Model Eğitimi#
Ultralytics Platform, deneyleri düzenlemekten gerçek zamanlı metrik akışıyla bulut eğitim işlerini çalıştırmaya kadar YOLO modellerini eğitmek için kapsamlı araçlar sunar.
Watch: Get Started with Ultralytics Platform - Train
Genel Bakış#
Eğitim bölümü şunları yapmana yardımcı olur:
- Modelleri daha kolay yönetmek için projeler halinde Düzenle
- Tek tıklamayla bulut GPU'larında Eğit
- Eğitim sırasında gerçek zamanlı metrikleri İzle
- Deneyler arasındaki model performansını Karşılaştır
- 20 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 | 20 dağıtım biçimine dönüştür (ayrıntılar) |
Eğitim Seçenekleri#
Ultralytics Platform birden fazla eğitim yaklaşımını destekler:
| Yöntem | Açıklama | En Uygun Kullanım |
|---|---|---|
| Bulut Eğitimi | Ultralytics Cloud GPU'larında eğit | Yerel GPU gerekmez, ölçeklenebilirlik |
| Yerel Eğitim | Yerel olarak eğit, metrikleri platforma aktar | Mevcut donanım, gizlilik |
| Colab Eğitimi | Platform entegrasyonuyla Google Colab kullan | Ücretsiz GPU erişimi |
RTX PRO 6000'dan daha ucuz bir GPU seçtiğinde ve Ultralytics tarafından yönetilen kapasite boş olduğunda Platform, seçtiğin GPU'nun saatlik ücretini faturalandırmaya devam ederken işini RTX PRO 6000 üzerinde çalıştırır. Çalıştırmalar daha erken tamamlanabilir ve seçilen GPU'da çalıştırılacaklarından daha az maliyetli olabilir — bu yükseltme hiçbir zaman ek süre veya maliyet oluşturmaz.
GPU Seçenekleri#
Ultralytics Cloud üzerinde bulut eğitimi için kullanılabilen GPU'lar:
| GPU | Nesil | VRAM | Maliyet/Saat | En Uygun 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 büyüklükte veri kümeleri |
| RTX A5000 | Ampere | 24 GB | $0.27 | Orta büyüklükte veri kümeleri |
| L4 | Ada | 24 GB | $0.39 | Çıkarım için optimize edilmiş |
| A40 | Ampere | 48 GB | $0.44 | Daha büyük 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 | Ekonomik Blackwell |
| RTX PRO 4500 | Blackwell | 32 GB | $0.64 | Fiyat/performans oranı çok iyi |
| RTX 4090 | Ada | 24 GB | $0.69 | En iyi fiyat/performans |
| RTX 6000 Ada | Ada | 48 GB | $0.77 | Büyük toplu eğitim |
| L40S | Ada | 48 GB | $0.86 | Büyük toplu eğitim |
| RTX PRO 5000 | Blackwell | 48 GB | $0.96 | Büyük toplu 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 |
| 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 bir Pro veya Enterprise planı gerekir. Diğer tüm GPU'lar Free dahil tüm planlarda kullanılabilir.
Yeni hesaplara eğitim için kayıt kredileri verilir. Ayrıntılar için Faturalandırma bölümüne bak.
Gerçek Zamanlı Metrikler#
Eğitim sırasında canlı metrikleri üç alt sekmede 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 |
|---|---|
| Charts | Görev metrikleri (algılama için mAP50, mAP50-95, precision, recall), train/val kayıpları, öğrenme oranı |
| Console | ANSI renkleri ve otomatik hata algılama içeren canlı eğitim günlükleri |
| System | GPU kullanımı, GPU belleği ve sıcaklığı, CPU, RAM, ağ ve disk G/Ç'si |
En iyi kontrol noktası (best.pt, en yüksek uygunluğa sahip epoch), indirme, dışa aktarma ve dağıtımın şimdiye kadar üretilen en iyi epoch'u kullanması için eğitim çalışırken düzenli aralıklarla ve çalıştırma sona erdiğinde yeniden Platforma yüklenir.
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 düğmesine tıkla
- Bir model, veri kümesi ve GPU seç
- Start Training düğmesine tıkla
Hızlı Bağlantılar#
- Projeler: Modellerinizi ve deneylerinizi düzenleyin
- Modeller: Eğitilmiş kontrol noktalarını yönet
- Bulut Eğitimi: Bulut GPU'larında eğitim yapın
- AutoTrain: Deneyler çalıştırmak ve modelleri karşılaştırmak için Ask AI kullan
SSS#
Eğitim süresi şunlara bağlıdır:
- Veri kümesi boyutu (görüntü sayısı)
- Model boyutu (n, s, m, l, x)
- Epoch sayısı
- Seçilen GPU türü
Mevcut tahminleyici, RTX PRO 6000 üzerinde 1000 görüntü, YOLO26n ve 100 epoch için yaklaşık 6 dakika; RTX 4090 üzerinde 500 görüntü, YOLO26n ve 50 epoch için yaklaşık 2 dakika öngörüyor. Gerçek süre değişebilir; seçilen veri kümesi ve yapılandırma için eğitim iletişim kutusundaki canlı tahmini kullan. Maliyet örneklerine bak.
Evet. Eş zamanlı bulut eğitimi limitleri planına bağlıdır: Free 3, Pro 10 eğitime izin verir ve Enterprise sınırsızdır. Daha fazla paralel eğitim için birden fazla makineden uzak eğitimi kullan.
Eğitim başarısız olursa:
- Model başarısız olarak işaretlenir ve hesaplama örneği sonlandırılır
- Model sayfasında yakalanan hatayı, konsol çıktısına bağlantıyı ve aynı yapılandırmayla eğitim iletişim kutusunu yeniden açan bir Retry işlemini içeren bir hata bandı gösterilir
- Birkaç saat boyunca etkinlik bildirmeyi durduran bir çalıştırma otomatik olarak başarısız olarak işaretlenir ve hesaplama kaynağı serbest bırakılır
- Bulut hesaplaması başladıysa geçen GPU süresi ücretlendirilir; hesaplama başlamadan önceki hatalarda GPU kullanım ücreti alınmaz
Senaryo Önerilen GPU Çoğu eğitim işi RTX PRO 6000 Büyük veri kümeleri veya toplu boyutları H100 SXM veya H200 Bütçeye duyarlı RTX 4090