Model Eğitimi#
Ultralytics Platform, deneyleri düzenlemekten gerçek zamanlı metrik akışıyla bulut eğitim işleri çalıştırmaya kadar YOLO modellerini eğitmek için kapsamlı araçlar sunar.
İzle: Ultralytics Platform'u kullanmaya başla - Eğitim
Genel Bakış#
Eğitim bölümü şunları yapmana yardımcı olur:
- Daha kolay yönetim için modelleri projeler hâlinde düzenle
- Tek tıklamayla bulut GPU'larında eğit
- Eğitim sırasında gerçek zamanlı metrikleri izle
- Deneyler arasında model performansını karşılaştır
- 22 dağıtım biçimine dışa aktar (desteklenen biçimlere bak)
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 düzenlemek için bir çalışma alanı oluştur |
| Yapılandır | Veri kümesini, temel modeli ve eğitim parametrelerini seç |
| Eğit | Bulut GPU'larında veya yerel donanımında çalıştır |
| İzle | Gerçek zamanlı kayıp eğrilerini ve metrikleri görüntüle |
| Dışa Aktar | 22 dağıtım biçimine dönüştür (ayrıntılar) |
Eğitim Seçenekleri#
Ultralytics Platform birden fazla eğitim yaklaşımını destekler:
| Yöntem | Açıklama | En Uygun Kullanım Alanı |
|---|---|---|
| Bulut Eğitimi | Ultralytics Cloud GPU'larında eğitim yap | Yerel GPU gerekmez, ölçeklenebilir |
| Yerel Eğitim | Yerel olarak eğitim yap, metrikleri platforma aktar | Mevcut donanım, gizlilik |
| Colab Eğitimi | Platform entegrasyonuyla Google Colab'ı kullan | Ücretsiz GPU erişimi |
RTX PRO 6000'den daha ucuz bir GPU seçtiğinde ve Ultralytics tarafından yönetilen kapasite boşta olduğunda Platform, seçtiğin GPU'nun saatlik ücretini uygulamaya devam ederken işini bir RTX PRO 6000'de çalıştırır. Çalıştırmalar daha kısa sürede tamamlanabilir ve seçilen GPU'da çalıştırmaya kıyasla daha düşük maliyetli olabilir; bu yükseltme hiçbir zaman süreyi veya maliyeti artırmaz.
GPU Seçenekleri#
Ultralytics Cloud'da bulut eğitimi için kullanılabilir GPU'lar:
| GPU | Nesil | VRAM | Maliyet/Saat | En Uygun Kullanım Alanı |
|---|---|---|---|---|
| RTX 2000 Ada | Ada | 16 GB | $0.24 | Küçük veri kümeleri, test |
| RTX A4500 | Ampere | 20 GB | $0.25 | Küçük-orta ölçekli 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 toplu iş boyutları |
| RTX 3090 | Ampere | 24 GB | $0.46 | Genel amaçlı eğitim |
| RTX A6000 | Ampere | 48 GB | $0.49 | Büyük modeller |
| RTX PRO 4000 | Blackwell | 24 GB | $0.57 | Ekonomik Blackwell |
| RTX PRO 4500 | Blackwell | 32 GB | $0.64 | Fiyat/performans açısından çok iyi |
| RTX 4090 | Ada | 24 GB | $0.69 | En iyi fiyat/performans |
| RTX 6000 Ada | Ada | 48 GB | $0.77 | Büyük toplu işlerle eğitim |
| L40S | Ada | 48 GB | $0.86 | Büyük toplu işlerle eğitim |
| RTX PRO 5000 | Blackwell | 48 GB | $0.96 | Büyük toplu işlerle eğitim |
| RTX 5090 | Blackwell | 32 GB | $0.99 | En yeni tüketici nesli |
| L40 | Ada | 48 GB | $0.99 | Büyük modeller |
| A100 PCIe | Ampere | 80 GB | $1.39 | Üretim eğitimi |
| A100 SXM | Ampere | 80 GB | $1.49 | Üretim eğitimi |
| RTX PRO 6000 | Blackwell | 96 GB | $2.09 | Önerilen varsayılan seçenek |
| 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'ları için Pro veya Enterprise planı gerekir. Diğer tüm GPU'lar, Free dâhil tüm planlarda kullanılabilir.
