Облачное обучение#

Ultralytics Platform Облачное Обучение предлагает обучение в один клик на облачных GPU, делая обучение моделей доступным без сложной настройки. Обучай модели YOLO со стримингом метрик в реальном времени и автоматическим сохранением чекпоинтов.

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

Диалоговое окно тренировки#

Начни обучение из пользовательского интерфейса платформы, нажав New Model на странице любого проекта или датасета. Диалоговое окно обучения содержит две вкладки: Cloud Training и Local Training. Если выбранный датасет находится на хосте On Premise, первая вкладка меняется на On Premise, а вкладка Local Training скрывается — такой датасет можно обучать только на его собственном хосте, что требует плана Enterprise и подключенного воркера в сети.

Шаг 1: Выбери базовую модель#

Выбери официальную модель Ultralytics или одну из своих завершенных моделей:

На каждой вкладке модели сгруппированы по задачам в каноническом порядке и отсортированы по размеру. Селектор фильтрует официальные задачи под модели, совместимые с выбранным датасетом. YOLO26 включает варианты Detect, Segment, Semantic, Depth, Classify, Pose и OBB в размерах от nano до xlarge.

Шаг 2: Выбери набор данных#

Выбери датасет для обучения (см. Datasets):

Шаг 3: Настрой параметры#

Установи основные параметры тренировки:

Значения, введенные вне диапазона параметра, автоматически корректируются при потере фокуса поля.

Шаг 4: Расширенные настройки (опционально)#

Разверни Advanced Settings, чтобы получить доступ к полному редактору параметров на базе YAML с 50+ параметрами обучения, организованными по группам (см. справочник по конфигурации):

Параметры зависят от задачи (например, copy_paste отображается только для задач сегментации, pose/kobj только для задач pose, dropout только для классификации). Бейдж Modified появляется, когда значения отличаются от значений по умолчанию, и ты можешь сбросить все до значений по умолчанию с помощью кнопки сброса. В задачу обучения отправляются только измененные расширенные значения (базовые параметры epochs, batch и размера изображения включаются всегда), поэтому результирующая команда остается читаемой.

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

Сохранить версию набора данных (необязательно)#

Включи Save Dataset Version, чтобы привязать модель к неизменяемой версии набора данных, размещенного на Platform. Platform проверяет, изменилось ли содержимое набора данных, использует существующую версию, если изменений нет, и создает новую пронумерованную версию только при необходимости. Обучение затем использует этот конкретный снимок NDJSON и записывает его номер версии и хеш содержимого в модель.

Это позволяет сохранить данные, использованные для запуска, даже если ты позже добавишь или удалишь изображения, отредактируешь аннотации или изменишь разбиение набора данных. Ты можешь найти привязанную версию на вкладках Models и Versions набора данных.

Шаг 5: Выбери GPU (вкладка Cloud)#

Выбери свой GPU в облаке Ultralytics:

В диалоговом окне отображаются твой текущий баланс и кнопка Top Up. Карточка стоимости оценивает общую продолжительность и цену для твоей конфигурации (размер модели, изображения датасета, эпохи, размер изображения, размер батча, оптимизатор и скорость GPU), а также сообщает примерное количество секунд на эпоху и количество изображений в датасете.

Шаг 6: Начни тренировку#

Нажми Start Training, чтобы запустить задачу. Платформа:

1. Определяет неизменяемую версию набора данных, когда включена опция Save Dataset Version
2. Выделяет GPU-инстанс
3. Скачивает твой датасет
4. Начинает тренировку
5. Передает метрики в реальном времени

Повторный запуск существующей модели использует ту же страницу модели и очищает графики предыдущего запуска, вывод в консоль, системные метрики и состояние ошибки после создания нового задания. Запуск, который завершается с ошибкой до выделения вычислительных ресурсов, оставляет предыдущие результаты нетронутыми.

Жизненный цикл задачи обучения#

Задачи обучения проходят через следующие статусы:

Фатальная ошибка Python в потоке консоли — трассировка (traceback), ошибка нехватки памяти CUDA или неудачная инициализация CUDA — немедленно завершает работу вместо ожидания тайм-аута, а извлеченное сообщение появляется в баннере ошибки на странице модели с действиями View full console logs и Retry Training. Запуски, которые перестают сообщать об активности в течение нескольких часов, автоматически помечаются как неудачные, а их вычислительные ресурсы высвобождаются.

Чтобы получать результаты завершенных и неуспешных запусков, не оставляя эту страницу открытой, подключи Slack alerts.

