Руководство по использованию Kaggle для обучения моделей YOLO26
Если ты изучаешь ИИ и работаешь над небольшими проектами, у тебя может пока не быть доступа к мощным вычислительным ресурсам, а дорогое оборудование может быть не по карману. Kaggle, платформа Google, предоставляет бесплатную облачную среду с доступом к ресурсам GPU, возможностью работать с большими наборами данных и сотрудничать с широким сообществом специалистов по анализу данных и энтузиастов машинного обучения.
Kaggle — удобная платформа для обучения и экспериментов с моделями Ultralytics YOLO26. В ноутбуках Kaggle заранее установлены популярные библиотеки и фреймворки машинного обучения. В этом руководстве рассматриваются основные возможности Kaggle и описывается, как обучать модели YOLO26 на платформе.
Что такое Kaggle?#
Kaggle объединяет специалистов по анализу данных со всего мира, чтобы они могли сотрудничать, учиться и соревноваться в решении реальных задач анализа данных. Платформу запустили в 2010 году Энтони Голдблум и Джереми Ховард, а в 2017 году ее приобрела Google. Kaggle позволяет пользователям общаться, находить и публиковать наборы данных, работать с ноутбуками на GPU и участвовать в соревнованиях по анализу данных. Платформа подходит как опытным специалистам, так и новичкам.
По состоянию на 2022 год у Kaggle более 10 миллионов пользователей. Платформа предоставляет богатую среду для разработки и экспериментов с моделями машинного обучения. Тебе не нужно беспокоиться о характеристиках или настройке локального компьютера — достаточно учетной записи Kaggle и веб-браузера.
Установка#
Прежде чем начать обучение моделей YOLO26 на Kaggle, нужно правильно настроить среду ноутбука. Выполни следующие действия:
Включи доступ к интернету#
Для загрузки пакетов и зависимостей блокнотам Kaggle нужен доступ к интернету. Чтобы включить интернет в блокноте Kaggle:
- Открой блокнот Kaggle
- Нажми панель Settings в правой части интерфейса блокнота
- Прокрути страницу до раздела Internet
- Переключи параметр в положение ON, чтобы включить подключение к интернету
Примечание: для установки пакета Ultralytics и загрузки предварительно обученных моделей или наборов данных нужен доступ к интернету. Без доступа к интернету установка пакетов завершится ошибкой.

Установка Ultralytics#
После включения доступа к интернету установи пакет Ultralytics, выполнив следующую команду в ячейке блокнота:
!pip install ultralyticsПоследнюю версию для разработки можно установить напрямую с GitHub:
!pip install git+https://github.com/ultralytics/ultralytics.gitУстранение конфликтов зависимостей#
Во время установки могут возникнуть конфликты зависимостей, особенно с такими пакетами, как opencv-python, numpy или torch. Вот несколько распространённых решений:
Способ 1: принудительная переустановка с параметром --upgrade#
Если возникли конфликты с уже установленными пакетами, принудительно обнови их:
!pip install --upgrade --force-reinstall ultralyticsСпособ 2: перезапусти ядро после установки#
Иногда после установки нужно перезапустить ядро, чтобы устранить проблемы с импортом:
!pip install ultralytics
# Then click "Restart Kernel" from the notebook menuРешение распространённых ошибок#
Ошибка: "No module named 'ultralytics'"
- Решение: убедись, что интернет включён, и повторно выполни команду установки
- Перезапусти ядро после установки
Ошибка: "ERROR: pip's dependency resolver does not currently take into account..."
- Решение: обычно это предупреждение, которое можно безопасно игнорировать. Несмотря на это сообщение, установка, как правило, завершается успешно
Ошибка: "ModuleNotFoundError" после установки
- Решение: перезапусти ядро с помощью кнопки перезапуска в интерфейсе блокнота
- Повторно выполни инструкции импорта в новой ячейке
Проверка установки#
После установки проверь, что Ultralytics установлен правильно, выполнив:
import ultralytics
ultralytics.checks()Будет выведена информация о системе и проверена корректность установки всех зависимостей.
