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 пользовательского интерфейса платформы, нажав Новая модель на любой странице проекта (или Обучить со страницы набора данных). Диалоговое окно обучения имеет две вкладки: Облачное обучение и Локальное обучение.

Шаг 1: Выбор базовой модели

Выберите из официальных моделей YOLO26 или ваших собственных обученных моделей:

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

Шаг 2: Выбор набора данных

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

Шаг 3: Настройка параметров

Установите основные параметры обучения:

Шаг 4: Расширенные настройки (Необязательно)

Разверните Расширенные настройки, чтобы получить доступ к полнофункциональному редактору параметров на основе yaml с более чем 40 параметрами обучения, сгруппированными по категориям (см. справочник по конфигурации):

Параметры учитывают задачу (например, copy_paste отображается только для задач segment, pose/kobj только для задач позы). А Изменено 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 ваш GPU из Ultralytics Cloud:

Диалоговое окно показывает ваш текущий баланс и кнопку «Пополнить». Расчетная стоимость и продолжительность вычисляются на основе вашей конфигурации (размер модели, изображения набора данных, эпохи, скорость GPU).

Шаг 6: Начать обучение

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 задачи обучения

Задачи обучения проходят следующие статусы:

Мониторинг обучения

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

Подвкладка диаграмм

Подвкладка консоли

Вывод консоли в реальном времени с поддержкой цветов ANSI, индикаторами прогресса и обнаружением ошибок.

Подвкладка "Система"

Использование GPU, памяти, температуры, CPU и диска в реальном 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 выполняющуюся задачу:

• Вычислительный экземпляр завершен
• Начисление кредитов прекращается
• Контрольные точки, сохраненные до этого момента, 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

Обучение на собственном оборудовании с потоковой передачей метрик на платформу.

pip install -U ultralytics

Настройка ключа API

1. Перейти Settings > Profile (раздел API Keys)
2. Создайте новый ключ (или платформа автоматически создает его 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",
)

Вкладка Локальное обучение в диалоговом окне обучения показывает предварительно настроенную команду с вашим API-ключом, выбранными параметрами и включенными расширенными аргументами.

Использование наборов данных платформы

Обучение с использованием наборов данных, хранящихся на платформе, с помощью 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 стоимости

Перед началом обучения платформа оценивает общую стоимость следующим образом:

1. Оценка секунд на эпоху на основе размера набора данных, сложности модели, размера изображения, размера пакета и скорости GPU.
2. Расчет общего времени обучения путем умножения секунд на эпоху на количество эпох, затем добавление накладных расходов на запуск
3. Расчет оценочной стоимости из общего количества часов обучения, умноженного на почасовую ставку GPU.

Факторы, влияющие на стоимость:

Примеры стоимости

Процесс 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

Порядок тарификации облачного обучения:

1. Оценка: Стоимость рассчитывается до начала обучения
2. Проверка баланса: Доступные кредиты проверяются перед запуском
3. Обучение: Задача выполняется на выбранном вычислительном ресурсе
4. Оплата: Окончательная стоимость рассчитывается исходя из фактического времени выполнения.

Выставление счетов в зависимости от статуса задания

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?

Если во время выполнения задания баланс кредитов достигнет нуля, выполнение задания будет продолжено до конца, и баланс станет отрицательным. Это гарантирует, что выполнение задания никогда не прервется на полпути.

По завершении обучения вам необходимо пополнить баланс, чтобы он снова стал положительным, прежде чем приступать к новым задачам обучения. Ваша готовая модель, контрольные точки и все результаты обучения полностью сохраняются независимо от состояния баланса.

Что произойдет, если стоимость обучения окажется выше сметы?

Расчетные затраты являются приблизительными — фактическая продолжительность обучения может варьироваться в зависимости от таких факторов, как скорость загрузки данных, GPU и поведение модели при сходимости. Если фактические затраты превысят расчетные, ваш баланс может стать отрицательным (см. выше). Платформа не прерывает обучение на основании расчетных данных.

Для управления затратами:

• Отслеживайте ход обучения в режиме реального времени и при необходимости прекращайте его досрочно
• Включите функцию автоматического пополнения, чтобы баланс пополнялся автоматически
• Начните с более коротких циклов (меньшего количества эпох), чтобы скорректировать ожидания

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.

Редактор YAML также поддерживает импорт конфигураций из предыдущих циклов обучения:

• Копирование из существующей модели: на странице любой готовой модели на карточке «Настройки обучения» есть кнопка «Копировать как JSON ». Скопируйте JSON-код и вставьте его прямо в редактор YAML — он автоматически распознает формат JSON и импортирует все параметры.
• Вставьте YAML или JSON: вставьте в редактор любую допустимую конфигурацию обучения в формате YAML или JSON. Параметры проверяются автоматически: значения, выходящие за пределы допустимого диапазона, ограничиваются, а также отображаются предупреждения.
• Перетаскивание файлов: Перетащите .yaml или .json файл непосредственно в редактор, чтобы импортировать его параметры.

Это позволяет легко воспроизводить или модифицировать предыдущие конфигурации обучения без необходимости вручную вводить каждый параметр заново.

Можно ли обучать модель со страницы набора данных?

Да, кнопка «Обучить» на страницах наборов данных открывает диалоговое окно обучения с предварительно выбранным и заблокированным набором данных. Затем вы выбираете проект и модель для начала обучения.

Справочник параметров обучения

📅 Создано 2 месяцев назад ✏️ Обновлено 2 дней назад

Комментарии