Link to this sectionTreinamento na nuvem#

O treinamento na nuvem do 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 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 guias: Cloud Training e Local Training.

Link to this sectionPasso 1: Selecione o 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: Selecione o 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 completo de parâmetros baseado em YAML 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 selo Modified aparece quando os valores diferem dos padrões, e você pode redefinir tudo para os padrões com o botão de redefinir.

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: Selecione a GPU (guia Cloud)#

Escolha sua GPU no Ultralytics Cloud:

O diálogo mostra seu balance 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. Baixa seu conjunto de dados
3. Inicia o treinamento
4. Faz o streaming de 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 Gráficos#

Link to this sectionSub-aba Console#

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

Link to this sectionSub-aba Sistema#

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 maior mAP) é carregado na plataforma e disponibilizado para download, exportação e implantação.

Link to this sectionCancelar Treinamento#

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

• A instância de computação é encerrada
• Os créditos param de ser cobrados
• O melhor checkpoint permanece disponível se foi 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 em 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 de Treinamento Local)
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 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 o seu dataset. O modelo é automaticamente vinculado ao dataset na plataforma (veja Usando Datasets da Plataforma).

Link to this sectionFaturamento#

Os custos de treinamento são baseados no uso da GPU:

Link to this sectionEstimativa de Custo#

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

1. Estimando segundos por época a partir do tamanho do dataset, complexidade do modelo, tamanho da imagem, tamanho do lote e velocidade da GPU
2. Calculando o tempo total de treinamento multiplicando os segundos por época pelo número de épocas, e então adicionando a sobrecarga de inicialização
3. Computando o custo estimado a partir do total de horas 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 do treinamento na nuvem:

1. Estimativa: Custo calculado antes do início do treinamento
2. Verificação de Saldo: Créditos disponíveis são verificados antes do lançamento
3. Treinar: Trabalho executado na computação selecionada
4. Cobrança: Custo final baseado no tempo de execução real

Link to this sectionFaturamento por Status do Trabalho#

Link to this sectionMétodos de Pagamento#

Link to this sectionVer 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 sectionOtimiza o tempo de treino#

Link to this sectionSolução de problemas#

Link to this sectionPerguntas frequentes (FAQ)#

Link to this sectionQuanto 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):

Link to this sectionPosso treinar durante a noite?#

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

Link to this sectionO que acontece se ficar sem créditos?#

Se o teu saldo de créditos chegar a zero durante uma execução de treino, o treino continua até à conclusão e o teu saldo fica negativo. Isto garante que o teu trabalho de treino nunca é interrompido a meio.

Após a conclusão do treino, precisarás de adicionar créditos para repor o saldo positivo antes de iniciar novos trabalhos de treino. O teu modelo completo, checkpoints e todos os artefactos de treino são totalmente preservados independentemente do saldo.

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

As estimativas de custos são aproximadas — o tempo real de treino 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 poderá ficar negativo (ver acima). A plataforma não para o treino com base na estimativa.

Para gerir custos:

• Monitoriza o progresso do treino em tempo real e cancela mais cedo, se necessário
• Ativa o auto top-up para repor créditos automaticamente
• Começa com execuções mais curtas (menos épocas) para calibrar expectativas

Link to this sectionPosso usar argumentos de treino personalizados?#

Sim, expande a secção Advanced Settings no diálogo de treino para acederes a um editor YAML com mais de 40 parâmetros configuráveis. Valores não predefinidos são incluídos em comandos de treino tanto na cloud como locais.

O editor YAML também suporta a importação de configurações de treinos anteriores:

• Copiar de um modelo existente: Na página de qualquer modelo concluído, o cartão de Configuração de Treino tem um botão Copy as 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 treino YAML ou JSON válida no editor. Os parâmetros são validados automaticamente, sendo os valores fora de intervalo limitados e exibidos avisos.
• Arrastar e largar ficheiros: Arrasta um ficheiro .yaml ou .json diretamente para o editor para importar os seus parâmetros.

Isto torna fácil reproduzir ou iterar em configurações de treino anteriores sem ter de reinserir manualmente cada parâmetro.

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

Sim, o botão Train nas páginas de dataset abre o diálogo de treino com o dataset pré-selecionado e bloqueado. De seguida, selecionas um projeto e um modelo para iniciar o treino.

Link to this sectionReferência de parâmetros de treino#