Обучение YOLO26 с помощью Kaggle#
Бесплатные GPU Kaggle позволяют легко обучать модели YOLO26.
Чтобы начать, открой ноутбук с руководством по Ultralytics YOLO26 на Kaggle. В среде Kaggle уже установлены такие библиотеки, как TensorFlow и PyTorch, что упрощает настройку.

После входа в аккаунт Kaggle ноутбук откроется как твоя собственная копия, которую можно редактировать: выбери GPU в настройках ускорителя и запусти ячейки ноутбука, чтобы начать обучение модели. Подробное описание процесса обучения модели и лучших практик смотри в нашем руководстве по обучению моделей YOLO26.

Распространённые проблемы при работе с Kaggle#
При работе с Kaggle ты можешь столкнуться с распространёнными проблемами. Вот основные моменты, которые помогут освоиться на платформе:
- Доступ к GPU: в ноутбуках Kaggle можно в любой момент активировать GPU, доступный для использования до 30 часов в неделю. Kaggle предоставляет GPU NVIDIA Tesla P100 с 16 ГБ памяти, а также вариант с двумя NVIDIA T4. Ускорение на GPU значительно повышает скорость обучения и инференса моделей.
- Ядра Kaggle: Ядра Kaggle — это бесплатные серверы блокнотов Jupyter, которые могут использовать GPU и позволяют выполнять задачи машинного обучения на облачных компьютерах. Тебе не придётся задействовать CPU собственного компьютера: так ты избежишь его перегрузки и освободишь локальные ресурсы.
- Наборы данных Kaggle: Наборы данных Kaggle можно скачивать бесплатно. Однако обязательно проверь лицензию каждого набора данных, чтобы узнать об ограничениях на использование. Для некоторых наборов данных могут действовать ограничения на академические публикации или коммерческое использование. Ты можешь скачать наборы данных прямо в блокнот Kaggle или в любое другое место с помощью Kaggle API.
- Сохранение блокнотов и создание коммитов: Чтобы сохранить блокнот и создать его коммит на Kaggle, нажми «Save Version». Текущее состояние блокнота будет сохранено. Когда фоновое ядро завершит создание выходных файлов, ты сможешь открыть их на вкладке Output главной страницы блокнота.
- Совместная работа: Kaggle поддерживает совместную работу, но несколько пользователей не могут одновременно редактировать один блокнот. Совместная работа на Kaggle проходит асинхронно: пользователи могут работать с одним блокнотом в разное время.
- Возврат к предыдущей версии: Чтобы вернуться к предыдущей версии блокнота, открой его и нажми на три вертикальные точки в правом верхнем углу, а затем выбери «View Versions». Найди нужную версию, нажми на меню «...» рядом с ней и выбери «Revert to Version». После возврата блокнота к прежней версии нажми «Save Version», чтобы сохранить изменения коммитом.
Основные возможности Kaggle#
Вот некоторые основные возможности Kaggle для анализа данных и машинного обучения:
- Наборы данных: на Kaggle размещена большая коллекция наборов данных по самым разным темам. Ты можешь находить и использовать их в своих проектах, что особенно удобно для обучения и тестирования моделей YOLO26.
- Соревнования: в соревнованиях Kaggle специалисты по анализу данных и машинному обучению решают реальные задачи. Участие помогает развивать навыки, осваивать новые методы и получать признание в сообществе.
- Бесплатный доступ к TPU: Kaggle предоставляет бесплатный доступ к TPU для фреймворков, которые их поддерживают. Модели Ultralytics YOLO26 обучаются на GPU или CPU Kaggle, а не на TPU.
- Интеграция с GitHub: Kaggle позволяет подключить репозиторий GitHub, чтобы загружать ноутбуки и сохранять свою работу. Благодаря этой интеграции удобно управлять файлами и получать к ним доступ.
- Сообщество и обсуждения: в Kaggle состоит большое сообщество специалистов по анализу данных и машинному обучению. Форумы для обсуждений и опубликованные ноутбуки — полезные ресурсы для обучения и решения проблем. Ты можешь получить помощь, поделиться знаниями и сотрудничать с другими.
