Облачное обучение

Облачное обучение Ultralytics Platform предлагает запуск тренировки на облачных GPU одним нажатием, делая обучение моделей доступным без 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

Окно настройки обучения

Запусти обучение из пользовательского интерфейса платформы, нажав New Model на странице любого проекта (или Train на странице набора данных). Окно обучения имеет две вкладки: Cloud Training и Local Training.

Шаг 1: Выбери базовую модель

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

Официальные модели организованы по типу задачи (Detect, Segment, Pose, OBB, Classify) с размерами от nano до xlarge.

Шаг 2: Выбери набор данных

Выбери набор данных для обучения (см. Datasets):

Шаг 3: Настрой параметры

Установи основные параметры обучения:

Шаг 4: Расширенные настройки (опционально)

Разверни Advanced Settings, чтобы получить доступ к полному YAML-редактору параметров с более чем 40 настройками обучения, организованными по группам (см. справочник конфигурации):

Параметры зависят от задачи (например, copy_paste отображается только для задач сегментации, pose/kobj — только для поз). Значок Modified появляется, когда значения отличаются от стандартных, и ты можешь 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: Выбери GPU (вкладка Cloud)

Выбери свой GPU из облака Ultralytics:

В окне отображается твой текущий balance и кнопка Top Up. Ориентировочная стоимость и длительность рассчитываются на основе твоей конфигурации (размер модели, количество изображений в наборе, эпохи, скорость GPU).

Шаг 6: Начни обучение

Нажми Start Training, чтобы запустить задачу. Платформа:

1. Выделяет экземпляр GPU
2. Загружает твой набор данных
3. Начинает процесс обучения
4. Передает метрики в режиме реального времени

Жизненный цикл задачи обучения

Задачи обучения проходят через следующие статусы:

Мониторинг обучения

Следи за прогрессом обучения в реальном времени на вкладке Train страницы модели:

Подвкладка Графики

Подвкладка Консоль

Вывод консоли в реальном времени с поддержкой ANSI-цветов, прогресс-барами и обнаружением ошибок.

Подвкладка Система

Мониторинг использования GPU, памяти, температуры, CPU и диска в реальном времени.

Чекпоинты

После завершения обучения лучшая модель (best.pt, чекпоинт с наивысшим показателем mAP) загружается на платформу и становится доступной для скачивания, экспорта и развертывания.

Отмена обучения

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

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

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

Обучай на своем собственном оборудовании, передавая метрики на платформу в режиме реального времени.

pip install -U ultralytics

Настройка API Key

1. Перейди в Settings > API Keys
2. Создай новый ключ (платформа также автоматически создает его при открытии вкладки Local Training)
3. Установи 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 содержит предварительно настроенную команду с твоим API key, выбранными параметрами и расширенными аргументами.

Использование наборов данных платформы

Обучай с наборами данных, 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 загружает и настраивает твой набор данных. Модель автоматически привязывается к набору данных на платформе (см. Использование наборов данных платформы).

Биллинг

Стоимость обучения зависит от использования GPU:

Оценка стоимости

Перед началом обучения платформа оценивает общую стоимость, выполняя:

1. Оценку секунд на эпоху на основе размера набора данных, сложности модели, размера изображения, размера батча и скорости GPU
2. Расчет общего времени обучения путем умножения секунд на эпоху на количество эпох с добавлением времени на запуск
3. Вычисление примерной стоимости исходя из общего количества часов обучения, умноженного на почасовую ставку GPU

Факторы, влияющие на стоимость:

Примеры стоимости

Процесс биллинга

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 биллинга облачного обучения:

1. Оценка: стоимость рассчитывается до начала обучения
2. Проверка баланса: наличие кредитов проверяется перед запуском
3. Обучение: задача выполняется на выбранном GPU
4. Списание: итоговая стоимость основана на фактическом времени работы

Биллинг по статусу задачи

Способы оплаты

Просмотр расходов на обучение

После обучения смотри подробные расходы на вкладке Billing:

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

Советы по обучению

Выбор подходящего размера модели

Оптимизация времени обучения

Устранение неполадок

FAQ

Сколько времени занимает обучение?

Время обучения зависит от:

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

Типичное время (1000 изображений, 100 эпох):

Могу ли я запустить обучение на ночь?

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

Что произойдет, если у меня закончатся кредиты?

Если баланс кредитов достигнет нуля во время обучения, процесс продолжится до завершения, а твой баланс станет отрицательным. Это гарантирует, что задача обучения не будет прервана в процессе выполнения.

После завершения обучения тебе нужно будет пополнить баланс, чтобы он стал положительным, прежде чем запускать новые задачи. Твоя готовая модель, контрольные точки и все артефакты обучения полностью сохраняются независимо от баланса.

Что 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 превышает оценку, твой баланс может стать отрицательным (см. выше). Платформа не останавливает обучение на основе оценки.

Для управления расходами:

• Отслеживай прогресс обучения в реальном времени и при необходимости заверши его досрочно
• Включи auto top-up для автоматического пополнения кредитов
• Начинай с коротких запусков (меньше эпох), чтобы оценить результат

Могу ли я использовать собственные аргументы обучения?

Да, разверни раздел Advanced Settings в диалоговом окне обучения, чтобы получить доступ к YAML-редактору с более чем 40 настраиваемыми параметрами. Значения, отличные от стандартных, включаются в команды обучения как в облаке, так и локально.

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

• Скопировать из существующей модели: На странице любой завершенной модели в карточке Training Configuration есть кнопка Copy as JSON. Скопируй JSON и вставь его прямо в YAML-редактор — он автоматически распознает 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 корректируются, а при необходимости отображаются предупреждения.
• Перетаскивание файлов: Перетащи файл .yaml или .json прямо в редактор для импорта параметров.

Это позволяет легко воспроизводить или изменять предыдущие конфигурации обучения, не вводя каждый параметр вручную.

Могу ли я запустить обучение со страницы набора данных?

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

Справочник параметров обучения