Link to this sectionОблачное обучение#

Облачное обучение на Ultralytics Platform позволяет запускать тренировку моделей на облачных GPU в один клик, избавляя тебя от сложной настройки. Тренируй модели YOLO с потоковой передачей метрик в реальном времени и автоматическим сохранением чекпоинтов.

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 sectionДиалоговое окно тренировки#

Начни тренировку через интерфейс платформы, нажав New Model на любой странице проекта (или Train на странице набора данных). В диалоговом окне тренировки есть две вкладки: Cloud Training и Local Training.

Link to this sectionШаг 1: Выбери базовую модель#

Выбери одну из официальных моделей YOLO26 или используй свои собственные обученные модели:

Официальные модели распределены по типам задач (Detect, Segment, Semantic, Pose, OBB, Classify) и размерам от nano до xlarge.

Link to this sectionШаг 2: Выбери набор данных#

Выбери датасет для обучения (см. Datasets):

Link to this sectionШаг 3: Настрой параметры#

Установи основные параметры тренировки:

Link to this sectionШаг 4: Расширенные настройки (опционально)#

Разверни Advanced Settings для доступа к полному редактору параметров на базе YAML, содержащему более 40 параметров тренировки, сгруппированных по категориям (см. справочник конфигурации):

Параметры учитывают тип задачи (например, copy_paste отображается только для задач сегментации, pose/kobj — только для задач позы). Значок Modified появляется, когда значения отличаются от дефолтных, и ты можешь сбросить всё до настроек по умолчанию с помощью кнопки сброса.

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 sectionШаг 5: Выбери GPU (вкладка Cloud)#

Выбери свой GPU в облаке Ultralytics:

В диалоговом окне отображается твой текущий баланс и кнопка Top Up. Расчетная стоимость и длительность вычисляются на основе твоей конфигурации (размер модели, количество изображений в датасете, эпохи, скорость GPU).

Link to this sectionШаг 6: Начни тренировку#

Нажми Start Training, чтобы запустить задачу. Платформа:

1. Выделяет GPU-инстанс
2. Скачивает твой датасет
3. Начинает тренировку
4. Передает метрики в реальном времени

Link to this sectionЖизненный цикл задачи обучения#

Задачи обучения проходят через следующие статусы:

Link to this sectionМониторинг обучения#

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

Link to this sectionПодвкладка Графики#

Link to this sectionПодвкладка Консоль#

Консольный вывод в реальном времени с поддержкой цветов ANSI, индикаторами прогресса и обнаружением ошибок.

Link to this sectionПодвкладка Система#

Использование GPU, памяти, температуры, CPU и диска в реальном времени.

Link to this sectionЧекпоинты#

После завершения тренировки лучшая модель (best.pt, чекпоинт с самым высоким mAP) загружается на платформу и становится доступной для скачивания, экспорта и развертывания.

Link to this sectionОтменить обучение#

Нажми Cancel Training на странице модели, чтобы остановить запущенную задачу:

• Вычислительный инстанс будет завершен
• Списание кредитов прекращается
• Лучший чекпоинт остается доступным, если он был достигнут до отмены

Link to this sectionУдаленное обучение#

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

Обучай на своем собственном оборудовании, транслируя метрики на платформу.

pip install -U ultralytics

Link to this sectionНастройка 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"

Link to this sectionОбучение с потоковой передачей#

Используй параметры project и name для трансляции 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.

Link to this sectionИспользование датасетов платформы#

Обучай на датасетах, 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 загружает и настраивает твой датасет. Модель автоматически связывается с датасетом на платформе (см. Использование датасетов платформы).

