Обучение в облаке#

Ultralytics Platform обеспечивает обучение на облачных GPU одним нажатием, делая обучение моделей доступным без сложной настройки. Обучай модели YOLO с потоковой передачей метрик в реальном времени и автоматическим сохранением контрольных точек.

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

Диалог обучения#

Начни обучение в интерфейсе платформы, нажав Новая модель на странице любого проекта или набора данных. В диалоге обучения есть две вкладки: Обучение в облаке и Локальное обучение. Если выбранный набор данных находится на локальном хосте, первая вкладка становится вкладкой Локальный хост, а вкладка локального обучения скрывается — такой набор данных можно обучать только на собственном хосте, для чего требуется план Enterprise и подключённый онлайн-воркер.

Диалоговое окно запоминает базовую модель и любые параметры, отличающиеся от параметров по умолчанию, которые были в нем при последнем закрытии, для каждой задачи датасета и рабочего пространства в текущем браузере, и восстанавливает их при следующем открытии для этой задачи. Выбор GPU не запоминается, а кнопка Retry для неудачного запуска восстанавливает собственные аргументы этого запуска.

Шаг 1: выбери базовую модель#

Выбери официальную модель Ultralytics или одну из собственных завершённых моделей:

На каждой вкладке модели сгруппированы по задачам в каноническом порядке и отсортированы по размеру. Селектор фильтрует официальные модели по задачам, совместимым с выбранным набором данных. YOLO26 включает варианты детектирования, сегментации, семантической сегментации, оценки глубины, классификации, оценки позы и OBB размером от nano до xlarge.

Шаг 2: выбери набор данных#

Выбери набор данных для обучения (см. раздел Наборы данных):

Шаг 3: настрой параметры#

Задай основные параметры обучения:

Значения, введённые за пределами диапазона параметра, ограничиваются при потере фокуса полем.

Шаг 4: расширенные настройки (необязательно)#

Разверни Расширенные настройки, чтобы открыть полноценный редактор параметров на основе YAML с более чем 50 параметрами обучения, организованными по группам (см. справочник конфигурации):

Параметры учитывают задачу (например, copy_paste отображается только для задач сегментации, pose/kobj — только для задач оценки позы, а dropout — только для классификации). При отличии значений от значений по умолчанию появляется метка Изменено, а все значения можно сбросить до стандартных кнопкой сброса. В задачу обучения передаются только отличающиеся от стандартных расширенные значения (основные параметры эпох, пакета и размера изображения передаются всегда), поэтому итоговая команда остаётся понятной.

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 Сохранить версию набора данных, чтобы связать модель с неизменяемой версией набора данных, размещённого на платформе. Платформа проверяет, изменилось ли содержимое набора данных, повторно использует соответствующую версию, если изменений не было, и создаёт новую пронумерованную версию только при необходимости. После этого обучение использует точный снимок NDJSON и записывает его номер версии и хеш содержимого в модель.

Это сохраняет данные, использованные для запуска, даже если позже ты добавишь или удалишь изображения, отредактируешь аннотации или изменишь разбиение набора данных. Связанную версию можно найти на вкладках Модели и Версии набора данных.

Шаг 5: выбери GPU (вкладка облака)#

Выбери GPU в Ultralytics Cloud:

В диалоге отображаются текущий баланс и кнопка Пополнить. Карточка стоимости оценивает общую продолжительность и цену для твоей конфигурации (размер модели, количество изображений в наборе данных, количество эпох, размер изображения, размер пакета, оптимизатор и скорость GPU), а также показывает расчётное количество секунд на эпоху и количество изображений в наборе данных.

Шаг 6: начни обучение#

Нажми Начать обучение, чтобы запустить задачу. Платформа:

1. Определяет неизменяемую версию набора данных, если включена функция Сохранить версию набора данных
2. Выделяет экземпляр GPU
3. Загружает твой набор данных
4. Начинает обучение
5. Передаёт метрики в реальном времени

Повторное обучение существующей модели использует ту же страницу модели и очищает графики, вывод консоли, системные метрики и состояние ошибки предыдущего запуска после создания новой задачи. Если запуск завершается ошибкой до выделения вычислительных ресурсов, предыдущие результаты остаются без изменений.

Жизненный цикл задачи обучения#

Задачи обучения проходят следующие статусы:

Критическая ошибка Python в потоке консоли — traceback, ошибка CUDA out-of-memory или сбой инициализации CUDA — немедленно завершает запуск, не дожидаясь тайм-аута, а извлечённое сообщение появляется на странице модели в баннере ошибки с действиями View full console logs и Retry Training. Запуски, которые не сообщают об активности несколько часов, автоматически помечаются как завершившиеся ошибкой, а их вычислительные ресурсы освобождаются.

