Bulut Eğitimi#

Ultralytics Platform Bulut Eğitimi, karmaşık kurulumlar yapmadan model eğitimini erişilebilir kılarak bulut GPU'larında tek tıkla eğitim imkanı sunar. YOLO modellerini, gerçek zamanlı metrik akışı ve otomatik kontrol noktası kaydetme özellikleriyle eğit.

graph LR
    A[Configure]:::start --> B[Start Training]:::proc
    B --> C[Provision GPU]:::proc
    C --> D[Download Dataset]:::proc
    D --> E[Train]:::proc
    E --> F[Stream Metrics]:::proc
    F --> G[Save Checkpoints]:::proc
    G --> H[Complete]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Eğitim Diyaloğu#

Herhangi bir proje veya veri kümesi sayfasında New Model öğesine tıklayarak platform arayüzünden eğitime başla. Eğitim iletişim kutusu iki sekme içerir: Cloud Training ve Local Training.

Adım: Temel Modeli Seç#

Resmi bir Ultralytics modeli veya tamamlanmış kendi modellerinden birini seç:

Seçici, resmi modelleri seçilen veri kümesiyle uyumlu görevlere göre filtreler. YOLO26, nano boyuttan xlarge boyuta kadar Detect, Segment, Semantic, Depth, Classify, Pose ve OBB varyantlarını içerir.

Adım: Veri Kümesini Seç#

Eğitim yapacağın bir veri kümesi seç (bkz. Veri Kümeleri):

Adım: Parametreleri Yapılandır#

Temel eğitim parametrelerini ayarla:

Adım: Gelişmiş Ayarlar (İsteğe bağlı)#

Gruplara göre düzenlenmiş 40'tan fazla eğitim parametresine sahip tam YAML tabanlı parametre düzenleyiciye erişmek için Gelişmiş Ayarlar'ı genişlet (bkz. yapılandırma referansı):

Parametreler görev farkındalıklıdır (örneğin copy_paste sadece segment görevlerinde, pose/kobj sadece pose görevlerinde görünür). Değerler varsayılanlardan farklı olduğunda bir Değiştirildi rozeti görünür ve sıfırlama düğmesiyle hepsini varsayılanlara döndürebilirsin.

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

Veri Kümesi Sürümünü Kaydet (İsteğe bağlı)#

Modeli Platform'da barındırılan bir veri kümesinin değiştirilemez bir sürümüne bağlamak için Veri Kümesi Sürümünü Kaydet özelliğini etkinleştir. Platform, veri kümesi içeriklerinin değişip değişmediğini kontrol eder, değişmediği durumlarda eşleşen bir sürümü yeniden kullanır ve yalnızca gerektiğinde numaralandırılmış yeni bir sürüm oluşturur. Eğitim daha sonra tam olarak bu NDJSON anlık görüntüsünü kullanır ve sürüm numarasını ve içerik özetini model üzerine kaydeder.

Bu işlem, daha sonra görsel eklesen veya kaldırsan, açıklamaları düzenlesen ya da veri kümesi bölümlerini değiştirsen bile çalışma için kullanılan verileri korur. Bağlantılı sürümü veri kümesinin Modeller ve Sürümler sekmelerinde bulabilirsin.

Adım: GPU Seç (Bulut Sekmesi)#

Ultralytics Cloud'dan GPU'nu seç:

Diyalog, mevcut bakiyeni ve bir Para Yükle butonunu gösterir. Yapılandırmana (model boyutu, veri kümesi görüntüleri, epoch sayısı, GPU hızı) göre tahmini bir maliyet ve süre hesaplanır.

Adım: Eğitimi Başlat#

İşini başlatmak için Eğitimi Başlat'a tıkla. Platform şunları yapar:

1. Veri Kümesi Sürümünü Kaydet etkinleştirildiğinde değiştirilemez veri kümesi sürümünü çözer
2. Bir GPU örneği sağlar
3. Veri kümeni indirir
4. Eğitime başlar
5. Metrikleri gerçek zamanlı olarak yayınlar

Eğitim İşi Yaşam Döngüsü#

Eğitim işleri aşağıdaki durumlardan geçer:

Bu sayfayı açık tutmadan tamamlanan ve başarısız olan sonuçları almak için Slack bildirimleri bağlantısını kur.

