Bulut Eğitimi

Ultralytics Platform Bulut Eğitimi, bulut GPU'larında tek tıklamayla eğitim sunarak model eğitimini karmaşık kurulum gerektirmeden erişilebilir kılar. YOLO modellerini gerçek zamanlı metrik akışı ve otomatik kontrol noktası kaydetme ile eğitin.

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

Eğitim İletişim Kutusu

Herhangi bir proje sayfasında Yeni Model'e tıklayarak (veya bir veri kümesi sayfasından Eğit seçeneğiyle) platform UI'sından eğitime başlayın. Eğitim diyaloğunda iki sekme bulunur: Bulut Eğitimi ve Yerel Eğitim.

Adım 1: Temel Modeli Seçin

Resmi YOLO26 modellerinden veya kendi eğitilmiş modellerinizden seçim yapın:

Resmi modeller, görev türüne göre (detect, segment, Pose, obb, classify) nano'dan xlarge'a kadar boyutlarla düzenlenmiştir.

Adım 2: Veri Kümesini Seçin

Eğitim için bir veri kümesi seçin (bkz. Veri Kümeleri):

Adım 3: Parametreleri Yapılandırın

Temel eğitim parametrelerini ayarlayın:

Adım 4: Gelişmiş Ayarlar (İsteğe Bağlı)

Gelişmiş Ayarlar'ı genişleterek, gruba göre düzenlenmiş 40'tan fazla eğitim parametresi içeren tam yaml tabanlı parametre düzenleyicisine erişebilirsiniz (bkz. yapılandırma referansı):

Parametreler göreve duyarlıdır (örn., copy_paste yalnızca segment görevleri için gösterilir, pose/kobj yalnızca poz görevleri için). Bir Değiştirildi değerler varsayılanlardan farklı olduğunda bir rozet görünür ve sıfırlama düğmesiyle tümünü varsayılanlara döndürebilirsiniz.

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

Adım 5: GPU Seçin (Bulut Sekmesi)

Ultralytics Cloud'dan GPU'nuzu seçin:

Diyalog, mevcut bakiyenizi ve bir Yükle düğmesini gösterir. Yapılandırmanıza (model boyutu, veri kümesi görüntüleri, epoch'lar, GPU hızı) göre tahmini bir maliyet ve süre hesaplanır.

Adım 6: Eğitimi Başlatın

Görevinizi başlatmak için Eğitimi Başlat'a tıklayın. Platform:

1. Bir GPU örneği sağlar
2. Veri setinizi indirir
3. Eğitime başlar
4. Metrikleri gerçek zamanlı olarak yayınlar

Eğitim İşi Yaşam Döngüsü

Eğitim işleri aşağıdaki durumlar üzerinden ilerler:

Eğitimi İzle

Model sayfasının Eğitim sekmesinde gerçek zamanlı eğitim ilerlemesini görüntüleyin:

Grafikler Alt Sekmesi

Konsol Alt Sekmesi

ANSI renk desteği, ilerleme çubukları ve hata tespiti ile canlı konsol çıktısı.

Sistem Alt Sekmesi

Gerçek zamanlı GPU kullanımı, bellek, sıcaklık, CPU ve disk kullanımı.

Kontrol Noktaları

Kontrol noktaları otomatik olarak kaydedilir:

• Her epoch: En son ağırlıklar kaydedildi
• En iyi model: En yüksek mAP kontrol noktası korunur
• Nihai model: Eğitim tamamlandığında ağırlıklar

Eğitimi İptal Et

Çalışan bir işi durdurmak için model sayfasındaki Eğitimi İptal Et'e tıklayın:

• Hesaplama örneği sonlandırılır
• Krediler ücretlendirilmez
• O noktaya kadar kaydedilen kontrol noktaları korunur

Uzaktan Eğitim

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

Metrikleri platforma aktarırken kendi donanımınızda eğitim yapın.

pip install -U ultralytics

API Anahtarını Kur

1. Git Settings > Profile (API Anahtarları bölümü)
2. Yeni bir anahtar oluşturun (veya Yerel Eğitim sekmesini açtığınızda platform otomatik olarak bir tane oluşturur)
3. Ortam değişkenini ayarlayın:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Akışla Eğitim

Şunu kullanın: project ve name metrikleri akışla aktarmak için parametreler:

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",
)

Eğitim iletişim kutusundaki Yerel Eğitim sekmesi, API anahtarınız, seçilen parametreler ve gelişmiş argümanlar dahil olmak üzere önceden yapılandırılmış bir komut gösterir.

Platform Veri Kümelerini Kullanma

Platformda depolanan veri kümeleriyle eğitim yapmak için şunu kullanın: ul:// URI formatı:

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",
)

ul:// URI formatı, veri kümenizi otomatik olarak indirir ve yapılandırır. Model, platformdaki veri kümesine otomatik olarak bağlanır (bkz. Platform Veri Kümelerini Kullanma).

