Bulut Eğitimi#

Ultralytics Platform Bulut Eğitimi, bulut GPU'larında tek tıklamayla eğitim sunarak model eğitimini karmaşık kurulumlar olmadan erişilebilir hale getirir. 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 İletişim Kutusu#

Herhangi bir proje veya veri kümesi sayfasında New Model seçeneğine tıklayarak Platform kullanıcı arayüzünden eğitimi başlat. Eğitim iletişim kutusunda iki sekme bulunur: Cloud Training ve Local Training. Seçilen veri kümesi bir On Premise ana bilgisayarında bulunuyorsa ilk sekme On Premise olur ve Local Training sekmesi gizlenir — bu veri kümesi yalnızca kendi ana bilgisayarında eğitilebilir; bunun için Enterprise planı ile bağlı ve çevrimiçi bir worker gerekir.

Bu iletişim kutusu, mevcut tarayıcıdaki veri kümesi görevi ve çalışma alanı başına, en son kapattığında barındırdığı temel modeli ve varsayılan olmayan parametreleri hatırlar ve o görev için bir sonraki açışında bunları geri yükler. GPU seçimi hatırlanmaz ve başarısız bir çalıştırmada Yeniden Dene (Retry) seçeneği, o çalıştırmanın kendi argümanlarını geri yükler.

Adım: Temel Modeli Seç#

Resmî bir Ultralytics modeli veya tamamladığın modellerden birini seç:

Her sekmede modeller göreve göre standart sırada gruplandırılır ve boyuta göre sıralanır. Seçici, resmî modelleri seçilen veri kümesiyle uyumlu görevlerle sınırlar. YOLO26, nano'dan xlarge'a kadar boyutlarda Detect, Segment, Semantic, Depth, Classify, Pose ve OBB varyantlarını içerir.

Adım: Veri Kümesini Seç#

Üzerinde eğitim yapmak için bir veri kümesi seç (Datasets sayfasına bak):

Adım: Parametreleri Yapılandır#

Temel eğitim parametrelerini ayarla:

Bir parametrenin aralığı dışında girilen değerler, alan odağını kaybettiğinde aralığa sabitlenir.

Adım: Gelişmiş Ayarlar (İsteğe Bağlı)#

Gruplara göre düzenlenmiş 50'den fazla eğitim parametresinin bulunduğu YAML tabanlı tam parametre düzenleyicisine erişmek için Advanced Settings bölümünü genişlet (yapılandırma referansına bak):

Parametreler göreve duyarlıdır (örneğin copy_paste yalnızca segment görevlerinde, pose/kobj yalnızca pose görevlerinde, dropout ise yalnızca classify görevinde gösterilir). Değerler varsayılanlardan farklı olduğunda Modified rozeti görünür ve sıfırlama düğmesiyle tümünü varsayılanlara döndürebilirsin. Eğitim işine yalnızca varsayılan olmayan gelişmiş değerler gönderilir (temel epochs, batch ve görüntü boyutu parametreleri her zaman dahil edilir); böylece ortaya çıkan komut okunabilir kalır.

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 tarafından barındırılan veri kümesinin değiştirilemez bir sürümüne bağlamak için Save Dataset Version seçeneğini etkinleştir. Platform, veri kümesi içeriğinin değişip değişmediğini kontrol eder, değişmediyse eşleşen bir sürümü yeniden kullanır ve yalnızca gerektiğinde yeni, numaralandırılmış bir sürüm oluşturur. Eğitim daha sonra tam olarak bu NDJSON anlık görüntüsünü kullanır ve sürüm numarasını ile içerik karmasını modele kaydeder.

Bu işlem, daha sonra görüntü eklesen veya kaldırsan, açıklamaları düzenlesen ya da veri kümesi bölümlerini değiştirsen bile çalıştırmada kullanılan verileri korur. Bağlı sürümü veri kümesinin Models ve Versions sekmelerinde bulabilirsin.