Почему стоит использовать Kaggle для проектов YOLO26?#
Существует множество платформ для обучения и оценки моделей машинного обучения. Вот некоторые преимущества Kaggle для проектов машинного обучения:
- Общедоступные блокноты: Ты можешь сделать блокноты Kaggle общедоступными, чтобы другие пользователи могли просматривать их, голосовать за них, создавать форки и обсуждать твою работу. Kaggle поощряет совместную работу, обмен отзывами и идеями, помогая тебе улучшать модели YOLO26.
- Подробная история коммитов блокнота: Kaggle ведёт подробную историю коммитов блокнота. Ты можешь просматривать изменения и отслеживать их с течением времени, чтобы лучше понимать развитие проекта и при необходимости возвращаться к предыдущим версиям.
- Доступ к консоли: Kaggle предоставляет консоль, дающую больше контроля над средой. С ее помощью можно выполнять различные задачи прямо из командной строки.
- Доступные ресурсы: Для каждого сеанса редактирования блокнота на Kaggle выделяются значительные ресурсы: 12 часов выполнения для сеансов с CPU и GPU, 9 часов — для сеансов с TPU и 20 ГБ дискового пространства с автоматическим сохранением.
- Планирование запуска блокнотов: Kaggle позволяет назначать время запуска блокнотов. Ты можешь автоматизировать повторяющиеся задачи без ручного вмешательства, например регулярно обучать модель.
Продолжай изучать Kaggle#
Если хочешь узнать больше о Kaggle, воспользуйся этими полезными ресурсами:
- Обучение на Kaggle: изучи разнообразные бесплатные интерактивные руководства на Kaggle Learn. Эти курсы посвящены основным темам анализа данных и включают практические упражнения.
- Начало работы с Kaggle: в этом руководстве рассматриваются основы Kaggle — от участия в соревнованиях до создания первого ноутбука.
- Страница Kaggle на Medium: изучи руководства, новости и материалы сообщества на странице Kaggle в Medium.
- Обучение моделей Ultralytics YOLO с помощью интеграции с Kaggle: в этой статье блога показано, как использовать Kaggle именно для работы с моделями Ultralytics YOLO.
Итоги#
Kaggle предоставляет твоим проектам YOLO26 бесплатный доступ к GPU для обучения и оценки моделей, а предварительно установленные библиотеки упрощают настройку. Вместе Ultralytics YOLO26 и Kaggle позволяют разрабатывать, обучать и развертывать модели компьютерного зрения без дорогостоящего оборудования.
Подробнее смотри в документации Kaggle.
Часто задаваемые вопросы#
Чтобы установить Ultralytics YOLO26 на Kaggle:
- Включи интернет: Открой панель Settings и включи переключатель Internet.
- Установи пакет: Выполни
!pip install ultralyticsв ячейке блокнота. - Проверь установку: Выполни
import ultralytics; ultralytics.checks(), чтобы убедиться, что пакет установлен.
Если возникнут конфликты зависимостей, попробуй
!pip install --upgrade --force-reinstall ultralyticsили перезапусти ядро после установки. Подробные инструкции по устранению неполадок смотри в разделе Установка выше.Обучить модель YOLO26 в Kaggle просто. Сначала открой учебный ноутбук Ultralytics YOLO26 в Kaggle. Войди в аккаунт Kaggle и выбери GPU в настройках ускорителя. Запусти ячейки ноутбука, чтобы начать обучение. Более подробные инструкции смотри в нашем руководстве по обучению моделей YOLO26.
Kaggle предлагает несколько преимуществ для обучения моделей YOLO26:
- Бесплатный доступ к GPU: используй GPU, например NVIDIA Tesla P100 или T4 x2, до 30 часов в неделю.
- Предустановленные библиотеки: Такие библиотеки, как TensorFlow и PyTorch, уже установлены, что упрощает настройку среды.