Eğitimi İzle#

Model sayfasının Eğit sekmesinden gerçek zamanlı eğitim ilerlemesini görüntüle:

Grafikler Alt Sekmesi#

Konsol Alt Sekmesi#

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

Sistem Alt Sekmesi#

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

Kontrol Noktaları#

Eğitim tamamlandıktan sonra, en iyi model (best.pt, en yüksek mAP'ye sahip kontrol noktası) platforma yüklenir ve indirme, dışa aktarma ve dağıtım için kullanılabilir hale getirilir.

Eğitimi İptal Et#

Model sayfasında Cancel Training öğesine tıkla ve işlemi onayla. Bulut eğitimi için Platform, işi durdurur, hesaplama kaynağını serbest bırakır ve iptal edilmeden önce harcanan geçen GPU süresini faturalandırır. Yerel eğitim için iptal işlemi, sürece sonraki epoch sınırında durması sinyali verir ve kısmi sonuçları korur.

Uzaktan Eğitim#

graph LR
    A[Local GPU]:::start --> B[Train]:::proc
    B --> C[ultralytics Package]:::proc
    C --> D[Stream Metrics]:::proc
    D --> E[Platform Dashboard]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Metrikleri platforma aktarırken kendi donanımın üzerinde eğit.

pip install -U ultralytics

API Anahtarını Ayarla#

1. Settings > API Keys kısmına git
2. Yeni bir anahtar oluştur (veya Yerel Eğitim sekmesini açtığında platform otomatik olarak bir tane oluşturur)
3. Ortam değişkenini ayarla:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Akışla (Streaming) Eğitim#

Metrikleri akışa almak için project ve name parametrelerini kullan:

yolo train model=yolo26n.pt data=coco.yaml epochs=100 \
  project=username/my-project name=experiment-1

Eğitim diyalog kutusundaki Yerel Eğitim sekmesi; API anahtarın, seçili parametrelerin ve gelişmiş bağımsız değişkenlerin dahil edildiği önceden yapılandırılmış bir komutu gösterir.

Platform Veri Kümelerini Kullanma#

ul:// URI biçimini kullanarak platformda depolanan veri setleriyle eğit:

yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100 \
  project=username/my-project name=exp1

ul:// URI biçimi, veri setini otomatik olarak indirir ve yapılandırır. Model, platformdaki veri setine otomatik olarak bağlanır (bkz. Platform Veri Setlerini Kullanma).

Faturalandırma#

Eğitim maliyetleri GPU kullanımına göre belirlenir:

Maliyet Tahmini#

Eğitim başlamadan önce platform toplam maliyeti şu şekilde tahmin eder:

1. Veri seti boyutu, model karmaşıklığı, görüntü boyutu, batch boyutu ve GPU hızından epoch başına saniye tahmini
2. Epoch başına düşen saniyeyi epoch sayısıyla çarpıp başlangıç genel giderlerini ekleyerek toplam eğitim süresinin hesaplanması
3. Toplam eğitim saatini GPU'nun saatlik ücretiyle çarparak tahmini maliyetin hesaplanması

Maliyeti etkileyen faktörler:

Maliyet Örnekleri#

Faturalandırma Akışı#

graph LR
    A[Estimate Cost]:::start --> B[Balance Check]:::decide
    B --> C[Train]:::proc
    C --> D[Charge Actual Runtime]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

Bulut eğitimi faturalandırma akışı:

1. Tahmin: Eğitim başlamadan önce maliyet hesaplanır
2. Bakiye Kontrolü: Başlatmadan önce mevcut krediler kontrol edilir
3. Eğit: İş seçili hesaplama birimi üzerinde çalışır
4. Ücretlendirme: Nihai maliyet gerçek çalışma süresine dayanır

İş Durumuna Göre Faturalandırma#

Ödeme Yöntemleri#

Bulut eğitimi, Platform kredi bakiyeenden ödenir.