Adım: GPU'yu Seç (Bulut Sekmesi)#

GPU'nu Ultralytics Cloud'dan seç:

İletişim kutusunda mevcut bakiyen ve bir Bakiye Yükle düğmesi gösterilir. Maliyet kartı, yapılandırman için toplam süreyi ve fiyatı (model boyutu, veri kümesi görüntüleri, epoch sayısı, görüntü boyutu, batch boyutu, optimizer ve GPU hızı) tahmin eder; ayrıca tahmini epoch başına saniye sayısını ve veri kümesindeki görüntü sayısını bildirir.

Adım: Eğitimi Başlat#

İşini başlatmak için Start Training seçeneğine tıkla. Platform:

1. Save Dataset Version etkinleştirildiğinde değiştirilemez veri kümesi sürümünü belirler
2. Bir GPU örneği oluşturur
3. Veri kümeni indirir
4. Eğitimi başlatır
5. Metrikleri gerçek zamanlı olarak akış halinde sunar

Mevcut bir modeli yeniden eğitmek aynı model sayfasını yeniden kullanır ve yeni iş oluşturulduğunda önceki çalıştırmanın grafiklerini, konsol çıktısını, sistem metriklerini ve hata durumunu temizler. İşlem kaynakları sağlanmadan önce başarısız olan bir çalıştırma, önceki sonuçları değiştirmeden bırakır.

Eğitim İşi Yaşam Döngüsü#

Eğitim işleri aşağıdaki durumlardan geçer:

Konsol akışındaki kritik bir Python hatası — traceback, CUDA belleğinin tükenmesi hatası veya başarısız CUDA başlatma işlemi — zaman aşımını beklemek yerine çalıştırmayı hemen sonlandırır ve çıkarılan mesaj, model sayfasındaki bir hata bandında View full console logs ve Retry Training eylemleriyle birlikte görünür. Birkaç saat boyunca etkinlik bildirmeyi durduran çalıştırmalar otomatik olarak başarısız olarak işaretlenir ve işlem kaynakları serbest bırakılır.

Bu sayfayı açık tutmadan tamamlanan ve başarısız sonuçları almak için Slack alerts özelliğini bağla.

Eğitimi İzle#

Model sayfasındaki Train sekmesinden gerçek zamanlı eğitim ilerlemesini görüntüle:

Charts alt sekmesi#

Grafikler metrik ailesine göre gruplandırılır ve görünen gruplar, çalıştırmanın bildirdiği verilere bağlıdır:

Her grup daraltılabilir, tek tek grafikler grup menüsünden gizlenebilir veya gösterilebilir ve grafikler sürüklenip yeniden boyutlandırılabilir — düzen bir sonraki kullanım için hatırlanır.

Console alt sekmesi#

ANSI renk desteği, ilerleme çubukları ve kritik hata algılama özelliklerine sahip canlı konsol çıktısı. Son 2000 satır saklanır, zaman damgaları açılıp kapatılabilir ve tüm günlük düz metin olarak kopyalanabilir.

System alt sekmesi#

Canlı bir ana bilgisayar kartı (ana bilgisayar adı, CPU, GPU, RAM ve disk toplamları) ile CPU ve RAM kullanımı, GPU kullanımı ve belleği, GPU sıcaklığı, ağ G/Ç'si ve disk G/Ç'si için epoch başına grafikler.

Kontrol noktaları#

En iyi kontrol noktası (best.pt), Platform'a düzenli aralıklarla eğitim sırasında ve çalıştırma sona erdiğinde tekrar yüklenir; böylece indirme, dışa aktarma ve dağıtım işlemleri şimdiye kadar üretilen en iyi epoch'u her zaman kullanır. Çalıştırma iptal edilirse iptalden önce yüklenen kontrol noktası korunur.

Eğitimi İptal Et#

Model sayfasındaki Run Information kartında Cancel seçeneğine tıkla ve işlemi onayla. Bulut eğitiminde Platform işi durdurur, işlem kaynaklarını serbest bırakır ve iptalden önce kullanılan geçen GPU süresini ücretlendirir. Yerel eğitimde iptal sinyali, işlemin bir sonraki epoch sınırında durmasını sağlar ve kısmi sonuçları korur — çalıştırma çıkmadan önce elindeki verileri yükler.