- Сотрудничество с сообществом: общайся с большим сообществом специалистов по анализу данных и энтузиастов машинного обучения.
- Контроль версий: управляй разными версиями ноутбуков и при необходимости возвращайся к предыдущим версиям.
К распространённым проблемам относятся:
- Доступ к GPU: Убедись, что GPU активирован в настройках блокнота. Kaggle разрешает использовать GPU до 30 часов в неделю.
- Интернет не включён: Перед установкой пакетов включи интернет на панели Settings.
- Конфликты зависимостей: используй
!pip install --upgrade --force-reinstall ultralytics. - Лицензии наборов данных: Проверь лицензию каждого набора данных, чтобы узнать об ограничениях на использование.
- Сохранение блокнотов и создание коммитов: Нажми «Save Version», чтобы сохранить состояние блокнота, а затем открой выходные файлы на вкладке Output.
- Совместная работа: Kaggle поддерживает асинхронную совместную работу; несколько пользователей не могут одновременно редактировать один блокнот.
Другие советы по устранению неполадок смотри в разделе Установка и нашем руководстве по распространённым проблемам.
У Kaggle есть несколько возможностей, отличающих его от Google Colab:
- Общедоступные блокноты: Поделись своей работой с сообществом, чтобы получить отзывы и поработать вместе с другими.
- Подробная история изменений: Отслеживай изменения с течением времени по подробной истории коммитов блокнота.
- Доступные ресурсы: Для каждого сеанса работы с блокнотом выделяются значительные ресурсы, включая 12 часов выполнения для сеансов с CPU и GPU.
Чтобы вернуться к предыдущей версии:
- Открой блокнот и нажми на три вертикальные точки в правом верхнем углу.
- Выбери «View Versions».
- Найди нужную версию, нажми на меню «...» рядом с ней и выбери «Revert to Version».
- Нажми «Save Version», чтобы сохранить изменения коммитом.
Комментарии3
Задай вопрос, поделись результатами или помоги кому-нибудь.
md-jawad-117
Hello, I was using the GPU T4 x2 for training my custom RT-DETR model which is infact was twice as fast compared to P100 GPU with just one of them running.🚀🚀 While the second one was idle. Now when I tried to utilize both GPUs using device=[0, 1] & device=[-1, -1], i received an error which persisted as long as I did not restart the kernel. ⛓️💥⛓️💥
from ultralytics import RTDETR
model = RTDETR('/kaggle/working/rtdr.yaml').load('rtdetr-l.pt')
model.info()
results = model.train(data="/kaggle/working/data.yaml", epochs=30, imgsz=512, optimizer='AdamW', plots=True, batch=32, lr0=0.0001, device=[0,1])
md-jawad-117
Error Msg: Transferred 725/725 items from pretrained weights DDP: debug command /usr/bin/python3 -m torch.distributed.run --nproc_per_node 2 --master_port 52415 /root/.config/Ultralytics/DDP/_temp_xi8731gh140405119848080.py Traceback (most recent call last): File "/root/.config/Ultralytics/DDP/_temp_xi8731gh140405119848080.py", line 6, in from ultralytics.models.rtdetr.train import RTDETRTrainer ModuleNotFoundError: No module named 'ultralytics' Traceback (most recent call last): File "/root/.config/Ultralytics/DDP/_temp_xi8731gh140405119848080.py", line 6, in from ultralytics.models.rtdetr.train import RTDETRTrainer ModuleNotFoundError: No module named 'ultralytics' E0601 09:54:34.472000 132 torch/distributed/elastic/multiprocessing/api.py:869] failed (exitcode: 1) local_rank: 0 (pid: 134) of binary: /usr/bin/python3 Traceback (most recent call last): File "", line 198, in _run_module_as_main File "", line 88, in _run_code File "/usr/local/lib/python3.11/dist-packages/torch/distributed/run.py", line 922, in main() File "/usr/local/lib/python3.11/dist-packages/torch/distributed/elastic/multiprocessing/errors/init.py", line 355, in wrapper return f(*args, **kwargs) ^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.11/dist-packages/torch/distributed/run.py", line 918, in main run(args) File "/usr/local/lib/python3.11/dist-packages/torch/distributed/run.py", line 909, in run elastic_launch( File "/usr/local/lib/python3.11/dist-packages/torch/distributed/launcher/api.py", line 138, in call return launch_agent(self._config, self._entrypoint, list(args)) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.11/dist-packages/torch/distributed/launcher/api.py", line 269, in launch_agent raise ChildFailedError( torch.distributed.elastic.multiprocessing.errors.ChildFailedError:
