Model Eğitimi#
Ultralytics Platform, deneyleri organize etmekten gerçek zamanlı metrik akışıyla bulut eğitim işleri çalıştırmaya kadar YOLO modellerini eğitmek için kapsamlı araçlar sunar.
Watch: Get Started with Ultralytics Platform - Train
Genel Bakış#
Eğitim bölümü şunları yapmana yardımcı olur:
- Daha kolay yönetim için modelleri projelere organize et
- Eğit: Tek tıkla bulut GPU'larında eğitim yap
- İzle: Eğitim sırasında gerçek zamanlı metrikleri takip et
- Karşılaştır: Deneyler arasında model performansını karşılaştır
- 20 dağıtım formatına dışa aktar (desteklenen formatlara bakın)
İş Akışı#
graph LR
A[📁 Project]:::start --> B[⚙️ Configure]:::proc
B --> C[🚀 Train]:::proc
C --> D[📈 Monitor]:::proc
D --> E[📦 Export]:::out
classDef start fill:#4CAF50,color:#fff
classDef proc fill:#2196F3,color:#fff
classDef out fill:#9C27B0,color:#fff| Aşama | Açıklama |
|---|---|
| Proje | İlgili modelleri organize etmek için bir çalışma alanı oluştur |
| Yapılandır | Veri setini, taban modeli ve eğitim parametrelerini seç |
| Eğit | Bulut GPU'larında veya kendi yerel donanımında çalıştır |
| İzle | Gerçek zamanlı kayıp eğrilerini ve metrikleri görüntüle |
| Dışa Aktar | 20 dağıtım formatına dönüştür (detaylar) |
Eğitim Seçenekleri#
Ultralytics Platform birden fazla eğitim yaklaşımını destekler:
| Yöntem | Açıklama | En İyi Kullanım |
|---|---|---|
| Bulut Eğitimi | Ultralytics Bulut GPU'larında eğit | Yerel GPU yok, ölçeklenebilirlik |
| Yerel Eğitim | Yerelde eğit, metrikleri platforma akıt | Mevcut donanım, gizlilik |
| Colab Eğitimi | Platform entegrasyonu ile Google Colab kullan | Ücretsiz GPU erişimi |
RTX PRO 6000'den daha ucuz bir GPU seçtiğinde ve Ultralytics tarafından yönetilen kapasite boş olduğunda, Platform işini bir RTX PRO 6000 üzerinde çalıştırır ancak yine de seçtiğin GPU'nun saatlik ücretini faturalandırır. İşler, seçilen GPU'da olacağından daha çabuk bitebilir ve daha az maliyet tutabilir; yükseltme asla süre veya maliyet eklemez.
GPU Seçenekleri#
Ultralytics Cloud'da bulut eğitimi için kullanılabilir GPU'lar:
| GPU | Nesil | VRAM | Maliyet/Saat | En İyi Kullanım |
|---|---|---|---|---|
| RTX 2000 Ada | Ada | 16 GB | $0.24 | Küçük veri kümeleri, test |
| RTX A4500 | Ampere | 20 GB | $0.25 | Küçük-orta veri kümeleri |
| RTX 4000 Ada | Ada | 20 GB | $0.26 | Orta ölçekli veri kümeleri |
| RTX A5000 | Ampere | 24 GB | $0.27 | Orta ölçekli veri kümeleri |
| L4 | Ada | 24 GB | $0.39 | Çıkarım için optimize edilmiş |
| A40 | Ampere | 48 GB | $0.44 | Daha büyük yığın (batch) boyutları |
| RTX 3090 | Ampere | 24 GB | $0.46 | Genel eğitim |
| RTX A6000 | Ampere | 48 GB | $0.49 | Büyük modeller |
| RTX PRO 4000 | Blackwell | 24 GB | $0.57 | Budget Blackwell |
| RTX PRO 4500 | Blackwell | 32 GB | $0.64 | Harika fiyat/performans |
| RTX 4090 | Ada | 24 GB | $0.69 | En iyi fiyat/performans |
| RTX 6000 Ada | Ada | 48 GB | $0.77 | Büyük yığın eğitimleri |
| L40S | Ada | 48 GB | $0.86 | Büyük yığın eğitimleri |
| RTX PRO 5000 | Blackwell | 48 GB | $0.96 | Büyük yığın eğitimleri |
| RTX 5090 | Blackwell | 32 GB | $0.99 | En son tüketici nesli |
| L40 | Ada | 48 GB | $0.99 | Büyük modeller |
| A100 PCIe | Ampere | 80 GB | $1.39 | Üretim odaklı eğitim |
| A100 SXM | Ampere | 80 GB | $1.49 | Üretim odaklı eğitim |
| RTX PRO 6000 | Blackwell | 96 GB | $2.09 | Önerilen varsayılan |
| H100 PCIe | Hopper | 80 GB | $2.89 | Yüksek performanslı eğitim |
| H100 NVL | Hopper | 94 GB | $3.19 | Maksimum performans |
| H100 SXM | Hopper | 80 GB | $3.29 | En hızlı eğitim |
| H200 NVL | Hopper | 143 GB | $3.39 | Maksimum bellek |
| H200 SXM | Hopper | 141 GB | $4.39 | Maksimum performans |
| B200 | Blackwell | 180 GB | $5.89 | Büyük modeller (Pro+) |
| B300 | Blackwell | 288 GB | $7.39 | En büyük modeller (Pro+) |
B200 ve B300 GPU'lar bir Pro veya Enterprise plan gerektirir. Diğer tüm GPU'lar Free dahil tüm planlarda mevcuttur.
