Облачное обучение

Облачное обучение на Ultralytics Platform предлагает обучение в один клик на облачных GPU, делая обучение моделей доступным без сложной настройки. Обучайте модели YOLO с потоковой передачей метрик в реальном времени и автоматическим сохранением контрольных точек.

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

Диалог обучения

Начните обучение из интерфейса платформы, нажав «Новая модель » на любой странице проекта (или «Обучение из набора данных»). Диалоговое окно обучения имеет две вкладки: «Обучение в облаке » и «Локальное обучение».

Шаг 1: Выберите базовую модель

Выберите из официальных моделей YOLO26 или своих собственных обученных моделей:

Официальные модели организованы по типу задачи (обнаружение, сегментация, поза, OBB, классификация) с размерами от nano до xlarge.

Шаг 2: Выберите набор данных

Выберите набор данных для обучения (см. «Наборы данных»):

Шаг 3: Настройка параметров

Установите основные параметры тренировки:

Шаг 4: Расширенные настройки (необязательно)

Разверните «Расширенные настройки», чтобы получить доступ к полному редактору параметров на основе YAML с более чем 40 параметрами обучения, организованными по группам (см. справочник по конфигурации):

Параметры зависят от задачи (например, copy_paste отображается только для segment , pose/kobj только для задач позы). A Измененный значок появляется, когда значения отличаются от значений по умолчанию, и вы можете сбросить все до значений 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

Шаг 5: Выберите GPU вкладка «Облако»)

Выберите свой GPU Ultralytics :

В диалоговом окне отображается ваш текущий баланс и кнопка «Пополнить ». Ориентировочная стоимость и продолжительность рассчитываются на основе вашей конфигурации (размер модели, набор данных изображений, эпохи, GPU ).

Шаг 6: Начните тренировку

Нажмите Начать обучение, чтобы запустить задачу. Платформа:

1. Выделяет экземпляр GPU
2. Загружает ваш набор данных
3. Начинает обучение
4. Передает метрики в реальном времени

Жизненный цикл обучения

Задания по обучению проходят следующие статусы:

Мониторинг обучения

Просмотр хода обучения в реальном времени на вкладке «Обучение» страницы модели:

Вкладка «Графики»

Вкладка «Консоль»

Вывод на консоль в реальном времени с поддержкой цветов ANSI, индикаторами выполнения и обнаружением ошибок.

Вкладка «Система»

GPU , памяти, температура, использование CPU и диска в режиме реального времени.

Контрольные точки

Контрольные точки сохраняются автоматически:

• Каждая эпоха: Сохраняются последние веса
• Лучшая модель: Сохраняется контрольная точка с наивысшим mAP
• Финальная модель: Веса по завершении обучения

Отменить обучение

Нажмите «Отменить обучение» на странице модели, чтобы остановить выполняющееся задание:

• Вычислительный экземпляр завершен
• Начисление кредитов прекращается
• Сохраненные до этого момента контрольные точки сохраняются

Удаленное 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

Обучайте на своем собственном оборудовании, одновременно передавая метрики на платформу.

pip install -U ultralytics

Настройка ключа API

1. Перейти к Settings > Profile (Раздел «Ключи API»)
2. Создайте новый ключ (или платформа создаст его автоматически при открытии вкладки «Локальное обучение»).
3. Установите переменную окружения:

export ULTRALYTICS_API_KEY="your_api_key"

Обучение с потоковой передачей

Используйте project и name параметры для потоковой передачи метрик:

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

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="coco.yaml",
    epochs=100,
    project="username/my-project",
    name="experiment-1",
)

На вкладке «Локальное обучение» в диалоговом окне обучения отображается предварительно настроенная команда с вашим ключом API, выбранными параметрами и расширенными аргументами.

Использование наборов данных платформы

Обучайте с помощью наборов данных, хранящихся на платформе, используя ul:// Формат URI:

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

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="ul://username/datasets/my-dataset",
    epochs=100,
    project="username/my-project",
    name="exp1",
)

Параметр ul:// Формат URI автоматически загружает и настраивает ваш набор данных. Модель автоматически связывается с набором данных на платформе (см. Использование наборов данных платформы).

Оплата

Стоимость обучения основывается на использовании GPU:

Оценка затрат

Перед началом обучения платформа рассчитывает общую стоимость следующим образом:

1. Оценка количества секунд на эпоху на основе размера набора данных, сложности модели, размера изображения, размера партии и GPU
2. Расчет общего времени обучения путем умножения секунд на эпоху на количество эпох, а затем добавления затрат на запуск
3. Расчет примерной стоимости на основе общего количества часов обучения, умноженного на почасовую ставку GPU

Факторы, влияющие на стоимость:

Примеры затрат

Поток выставления счетов

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

Последовательность выставления счетов за обучение в облаке:

1. Оценка: Стоимость рассчитывается до начала обучения
2. Проверка баланса: перед запуском проверяются доступные кредиты
3. Поезд: Задание выполняется на выбранном вычислительном ресурсе
4. Стоимость: окончательная стоимость зависит от фактического времени работы

Способы оплаты

Просмотр стоимости обучения

После обучения подробные расходы можно просмотреть на вкладке Биллинг:

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

Советы по обучению

Выбор подходящего размера модели

Оптимизация времени обучения

Устранение неполадок

Часто задаваемые вопросы

Сколько времени занимает обучение?

Время обучения зависит от:

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

Типичное время (1000 изображений, 100 эпох):

Можно ли обучать ночью?

Да, обучение продолжается до завершения. Вы получите уведомление по окончании обучения. Убедитесь, что на вашем счете достаточно средств для обучения на основе эпох.

Что произойдет, если у меня закончатся средства?

Обучение приостанавливается в конце текущей эпохи. Ваша контрольная точка сохранена, и вы можете возобновить обучение после пополнения баланса.

Могу ли я использовать пользовательские аргументы обучения?

Да, разверните раздел «Расширенные настройки» в диалоговом окне обучения, чтобы получить доступ к редактору YAML с более чем 40 настраиваемыми параметрами. Нестандартные значения включены как в облачные, так и в локальные команды обучения.

Могу ли я проводить обучение на странице набора данных?

Да, кнопка «Обучить» на страницах набора данных открывает диалоговое окно обучения с предварительно выбранным и заблокированным набором данных. Затем вы выбираете проект и модель, чтобы начать обучение.

Справочник параметров обучения

📅 Создано 1 месяц назад ✏️ Обновлено 5 дней назад

Комментарии