Мониторинг обучения#

Смотри прогресс тренировки в реальном времени на вкладке Train страницы модели:

Подвкладка Графики#

Графики сгруппированы по семействам метрик, и отображаемые группы зависят от того, что сообщает запуск:

Каждую группу можно свернуть, отдельные графики можно скрывать или показывать из меню группы, а графики можно перетаскивать и изменять их размер — макет запоминается для следующего раза.

Подвкладка Консоль#

Консольный вывод в реальном времени с поддержкой ANSI-цветов, индикаторами выполнения и обнаружением фатальных ошибок. Сохраняются последние 2000 строк, можно включать отображение временных меток, а весь лог можно скопировать как простой текст.

Подвкладка Система#

Живая карточка хоста (имя хоста, CPU, GPU, RAM и общий объем диска) плюс графики по эпохам для использования CPU и RAM, загрузки GPU и памяти, температуры GPU, сетевого ввода-вывода и дискового ввода-вывода.

Чекпоинты#

Лучшая контрольная точка (best.pt) периодически загружается на платформу во время обучения и снова при завершении запуска, поэтому загрузка, экспорт и развертывание всегда используют лучшую эпоху из полученных на данный момент. Если запуск отменяется, сохраняется контрольная точка, загруженная до отмены.

Отменить обучение#

Нажми Cancel в карточке информации о запуске на странице модели и подтверди действие. Для облачного обучения платформа останавливает задание, освобождает его вычислительные ресурсы и списывает время GPU, затраченное до отмены. Для локального обучения отмена сигнализирует процессу остановиться на границе следующей эпохи и сохраняет частичные результаты — запуск выгружает то, что есть, перед выходом.

Удаленное обучение#

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

Обучай на своем собственном оборудовании, транслируя метрики на платформу.

pip install -U ultralytics

Настройка API Key#

1. Перейди в Settings > API Keys
2. Создай новый ключ (или платформа автоматически создаст его, когда ты откроешь вкладку Local Training)
3. Установи переменную окружения:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Обучение с потоковой передачей#

Используй параметры project и name для стриминга метрик:

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

Вкладка Local Training в диалоговом окне обучения показывает предварительно настроенную команду с твоим API Key, выбранными параметрами и включенными расширенными аргументами.

Использование датасетов платформы#

Обучай с датасетами, хранящимися на платформе, используя формат URI ul://:

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

Формат URI ul:// автоматически скачивает и настраивает твой датасет. Модель автоматически связывается с датасетом на платформе (см. Использование датасетов платформы).

Биллинг#

Стоимость обучения основана на использовании GPU:

Оценка стоимости#

Перед началом обучения платформа оценивает общую продолжительность и стоимость на основе размера твоего датасета, размера модели, размера изображения, размера батча, эпох и выбранного GPU. Оценки являются приблизительными; оплачивается фактическое использование.

Факторы, влияющие на стоимость:

Оценки основаны на реальных запусках облачного обучения, и оценка всегда использует выбранный тобой GPU — поэтому задача, направленная на более быструю инфраструктуру Ultralytics, завершается раньше своей оценки.

Примеры стоимости#

Процесс оплаты#

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

Процесс оплаты облачного обучения:

1. Оценка: стоимость рассчитывается до начала обучения
2. Проверка баланса: доступные кредиты проверяются перед запуском
3. Обучение и учет: задача запускается на выбранном вычислительном ресурсе, а начисленное время GPU списывается с твоего баланса поэтапно во время выполнения
4. Расчет: в конечном состоянии списывается оставшийся хвост и для всего прогона создается одна транзакция Training

Биллинг по статусу задания#

Запуск, который перестает передавать данные об активности в течение нескольких часов, автоматически помечается как неудавшийся; экземпляр завершается, а затраченное время GPU списывается. Удаленные запуски на собственном оборудовании просто помечаются как неудавшиеся без списания средств.

Способы оплаты#

Облачное обучение оплачивается с баланса твоих кредитов платформы.

Просмотр расходов на обучение#

Перед запуском облачной задачи диалоговое окно обучения показывает твой текущий баланс кредитов и оценивает длительность и стоимость задачи на основе выбранной модели, набора данных, эпох, размера изображения и GPU. Эта оценка носит информационный характер; фактическое использование оплачивается по потребленному времени GPU. После этого проверь получившуюся транзакцию кредитов в Settings > Billing.

Советы по обучению#

Выбор подходящего размера модели#

Оптимизация времени обучения#

Устранение неполадок#

Справочник параметров обучения#

FAQ#