Yeni hesaplar eğitim için kayıt kredileri alır. Detaylar için Billing sayfasına göz at.
Gerçek Zamanlı Metrikler#
Eğitim sırasında, üç alt sekmede canlı metrikleri görüntüle:
graph LR
A[Charts]:::start --> B[Loss Curves]:::out
A --> C[Task Metrics]:::out
D[Console]:::start --> E[Live Logs]:::out
D --> F[Error Detection]:::out
G[System]:::start --> H[GPU, CPU & Memory]:::out
G --> I[Network & Disk I/O]:::out
classDef start fill:#4CAF50,color:#fff
classDef out fill:#9C27B0,color:#fff| Alt sekme | Metrikler |
|---|---|
| Grafikler | Görev metrikleri (algılama için mAP50, mAP50-95, hassasiyet, duyarlılık), eğitim/doğrulama kayıpları, öğrenme oranı |
| Konsol | ANSI renkli ve otomatik hata tespit özellikli canlı eğitim logları |
| Sistem | GPU kullanımı, GPU belleği ve sıcaklığı, CPU, RAM, ağ ve disk G/Ç |
En iyi kontrol noktası (best.pt, en yüksek uyuma sahip epoch), eğitim devam ederken ve eğitim bittiğinde periyodik olarak Platform'a yüklenir, böylece indirme, dışa aktarma ve dağıtım her zaman şimdiye kadar üretilen en iyi epoch'u kullanır. İptal edilen eğitimler, yüklemesi tamamlanan son kontrol noktasını saklar.
Hızlı Başlangıç#
Bir dakikadan kısa sürede bulut eğitimine başla:
- Kenar çubuğunda bir proje oluştur
- Yeni Model'e tıkla
- Bir model, veri seti ve GPU seç
- Eğitimi Başlat'a tıkla
Hızlı Bağlantılar#
- Projects: Modellerini ve deneylerini organize et
- Modeller: Eğitilmiş kontrol noktalarını yönet
- Cloud Training: Bulut GPU'larında eğit
SSS#
Eğitim süresi şunlara bağlıdır:
- Veri seti boyutu (görüntü sayısı)
- Model boyutu (n, s, m, l, x)
- Dönem (epoch) sayısı
- Seçilen GPU türü
Mevcut tahmin araç, RTX PRO 6000 üzerinde 1000 görsel, YOLO26n, 100 epoch için yaklaşık 6 dakika ve RTX 4090 üzerinde 500 görsel, YOLO26n, 50 epoch için yaklaşık 2 dakika öngörür. Gerçek süre değişebilir; seçilen veri seti ve yapılandırma için eğitim iletişim kutusundaki canlı tahmini kullan. Maliyet örneklerine bakın.
Evet. Eşzamanlı bulut eğitimi limitleri planına bağlıdır: Free 3, Pro 10 taneye izin verir ve Enterprise sınırsızdır. Ek paralel eğitim için, birden fazla makineden uzak eğitim kullan.
Eğitim başarısız olursa:
- Model başarısız olarak işaretlenir ve işlem örneği sonlandırılır
- Model sayfasında yakalanan hatayı içeren bir hata başlığı, konsol çıktısına bir bağlantı ve aynı yapılandırmayla eğitim iletişim kutusunu yeniden açan bir Tekrar Dene eylemi gösterilir
- Birkaç saat boyunca etkinlik bildirmeyi durdıran bir iş otomatik olarak başarısız olarak işaretlenir ve hesaplama gücü serbest bırakılır
- Bulut hesaplama başladıysa geçen GPU süresi ücretlendirilir; hesaplama başlamadan önceki hatalar için GPU kullanım ücreti alınmaz
Senaryo Önerilen GPU Çoğu eğitim işi RTX PRO 6000 Büyük veri setleri veya toplu iş (batch) boyutları H100 SXM veya H200 Bütçe odaklı RTX 4090