Link to this sectionБиллинг#

Стоимость обучения основана на использовании GPU:

Link to this sectionОценка стоимости#

Перед началом обучения платформа оценивает общую стоимость с помощью:

1. Оценки секунд на эпоху на основе размера датасета, сложности модели, размера изображения, размера батча и скорости GPU
2. Расчета общего времени обучения путем умножения секунд на эпоху на количество эпох, с добавлением времени на запуск
3. Вычисления оценочной стоимости на основе общего количества часов обучения, умноженного на почасовую ставку GPU

Факторы, влияющие на стоимость:

Link to this sectionПримеры стоимости#

Link to this sectionПроцесс оплаты#

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

Процесс оплаты облачного обучения:

1. Оценка: стоимость рассчитывается до начала обучения
2. Проверка баланса: доступные кредиты проверяются перед запуском
3. Обучение: задание выполняется на выбранном вычислительном ресурсе
4. Списание: окончательная стоимость основана на фактическом времени работы

Link to this sectionБиллинг по статусу задания#

Link to this sectionСпособы оплаты#

Link to this sectionПросмотр расходов на обучение#

После обучения просмотри подробные расходы на вкладке Billing:

• Разбивка стоимости по эпохам
• Общее время GPU
• Скачать отчет о расходах

Link to this sectionСоветы по обучению#

Link to this sectionВыбор подходящего размера модели#

Link to this sectionОптимизация времени обучения#

Link to this sectionУстранение неполадок#

Link to this sectionFAQ#

Link to this sectionСколько времени занимает обучение?#

Время обучения зависит от:

• Размер набора данных
• Размер модели
• Количества эпох
• Выбранный GPU

Типичное время (1000 изображений, 100 эпох):

Link to this sectionМогу ли я оставить обучение на ночь?#

Да, обучение продолжается до завершения. Ты получишь уведомление, когда процесс закончится. Убедись, что на твоем счету достаточно средств для обучения на основе эпох.

Link to this sectionЧто произойдет, если закончатся кредиты?#

Если баланс твоих кредитов достигнет нуля во время обучения, оно продолжится до завершения, а баланс уйдет в минус. Это гарантирует, что задача обучения не будет прервана в процессе выполнения.

После завершения обучения тебе нужно будет пополнить баланс, чтобы вывести его из минуса перед запуском новых задач. Твоя обученная модель, контрольные точки и все артефакты обучения будут полностью сохранены независимо от баланса.

Link to this sectionЧто будет, если обучение стоит дороже, чем прогнозировалось?#

Оценки стоимости являются приблизительными — фактическое время обучения может варьироваться из-за таких факторов, как скорость загрузки данных, прогрев GPU и сходимость модели. Если фактическая стоимость превысит оценку, твой баланс может уйти в минус (см. выше). Платформа не останавливает обучение на основе оценки.

Чтобы управлять расходами:

• Отслеживай прогресс обучения в реальном времени и отменяй его при необходимости
• Включи автопополнение для автоматического восполнения кредитов
• Начинай с более коротких запусков (меньше эпох) для уточнения ожиданий

Link to this sectionМогу ли я использовать пользовательские аргументы обучения?#

Да, разверни раздел Расширенные настройки в диалоговом окне обучения, чтобы получить доступ к YAML-редактору с более чем 40 настраиваемыми параметрами. Значения, отличные от стандартных, будут включены как в облачные, так и в локальные команды обучения.

YAML-редактор также поддерживает импорт конфигураций из предыдущих запусков обучения:

• Копировать из существующей модели: На странице любой завершенной модели в карточке «Конфигурация обучения» есть кнопка Копировать как JSON. Скопируй JSON и вставь его прямо в YAML-редактор — он автоматически определит формат JSON и импортирует все параметры.
• Вставить YAML или JSON: Вставь любую корректную конфигурацию обучения в формате YAML или JSON в редактор. Параметры проверяются автоматически, значения вне допустимого диапазона ограничиваются, а предупреждения отображаются.
• Перетащить файлы: Перетащи файл .yaml или .json прямо в редактор для импорта его параметров.

Это упрощает воспроизведение или итерацию по предыдущим конфигурациям обучения без необходимости вручную вводить каждый параметр.

Link to this sectionМожно ли запустить обучение со страницы набора данных?#

Да, кнопка Обучить на страницах наборов данных открывает диалоговое окно обучения с предварительно выбранным и заблокированным набором данных. Затем ты выбираешь проект и модель, чтобы начать обучение.

Link to this sectionСправочник параметров обучения#