Uzak Eğitim#

graph LR
    A[Local GPU]:::start --> B[ultralytics Package]:::proc
    B --> C[Train]:::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 donanımında eğitim yap.

pip install -U ultralytics

API Anahtarını Ayarla#

1. Settings > API Keys adresine git
2. Yeni bir anahtar oluştur (veya Local Training sekmesini açtığında platform otomatik olarak bir anahtar oluşturur)
3. Ortam değişkenini ayarla:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Akış ile Eğitim#

Metrikleri aktarmak için project ve name parametrelerini kullan:

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

Eğitim iletişim kutusundaki Local Training sekmesi, API anahtarını, seçili parametreleri ve gelişmiş bağımsız değişkenleri içeren önceden yapılandırılmış bir komut gösterir.

Platform Veri Kümelerini Kullanma#

Platformda depolanan veri kümeleriyle ul:// URI biçimini kullanarak eğitim yap:

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

ul:// URI biçimi, veri kümeni otomatik olarak indirir ve yapılandırır. Model, platformdaki veri kümesine otomatik olarak bağlanır (Using Platform Datasets bölümüne bakın).

Faturalandırma#

Eğitim maliyetleri GPU kullanımına göre belirlenir:

Maliyet Tahmini#

Eğitim başlamadan önce platform, veri kümesi boyutuna, model boyutuna, görüntü boyutuna, batch boyutuna, epoch sayısına ve seçilen GPU'ya göre toplam süreyi ve maliyeti tahmin eder. Tahminler yaklaşık değerlerdir; faturalandırılan tutarı gerçek kullanım belirler.

Maliyeti etkileyen faktörler:

Tahminler gerçek bulut eğitim çalıştırmalarına dayanır ve tahminde her zaman seçtiğin GPU kullanılır — bu nedenle daha hızlı Ultralytics altyapısına yönlendirilen bir iş, tahmin edilen süreden önce tamamlanır.

Maliyet Örnekleri#

Faturalandırma Akışı#

graph LR
    A[Estimate Cost]:::start --> B[Balance Check]:::decide
    B --> C[Train and Meter GPU Time]:::proc
    C --> D[Settle at Terminal State]:::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 hesaplanan maliyet
2. Bakiye Kontrolü: Kullanılabilir krediler başlatmadan önce kontrol edilir
3. Eğitim ve Ölçüm: İş, seçilen işlem kaynağında çalışır ve biriken GPU süresi çalışırken bakiyenden kademeli olarak düşülür
4. Hesap Kapatma: Terminal durumunda kalan süre düşülür ve tüm çalıştırma için tek bir Training işlemi kaydedilir

İş Durumuna Göre Faturalandırma#

Birkaç saat boyunca etkinlik bildirmeyi durduran bir çalıştırma otomatik olarak başarısız olarak işaretlenir; örnek sonlandırılır ve geçen GPU süresi hesaplanır. Kendi donanımındaki uzak çalıştırmalar yalnızca başarısız olarak işaretlenir ve ücret oluşturmaz.

Ödeme Yöntemleri#

Bulut eğitiminin ödemesi Platform kredi bakiyenden yapılır.

Eğitim Maliyetlerini Görüntüleme#

Bir bulut işini başlatmadan önce eğitim iletişim kutusu, mevcut kredi bakiyeni gösterir ve seçilen model, veri kümesi, epoch sayısı, görüntü boyutu ve GPU'ya göre iş süresi ile maliyetini tahmin eder. Tahmin bilgilendirme amaçlıdır; gerçek kullanımda tüketilen GPU süresi ücretlendirilir. Daha sonra Settings > Billing bölümünden oluşan kredi işlemini incele.

Eğitim İpuçları#

Doğru Model Boyutunu Seç#

Eğitim Süresini Optimize Et#

Sorun Giderme#

Eğitim Parametreleri Referansı#

SSS#