Чтобы получать результаты завершённых и неудачных запусков, не оставляя эту страницу открытой, подключи уведомления Slack.

Отслеживай обучение#

Просматривай прогресс обучения в реальном времени на вкладке Train страницы модели:

Подвкладка Charts#

Графики сгруппированы по семействам метрик, а отображаемые группы зависят от данных, которые сообщает запуск:

Каждую группу можно свернуть, отдельные графики можно скрывать или показывать через меню группы, а графики можно перетаскивать и изменять их размер — выбранная компоновка запоминается.

Подвкладка Console#

Вывод консоли в реальном времени с поддержкой цветов ANSI, индикаторами выполнения и обнаружением критических ошибок. Сохраняются последние 2000 строк, отображение временных меток можно включить, а весь журнал можно скопировать как обычный текст.

Подвкладка System#

Информация о хосте в реальном времени (имя хоста, CPU, GPU, общий объём RAM и диска), а также графики по эпохам для загрузки CPU и RAM, загрузки и памяти GPU, температуры GPU, сетевого ввода-вывода и дискового ввода-вывода.

Контрольные точки#

Лучшая контрольная точка (best.pt) периодически загружается на платформу во время обучения и ещё раз после завершения запуска, поэтому скачивание, экспорт и развёртывание всегда используют лучшую достигнутую на данный момент эпоху. Если запуск отменён, контрольная точка, загруженная до отмены, сохраняется.

Отмена обучения#

Нажми Cancel в карточке Run Information на странице модели и подтверди действие. При облачном обучении платформа останавливает задачу, освобождает вычислительные ресурсы и списывает фактически использованное до отмены время работы GPU. При локальном обучении сигнал отмены останавливает процесс на границе следующей эпохи и сохраняет частичные результаты — запуск загружает всё доступное перед завершением.

Удалённое 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 модель на собственном оборудовании, передавая метрики на платформу в режиме потоковой передачи.

pip install -U ultralytics

Настройка API-ключа#

1. Перейди в Settings > API Keys
2. Создай новый ключ (или платформа создаст его автоматически при открытии вкладки Local Training)
3. Задай переменную окружения:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Обучение с потоковой передачей#

Используй параметры project и name для потоковой передачи 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-ключом, выбранными параметрами и дополнительными аргументами.

Использование наборов данных платформы#

Обучай модель на наборах данных, хранящихся 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 набор данных. Модель автоматически связывается с набором данных на платформе (см. раздел Using Platform Datasets).

Оплата#

Стоимость обучения зависит от использования GPU:

Оценка стоимости#

Перед началом обучения платформа оценивает общую продолжительность и стоимость на основе размера набора данных, размера модели, размера изображений, размера пакета, количества эпох и выбранного GPU. Оценки являются приблизительными; оплачивается фактическое использование.

Факторы, влияющие на стоимость:

Оценки основаны на реальных запусках в облаке, и в них всегда используется выбранный тобой GPU — поэтому задача, направленная на более быструю инфраструктуру Ultralytics, завершается раньше расчётного времени.

Примеры стоимости#

Порядок списания средств#

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

Порядок списания средств при облачном обучении:

1. Оценка: стоимость рассчитывается до начала обучения
2. Проверка баланса: доступные кредиты проверяются перед запуском
3. Обучение и учёт: задача выполняется на выбранных вычислительных ресурсах, а накопленное время работы GPU списывается с баланса поэтапно во время выполнения
4. Окончательный расчёт: в конечном состоянии списывается оставшаяся сумма, а для всего запуска создаётся одна транзакция Training

Оплата в зависимости от статуса задачи#

Запуск, который не сообщает об активности несколько часов, автоматически помечается как завершившийся ошибкой; экземпляр завершается, а накопленное время работы GPU оплачивается. Удалённые запуски на собственном оборудовании просто помечаются как завершившиеся ошибкой, без списаний.

Способы оплаты#

Облачное обучение оплачивается из твоего кредитного баланса Platform.

Просмотр стоимости обучения#

Перед запуском облачной задачи диалоговое окно обучения показывает текущий кредитный баланс и оценивает продолжительность и стоимость задачи на основе выбранной модели, набора данных, количества эпох, размера изображений и GPU. Оценка носит информационный характер; фактическое использование оплачивается по времени работы GPU. После этого проверь созданную транзакцию с кредитами в разделе Settings > Billing.

Советы по обучению#

Выбор подходящего размера модели#

Оптимизация времени обучения#

Устранение неполадок#

Справочник параметров обучения#

Часто задаваемые вопросы#