Faturalandırma

Eğitim maliyetleri GPU kullanımına dayalıdır:

Maliyet Tahmini

Eğitim başlamadan önce platform toplam maliyeti şu şekilde tahmin eder:

1. Veri kümesi boyutu, model karmaşıklığı, görüntü boyutu, batch boyutu ve GPU hızı üzerinden epoch başına saniyeyi tahmin etme
2. Epoch başına saniyeyi epoch sayısıyla çarparak, ardından başlangıç ​​ek yükünü ekleyerek toplam eğitim süresini hesaplama
3. Toplam eğitim saatini GPU'nun saatlik ücretiyle çarparak tahmini maliyeti hesaplama

Maliyeti etkileyen faktörler:

Maliyet Örnekleri

Faturalandırma Akışı

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

Bulut eğitimi faturalandırma akışı:

1. Tahmin: Eğitim başlamadan önce hesaplanan maliyet
2. Bakiye Kontrolü: Başlatmadan önce mevcut krediler kontrol edilir
3. Eğitim: İş, seçilen işlem gücünde çalışır
4. Ücretlendirme: Nihai maliyet, gerçek çalışma süresine göre belirlenir

İş Durumuna Göre Faturalandırma

Ödeme Yöntemleri

Eğitim Maliyetlerini Görüntüle

Eğitimden sonra, detaylı maliyetleri Faturalandırma sekmesinde görüntüleyin:

• Dönem başına maliyet dökümü
• Toplam GPU süresi
• Maliyet raporunu indir

Eğitim İpuçları

Doğru Model Boyutunu Seçin

Eğitim Süresini Optimize Et

Sorun Giderme

SSS

Eğitim ne kadar sürer?

Eğitim süresi şunlara bağlıdır:

• Veri seti boyutu
• Model boyutu
• Epoch sayısı
• Seçilen GPU

Tipik süreler (1000 görüntü, 100 epoch):

Gece boyunca eğitim yapabilir miyim?

Evet, eğitim tamamlanana kadar devam eder. Eğitim bittiğinde bir bildirim alacaksınız. Epoch tabanlı eğitim için hesabınızda yeterli bakiye olduğundan emin olun.

Kredilerim biterse ne olur?

Eğitim çalıştırması sırasında kredi bakiyeniz sıfıra ulaşırsa, eğitim tamamlanana kadar devam eder ve bakiyeniz eksiye düşer. Bu, eğitim işinizin asla yarıda kesilmemesini sağlar.

Eğitim tamamlandıktan sonra, yeni eğitim işlerine başlamadan önce bakiyenizi pozitife döndürmek için kredi eklemeniz gerekecektir. Tamamlanmış modeliniz, kontrol noktalarınız ve tüm eğitim çıktılarınız bakiyenizden bağımsız olarak tamamen korunur.

Eğitim maliyetim tahmini aşarsa ne olur?

Maliyet tahminleri yaklaşıktır — gerçek eğitim süresi, veri yükleme hızı, GPU ısınması ve model yakınsama davranışı gibi faktörlere bağlı olarak değişebilir. Gerçek maliyet tahmini aşarsa, bakiyeniz eksiye düşebilir (yukarıya bakın). Platform, tahmine dayanarak eğitimi durdurmaz.

Maliyetleri yönetmek için:

• Eğitim ilerlemesini gerçek zamanlı olarak izleyin ve gerekirse erken iptal edin
• Otomatik yükleme özelliğini etkinleştirerek kredileri otomatik olarak yenileyin
• Beklentileri ayarlamak için daha kısa çalıştırmalarla (daha az epoch) başlayın

Özel eğitim argümanları kullanabilir miyim?

Evet, 40'tan fazla yapılandırılabilir parametreye sahip bir YAML düzenleyicisine erişmek için eğitim iletişim kutusundaki Gelişmiş Ayarlar bölümünü genişletin. Varsayılan olmayan değerler hem bulut hem de yerel eğitim komutlarına dahil edilir.

YAML düzenleyici ayrıca önceki eğitim çalıştırmalarından yapılandırmaları içe aktarmayı da destekler:

• Mevcut modelden kopyala: Tamamlanmış herhangi bir modelin sayfasında, Eğitim Yapılandırması kartında bir JSON olarak Kopyala düğmesi bulunur. JSON'ı kopyalayın ve doğrudan YAML düzenleyiciye yapıştırın — JSON formatını otomatik olarak algılar ve tüm parametreleri içe aktarır.
• YAML veya JSON yapıştır: Herhangi bir geçerli YAML veya JSON eğitim yapılandırmasını düzenleyiciye yapıştırın. Parametreler otomatik olarak doğrulanır, aralık dışı değerler sınırlandırılır ve uyarılar görüntülenir.
• Dosyaları sürükle ve bırak: Bir .yaml veya .json dosyasını doğrudan düzenleyiciye sürükleyerek parametrelerini içe aktarın.

Bu, her parametreyi manuel olarak yeniden girmeye gerek kalmadan önceki eğitim yapılandırmalarını yeniden üretmeyi veya üzerinde yinelemeyi kolaylaştırır.

Bir veri kümesi sayfasından eğitim yapabilir miyim?

Evet, veri kümesi sayfalarındaki Eğit düğmesi, veri kümesi önceden seçilmiş ve kilitlenmiş olarak eğitim iletişim kutusunu açar. Ardından eğitimi başlatmak için bir proje ve model seçersiniz.

Eğitim Parametreleri Referansı

📅 2 ay önce oluşturuldu ✏️ 11 gün önce güncellendi

Yorumlar