Yeni hesaplara eğitim için kayıt kredileri verilir. Ayrıntılar için Faturalandırma sayfasına bak.
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 (tespit için mAP50, mAP50-95, precision, recall), train/val kayıpları, öğrenme oranı |
| Konsol | ANSI renkli ve otomatik hata tespitli canlı eğitim günlükleri |
| Sistem | GPU kullanımı, GPU belleği ve sıcaklığı, CPU, RAM, ağ ve disk G/Ç'si |
En iyi kontrol noktası (best.pt, en yüksek uygunluk değerine sahip epoch), Platform'a eğitim devam ederken düzenli aralıklarla ve çalıştırma sona erdiğinde yeniden yüklenir. Böylece indirme, dışa aktarma ve dağıtım işlemlerinde her zaman o ana kadar üretilen en iyi epoch kullanılır. İptal edilen çalıştırmalarda, yüklemesi tamamlanan son kontrol noktası korunur.
Hızlı Başlangıç#
Bulut eğitimine bir dakikadan kısa sürede başla:
- Kenar çubuğunda bir proje oluştur
- New Model'e tıkla
- Bir model, veri kümesi ve GPU seç
- Start Training'e tıkla
Hızlı Bağlantılar#
- Projeler: Modellerini ve deneylerini düzenle
- Modeller: Eğitilmiş kontrol noktalarını yönet
- Bulut Eğitimi: Bulut GPU'larında eğitim yap
- AutoTrain: Deneyler çalıştırmak ve modelleri karşılaştırmak için Ask AI'ı kullan
Sık Sorulan Sorular#
Eğitim süresi şunlara bağlıdır:
- Veri kümesi boyutu (görüntü sayısı)
- Model boyutu (n, s, m, l, x)
- Epoch sayısı
- Seçilen GPU türü
Mevcut tahmin aracı, RTX PRO 6000'de 1000 görüntü, YOLO26n ve 100 epoch için yaklaşık 6 dakika; RTX 4090'da 500 görüntü, YOLO26n ve 50 epoch için yaklaşık 2 dakika öngörüyor. Gerçek süre değişebilir; seçilen veri kümesi ve yapılandırma için eğitim iletişim kutusunda gösterilen canlı tahmini kullan. Maliyet örneklerine bak.
Evet. Eş zamanlı bulut eğitimi sınırları planına bağlıdır: Free planında 3, Pro planında 10 eş zamanlı çalıştırma yapılabilir; Enterprise planında sınır yoktur. Daha fazla paralel eğitim için birden çok makineden uzaktan eğitim kullan.
Eğitim başarısız olursa:
- Model başarısız olarak işaretlenir ve işlem örneği sonlandırılır
- Model sayfasında, yakalanan hatayı içeren bir hata bandı, konsol çıktısına bağlantı ve aynı yapılandırmayla eğitim iletişim kutusunu yeniden açan bir Eğitimi Yeniden Dene işlemi gösterilir
- 4 saat boyunca etkinlik bildirmeyen bir çalıştırma otomatik olarak başarısız işaretlenir ve işlem kaynakları serbest bırakılır
- Bulut işlem kaynakları kullanıma açılmışsa geçen GPU süresi ücretlendirilir; işlem kaynakları kullanıma açılmadan önce oluşan hatalarda GPU kullanım ücreti alınmaz
Senaryo Önerilen GPU Çoğu eğitim işi RTX PRO 6000 Büyük veri kümeleri veya toplu iş boyutları H100 SXM veya H200 Bütçeyi gözetenler için RTX 4090