Eğitim Maliyetlerini Görüntüle#

Bir bulut işi başlatmadan önce eğitim iletişim kutusu mevcut kredi bakiyeeni gösterir ve seçilen model, veri kümesi, epoch'lar, görüntü boyutu ve GPU'ya göre iş süresini ve maliyetini tahmin eder. Tahmin bilgilendirme amaçlıdır; gerçek kullanım, tüketilen GPU süresi üzerinden ücretlendirilir. Ardından, Settings > Billing bölümünden sonuçlanan kredi işlemini incele.

Eğitim İpuçları#

Doğru Model Boyutunu Seç#

Eğitim Süresini Optimize Et#

Sorun Giderme#

SSS#

Eğitim ne kadar sürer?#

Eğitim süresi şunlara bağlıdır:

• Veri kümesi boyutu
• Model boyutu
• Dönem (epoch) sayısı
• Seçilen GPU

Tipik süreler (1000 görüntü, 100 epoch):

Gece boyunca eğitim yapabilir miyim?#

Evet. Eğitim, fonlandığı sürece denetimsiz olarak çalışabilir ve Platform bir tamamlama veya hata olayı kaydeder. Eğer ölçüm bakiyenin sıfırın altına düşmesine neden olursa, aktif ücretli bulut çalıştırmaları durur ve halihazırda kullanılan GPU süresi sonlandırılır.

Kredim biterse ne olur?#

Bulut kullanımı, eğitim ilerledikçe ölçülür. Bir ücretlendirme bakiyeni sıfırın altına düşürürse, aktif ücretli bulut eğitimi çalıştırmaları durdurulur ve halihazırda kullanılan GPU süresi için sonlandırılır. Uzun süren işlerin fonlanmaya devam etmesi için kredi ekle veya otomatik yükleme özelliğini etkinleştir.

Eğitimim tahminden daha maliyetli olursa ne olur?#

Maliyet tahminleri yaklaşıktır — veri yükleme hızı, GPU ısınması ve model yakınsama davranışı gibi faktörler nedeniyle gerçek eğitim süresi değişebilir. Gerçek kullanım mevcut bakiyeyi tüketirse, Platform bakiye eksiye düştükten sonra aktif ücretli bulut çalıştırmalarını durdurur.

Maliyetleri yönetmek için:

• Eğitim ilerlemesini gerçek zamanlı olarak izle ve gerekirse erken iptal et
• Kredileri otomatik olarak yenilemek için otomatik yüklemeyi etkinleştir
• Beklentileri kalibre etmek için daha kısa süreli çalıştırmalarla (daha az epoch) başla

Özel eğitim argümanlarını kullanabilir miyim?#

Evet, 40'tan fazla yapılandırılabilir parametre içeren bir YAML düzenleyicisine erişmek için eğitim diyaloğundaki Gelişmiş Ayarlar bölümünü genişlet. Varsayılan olmayan değerler hem bulut hem de yerel eğitim komutlarına dahil edilir.

YAML düzenleyicisi ayrıca önceki eğitim çalışmalarından yapılandırmaları içe aktarmayı da destekler:

• Mevcut modelden kopyala: Herhangi bir tamamlanmış modelin sayfasında, Eğitim Yapılandırması kartında bir JSON olarak kopyala düğmesi bulunur. JSON'ı kopyala ve doğrudan YAML düzenleyicisine yapıştır; JSON formatını otomatik olarak algılar ve tüm parametreleri içe aktarır.
• YAML veya JSON yapıştır: Düzenleyiciye geçerli herhangi bir YAML veya JSON eğitim yapılandırmasını yapıştır. Parametreler otomatik olarak doğrulanır, aralık dışı değerler sınırlandırılır ve uyarılar görüntülenir.
• Dosyaları sürükleyip bırak: Parametrelerini içe aktarmak için doğrudan düzenleyiciye bir .yaml veya .json dosyası sürükle.

Bu, her parametreyi manuel olarak yeniden girmeden önceki eğitim yapılandırmalarını yeniden üretmeni veya bunlar üzerinde yineleme yapmanı kolaylaştırır.

Veri kümesi sayfasından eğitim yapabilir miyim?#

Evet, veri kümesi sayfalarındaki New Model düğmesi, eğitim iletişim kutusunu veri kümesi önceden seçilmiş ve kilitlenmiş olarak açar. Ardından eğitime başlamak için bir proje ve model seçersin.

Eğitim Parametreleri Referansı#