: Pesos mais recentes salvos
• Melhor modelo: Checkpoint com o maior mAP preservado
• Modelo final: Pesos ao término do treinamento

Cancelar Treinamento

Clique em Cancelar Treinamento na página do modelo para interromper um trabalho em execução:

• A instância de computação é encerrada
• Os créditos param de ser cobrados
• Os checkpoints salvos até aquele ponto são preservados

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

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

pip install -U ultralytics

Configurar Chave API

1. Ir para Settings > Profile (seção Chaves de API)
2. Crie uma nova chave (ou a plataforma cria uma automaticamente quando você abre a aba Treinamento Local)
3. Defina a variável de ambiente:

export ULTRALYTICS_API_KEY="your_api_key"

Treinar com Streaming

Use o comando project e name parâmetros para transmitir métricas:

yolo train model=yolo26n.pt data=coco.yaml epochs=100 \
  project=username/my-project name=experiment-1

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="coco.yaml",
    epochs=100,
    project="username/my-project",
    name="experiment-1",
)

A aba Treinamento Local na caixa de diálogo de treinamento mostra um comando pré-configurado com sua chave de API, parâmetros selecionados e argumentos avançados incluídos.

Utilizar Conjuntos de Dados da Plataforma

Treinar com conjuntos de dados armazenados na plataforma usando o ul:// Formato URI:

yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100 \
  project=username/my-project name=exp1

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="ul://username/datasets/my-dataset",
    epochs=100,
    project="username/my-project",
    name="exp1",
)

O ul:// O formato URI baixa e configura automaticamente seu conjunto de dados. O modelo é automaticamente vinculado ao conjunto de dados na plataforma (ver Utilizar Conjuntos de Dados da Plataforma).

Faturamento

Os custos de treinamento são baseados no uso da GPU:

Estimativa de custos

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

1. Estimando segundos por época a partir do tamanho do conjunto de dados, complexidade do modelo, tamanho da imagem, tamanho do lote e velocidade da GPU
2. Calculando o tempo total de treinamento multiplicando segundos por época pelo número de épocas, e depois adicionando a sobrecarga de inicialização
3. Calculando o custo estimado a partir do total de horas de treinamento multiplicado pela taxa horária da GPU

Fatores que afetam o custo:

Exemplos de custos

Fluxo de Faturação

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 cobrança do treinamento na nuvem:

1. Estimativa: Custo calculado antes do início da formação
2. Verificação de Saldo: Os créditos disponíveis são verificados antes do lançamento
3. Treinar: O trabalho é executado no recurso de computação selecionado
4. Cobrança: O custo final é baseado no tempo de execução real

Faturação por Estado do Trabalho

Métodos de Pagamento

Ver Custos de Treino

Após o treinamento, visualize os custos detalhados na aba Faturamento:

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

Dicas de Treino

Escolher o Tamanho Certo do Modelo

Otimizar Tempo de Treino

Resolução de Problemas

FAQ

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 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.

O que acontece se eu ficar sem créditos?

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 que seu saldo volte a ser positivo antes de iniciar novos trabalhos de treinamento. Seu modelo concluído, checkpoints e todos os artefatos de treinamento são totalmente preservados, independentemente do saldo.

O que acontece se 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, seu saldo pode ficar negativo (veja acima). A plataforma não interrompe o treinamento com base na estimativa.

Para gerir custos:

• Monitorar o progresso do treinamento em tempo real e cancelar antecipadamente, se necessário
• Ativar recarga automática para reabastecer créditos automaticamente
• Comece com execuções mais curtas (menos épocas) para calibrar as expectativas

Posso usar argumentos de treino personalizados?

Sim, expanda a secção Definições Avançadas na caixa de diálogo de treino para aceder a um editor yaml com mais de 40 parâmetros configuráveis. Os valores não predefinidos são incluídos nos comandos de treino na cloud e local.

O editor YAML também suporta importar configurações de execuções de treinamento anteriores:

• Copiar de modelo existente: Na página de qualquer modelo concluído, o cartão de Configuração de Treinamento possui um botão Copiar como JSON. Copie o JSON e cole-o diretamente no editor YAML — ele detecta automaticamente o formato JSON e importa todos os parâmetros.
• Colar YAML ou 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 exibidos.
• Arrastar e soltar arquivos: Arraste um .yaml ou .json arquivo diretamente no editor para importar seus parâmetros.

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

Posso treinar a partir de uma página de conjunto de dados?

Sim, o botão Treinar nas páginas de conjuntos de dados abre a caixa de diálogo de treino com o conjunto de dados pré-selecionado e bloqueado. Em seguida, seleciona um projeto e um modelo para iniciar o treino.

Referência de Parâmetros de Treinamento

📅 Criado há 2 meses ✏️ Atualizado há 2 dias

Comentários