Bulut Eğitimi

Ultralytics Platform Bulut Eğitimi, bulut GPU'ları üzerinde tek tıkla eğitim imkanı sunarak model eğitimini karmaşık kurulumlar olmadan erişilebilir hale getirir. Gerçek zamanlı metrik akışı ve otomatik kontrol noktası kaydı ile YOLO modellerini eğit.

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

    style A fill:#2196F3,color:#fff
    style B fill:#FF9800,color:#fff
    style E fill:#9C27B0,color:#fff
    style H fill:#4CAF50,color:#fff

Eğitim İletişim Kutusu

Herhangi bir proje sayfasında Yeni Model'e (veya bir veri kümesi sayfasında Eğit'e) tıklayarak platform kullanıcı arayüzünden eğitimi başlat. Eğitim iletişim kutusu iki sekme içerir: Bulut Eğitimi ve Yerel Eğitim.

Adım 1: Temel Model Seç

Resmi YOLO26 modellerinden veya kendi eğittiğin modellerden birini seç:

Resmi modeller görev türüne (Detect, Segment, Pose, OBB, Classify) göre, nano boyuttan xlarge boyuta kadar düzenlenmiştir.

Adım 2: Veri Kümesi Seç

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

Adım 3: Parametreleri Yapılandır

Temel eğitim parametrelerini ayarla:

Adım 4: Gelişmiş Ayarlar (İsteğe Bağlı)

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

Parametreler görev farkındalıklıdır (örneğin copy_paste sadece segment görevleri için, pose/kobj sadece pose görevleri için 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

Adım 5: GPU Seç (Bulut Sekmesi)

GPU'nu Ultralytics Cloud'dan seç:

İletişim kutusu mevcut bakiyeni ve bir Yükleme Yap düğmesini gösterir. Yapılandırmana (model boyutu, veri kümesi görüntüleri, dönemler, GPU hızı) göre tahmini bir maliyet ve süre hesaplanır.

Adım 6: Eğitimi Başlat

İşini başlatmak için Eğitimi Başlat'a tıkla. Platform:

1. Bir GPU örneği tahsis eder
2. Veri kümeni indirir
3. Eğitime başlar
4. Metrikleri gerçek zamanlı olarak yayınlar

Eğitim İşi Yaşam Döngüsü

Eğitim işleri şu durumlardan geçer:

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 kontrol noktası) platforma yüklenir ve indirme, dışa aktarma ve dağıtım için kullanılabilir hale getirilir.

Eğitimi İptal Et

Çalışan bir işi durdurmak için model sayfasındaki Eğitimi İptal Et butonuna tıkla:

• İşlem örneği sonlandırılır
• Kredi kesintisi durdurulur
• İptal işleminden önce ulaşıldıysa, en iyi kontrol noktası erişilebilir kalır

Uzaktan Eğitim

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

    style A fill:#FF9800,color:#fff
    style C fill:#2196F3,color:#fff
    style E fill:#4CAF50,color:#fff

Metrikleri platforma aktarırken kendi donanımında eğit.

pip install -U ultralytics

API Anahtarını Ayarla

1. Go to Settings > API Keys
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"

Akış ile Eğit

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 iletişim kutusundaki Yerel Eğitim sekmesi, API anahtarın, seçili parametrelerin ve gelişmiş argümanların dahil olduğu önceden yapılandırılmış bir komut gösterir.

Platform Veri Kümelerini Kullanma

ul:// URI formatını kullanarak platformda depolanan veri kümeleriyle eğit:

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

ul:// URI formatı, veri kümeni otomatik olarak indirir ve yapılandırır. Model, platformdaki veri kümesine otomatik olarak bağlanır (bkz. Platform Veri Kümelerini Kullanma).

Faturalandırma

Eğitim maliyetleri GPU kullanımına dayalıdır:

Maliyet Tahmini

Eğitim başlamadan önce platform, toplam maliyeti şu şekilde tahmin eder:

1. Epok başına saniye tahmini: Veri kümesi boyutu, model karmaşıklığı, görüntü boyutu, yığın boyutu ve GPU hızından hesaplanır
2. Toplam eğitim süresi hesaplama: Epok başına saniyeyi epok sayısıyla çarparak ve ardından başlangıç yükünü ekleyerek hesaplanır
3. Tahmini maliyeti hesaplama: Toplam eğitim saatini GPU'nun saatlik ücretiyle çarparak hesaplanır

Maliyeti etkileyen faktörler:

Maliyet Örnekleri

Faturalandırma Akışı

graph LR
    A[Estimate Cost] --> B[Balance Check]
    B --> C[Train]
    C --> D[Charge Actual Runtime]

    style A fill:#2196F3,color:#fff
    style B fill:#FF9800,color:#fff
    style C fill:#9C27B0,color:#fff
    style D fill:#4CAF50,color:#fff

Bulut eğitimi faturalandırma akışı:

1. Tahmin: Eğitim başlamadan önce hesaplanan maliyet
2. Bakiye Kontrolü: Başlatmadan önce mevcut krediler kontrol edilir
3. Eğit: İş, seçilen işlem gücünde çalıştırılır
4. Ücretlendirme: Nihai maliyet gerçek çalışma süresine dayanır

İş Durumuna Göre Faturalandırma

Ödeme Yöntemleri

Eğitim Maliyetlerini Görüntüle

Eğitimden sonra, Faturalandırma sekmesinden ayrıntılı maliyetleri görüntüle:

• Epok başına maliyet dökümü
• Toplam GPU süresi
• Maliyet raporunu indir

Eğitim İpuçları

Doğru Model Boyutunu Seç

Eğitim Süresini Optimize Et

Sorun Giderme

SSS

Eğitim ne kadar sürer?

Eğitim süresi şunlara bağlıdır:

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

Tipik süreler (1000 görüntü, 100 epoch):

Gece boyunca eğitim yapabilir miyim?

Evet, eğitim tamamlanana kadar devam eder. Eğitim bittiğinde bir bildirim alırsın. Hesabının epoch tabanlı eğitim için yeterli bakiyesi olduğundan emin ol.

Kredilerim biterse ne olur?

Eğitim sırasında kredi bakiyen sıfıra ulaşırsa, eğitim tamamlanana kadar devam eder ve bakiyen negatife düşer. Bu, eğitim işinin hiçbir zaman yarıda kesilmemesini sağlar.

Eğitim tamamlandıktan sonra, yeni eğitim işleri başlatmadan önce bakiyeni pozitife döndürmek için kredi eklemen gerekir. Tamamlanan modelin, kontrol noktaların ve tüm eğitim çıktıların bakiyeden bağımsız olarak tamamen korunur.

Eğitimim tahminden daha maliyetli olursa ne olur?

Maliyet tahminleri yaklaşıktır; gerçek eğitim süresi veri yükleme hızı, GPU ısınması ve model yakınsama davranışı gibi faktörlere bağlı olarak değişebilir. Gerçek maliyet tahmini aşarsa, bakiyen negatife düşebilir (yukarıya bak). Platform, tahmine dayalı olarak eğitimi durdurmaz.

Maliyetleri yönetmek için:

• Eğitim ilerlemesini gerçek zamanlı olarak izle ve gerekirse erken iptal et
• Kredileri otomatik olarak yenilemek için auto top-up özelliğini etkinleştir
• Beklentileri ayarlamak için daha kısa süreli çalıştırmalarla (daha az epoch) başla

Özel eğitim argümanları kullanabilir miyim?

Evet, eğitim penceresindeki Advanced Settings bölümünü genişleterek 40'tan fazla yapılandırılabilir parametre içeren bir YAML düzenleyicisine erişebilirsin. Varsayılan olmayan değerler hem bulut hem de yerel eğitim komutlarına dahil edilir.

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

• Mevcut modelden kopyala: Tamamlanmış herhangi bir modelin sayfasında, Eğitim Konfigürasyonu kartında bir Copy as JSON butonu bulunur. JSON'ı kopyala ve doğrudan YAML düzenleyicisine yapıştır; formatı otomatik algılar ve tüm parametreleri içe aktarır.
• YAML veya JSON yapıştır: Geçerli herhangi bir YAML veya JSON eğitim konfigürasyonunu düzenleyiciye yapıştır. Parametreler otomatik olarak doğrulanır, aralık dışı değerler sınırlandırılır ve uyarılar görüntülenir.
• Dosyaları sürükleyip bırak: Parametrelerini içe aktarmak için bir .yaml veya .json dosyasını doğrudan düzenleyiciye sürükle.

Bu, her parametreyi manuel olarak yeniden girmek zorunda kalmadan önceki eğitim konfigürasyonlarını yeniden üretmeyi veya bunlar üzerinde yineleme yapmayı kolaylaştırır.

Bir veri seti sayfasından eğitim başlatabilir miyim?

Evet, veri seti sayfalarındaki Train butonu, veri seti önceden seçili ve kilitli bir şekilde eğitim penceresini açar. Ardından eğitime başlamak için bir proje ve model seçersin.

Eğitim Parametreleri Referansı