/root/.config/Ultralytics/DDP/_temp_xi8731gh140405119848080.py FAILED
Failures: [1]: time : 2025-06-01_09:54:34 host : 9bca5bb85783 rank : 1 (local_rank: 1) exitcode : 1 (pid: 135) error_file: <N/A> traceback : To enable traceback see: https://pytorch.org/docs/stable/elastic/errors.html
Root Cause (first observed failure): [0]: time : 2025-06-01_09:54:34 host : 9bca5bb85783 rank : 0 (local_rank: 0) exitcode : 1 (pid: 134) error_file: <N/A> traceback : To enable traceback see: https://pytorch.org/docs/stable/elastic/errors.html
CalledProcessError Traceback (most recent call last) /tmp/ipykernel_35/2411087223.py in <cell line: 0>() ----> 1 results = model.train(data="/kaggle/working/data.yaml", epochs=30, imgsz=512, optimizer='AdamW', plots=True, batch=16, lr0=0.0001, device=[0,-1])
/kaggle/working/ultralytics/engine/model.py in train(self, trainer, **kwargs) 795 796 self.trainer.hub_session = self.session # attach optional HUB session --> 797 self.trainer.train() 798 # Update model and cfg after training 799 if RANK in {-1, 0}:
/kaggle/working/ultralytics/engine/trainer.py in train(self) 220 subprocess.run(cmd, check=True) 221 except Exception as e: --> 222 raise e 223 finally: 224 ddp_cleanup(self, str(file))
/kaggle/working/ultralytics/engine/trainer.py in train(self) 218 try: 219 LOGGER.info(f"{colorstr('DDP:')} debug command {' '.join(cmd)}") --> 220 subprocess.run(cmd, check=True) 221 except Exception as e: 222 raise e
/usr/lib/python3.11/subprocess.py in run(input, capture_output, timeout, check, *popenargs, **kwargs) 569 retcode = process.poll() 570 if check and retcode: --> 571 raise CalledProcessError(retcode, process.args, 572 output=stdout, stderr=stderr) 573 return CompletedProcess(process.args, retcode, stdout, stderr)
CalledProcessError: Command '['/usr/bin/python3', '-m', 'torch.distributed.run', '--nproc_per_node', '2', '--master_port', '52415', '/root/.config/Ultralytics/DDP/_temp_xi8731gh140405119848080.py']' returned non-zero exit status 1.
Glenn JocherUltralyticsThanks for sharing your multi-GPU training issue with RT-DETR on Kaggle! The error you're encountering is related to DDP (Distributed Data Parallel) not being able to find the Ultralytics module in the spawned processes.
This is a known issue on Kaggle when using multi-GPU training with DDP. The spawned processes don't inherit the current environment properly. Here are a few solutions to try:
- Install Ultralytics system-wide before training:
import subprocess subprocess.run(['pip', 'install', '-U', 'ultralytics'], check=True)- Use single GPU with larger batch size instead:
results = model.train(data="/kaggle/working/data.yaml", epochs=30, imgsz=512, optimizer='AdamW', plots=True, batch=64, lr0=0.0001, device=0)- Try using device='cpu' to verify your setup works, then switch back to single GPU.
Unfortunately, Kaggle's multi-GPU DDP setup can be unreliable due to environment isolation issues. Since you mentioned T4 x2 was already twice as fast as P100 with just one GPU active, you might get better results focusing on optimizing single-GPU training with larger batch sizes or mixed precision training.
Have you tried increasing the batch size on a single T4 GPU to maximize utilization?