Bulut Eğitimi#

Ultralytics Platform Bulut Eğitimi, bulut GPU'larında tek tıkla eğitim sunarak karmaşık bir kurulum gerektirmeden model eğitimini erişilebilir hale getirir. Gerçek zamanlı metrik akışı ve otomatik kontrol noktası kaydetme ile YOLO modellerini 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 kutusunun iki sekmesi vardır: Cloud Training ve Local Training. Seçilen veri kümesi bir On Premise sunucusunda barındırıldığında, ilk sekme On Premise olur ve Local Training sekmesi gizlenir; bu veri kümesi yalnızca kendi sunucusunda eğitilebilir; bu da bir Enterprise planı ve bağlı, çevrimiçi bir worker gerektirir.

Adım: Temel Modeli Seç#

Resmi bir Ultralytics modeli veya tamamlanmış kendi modellerinden birini seç:

Her sekme içinde modeller, kanonik sırada göreve göre gruplandırılır ve boyuta göre sıralanır. Seçici, resmi modelleri seçilen veri kümesiyle uyumlu görevlere göre filtreler. YOLO26; nano ile xlarge arasındaki boyutlarda Detect, Segment, Semantic, Depth, Classify, Pose ve OBB varyantlarını içerir.

Adım: Veri Kümesini Seç#

Üzerinde eğitim yapılacak bir veri seti seç (bkz. Datasets):

Adım: Parametreleri Yapılandır#

Temel eğitim parametrelerini ayarla:

Bir parametrenin aralığı dışına yazılan değerler, alan odak dışı kaldığında sabitlenir.

Adım: Gelişmiş Ayarlar (İsteğe bağlı)#

Gruplara göre düzenlenmiş 50'den fazla eğitim parametresi içeren tam YAML tabanlı parametre düzenleyicisine erişmek için Advanced Settings öğesini genişlet (bkz. configuration reference):

Parametreler görev odaklıdır (ör. copy_paste yalnızca segment görevleri için, pose/kobj yalnızca poz görevleri için, dropout yalnızca sınıflandırma için görünür). Değerler varsayılanlardan farklı olduğunda bir Modified rozeti görünür ve sıfırlama düğmesiyle tümünü varsayılanlara sıfırlayabilirsin. Eğitim işine yalnızca varsayılan olmayan gelişmiş değerler gönderilir (temel epochs, batch ve görüntü boyutu parametreleri her zaman dahildir), böylece ortaya çıkan komut okunaklı 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'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:

İletişim kutusu mevcut balance değerini ve bir Top Up düğmesini gösterir. Maliyet kartı, yapılandırman için toplam süreyi ve fiyatı tahmin eder (model boyutu, veri kümesi görüntüleri, epochs, görüntü boyutu, parti boyutu, optimizer ve GPU hızı) ve ayrıca epoch başına tahmini saniyeleri ve veri kümesi görüntü sayısını bildirir.

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

Mevcut bir modeli yeniden eğitmek aynı model sayfasını yeniden kullanır ve yeni iş oluşturulduktan sonra önceki çalıştırmanın grafiklerini, konsol çıktısını, sistem metriklerini ve hata durumunu temizler. Kaynak sağlanmadan önce başarısız olan bir çalıştırma, önceki sonuçları dokunulmadan bırakır.

Eğitim İşi Yaşam Döngüsü#

Eğitim işleri aşağıdaki durumlardan geçer:

Konsol akışındaki ölümcül bir Python hatası — bir traceback, bir CUDA out-of-memory hatası veya başarısız bir CUDA başlatılması — bir zaman aşımı beklemek yerine çalıştırmayı hemen sonlandırır ve çıkarılan mesaj, model sayfasında View full console logs ve Retry Training eylemleriyle birlikte bir hata başlığında görünür. Birkaç saat boyunca etkinlik bildirmeyi durduran çalıştırmalar otomatik olarak başarısız olarak işaretlenir ve bilgi işlem kaynakları serbest bırakılır.

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

Eğitimi İzle#

Model sayfasının Eğit sekmesinden gerçek zamanlı eğitim ilerlemesini görüntüle:

Grafikler Alt Sekmesi#

Grafikler metrik ailesine göre gruplandırılır ve görünen gruplar çalıştırmanın ne bildirdiğine bağlıdır:

Her grup daraltılabilir, grup menüsünden ayrı grafikler gizlenebilir veya gösterilebilir, grafikler sürüklenip yeniden boyutlandırılabilir — düzen bir sonraki sefer için hatırlanır.

Konsol Alt Sekmesi#

ANSI renk desteği, ilerleme çubukları ve ölümcül hata tespiti içeren canlı konsol çıktısı. Son 2000 satır saklanır, zaman damgaları açılıp kapatılabilir ve günlüğün tamamı düz metin olarak kopyalanabilir.

Sistem Alt Sekmesi#

Canlı ana bilgisayar kartı (ana bilgisayar adı, CPU, GPU, RAM ve disk toplamları) artı CPU ve RAM kullanımı, GPU kullanımı ve belleği, GPU sıcaklığı, ağ I/O ve disk I/O için epoch başına grafikler.

Kontrol Noktaları#

En iyi kontrol noktası (best.pt) eğitim sırasında periyodik olarak ve çalıştırma sona erdiğinde tekrar Platforma yüklenir; böylece indirme, dışa aktarma ve dağıtım her zaman şimdiye kadar üretilen en iyi epoch'u kullanır. Çalıştırma iptal edilirse, iptal edilmeden önce yüklenen kontrol noktası saklanır.

Eğitimi İptal Et#

Model sayfasındaki Run Information kartında Cancel öğesine tıkla ve eylemi onayla. Bulut eğitimi için Platform işi durdurur, bilgi işlem kaynaklarını serbest bırakır ve iptal edilmeden önce kullanılan geçen GPU süresini ücretlendirir. Yerel eğitim için iptal, işlemin bir sonraki epoch sınırında durdurulmasını sinyaller ve kısmi sonuçları korur — çalıştırma çıkış yapmadan önce elindekileri yükler.

Uzaktan 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 donanımın üzerinde eğit.

pip install -U ultralytics

API Anahtarını Ayarla#

1. Settings > API Keys adresine 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 formatını 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 formatı, veri setini otomatik olarak indirir ve yapılandırır. Model, platformdaki veri setine otomatik olarak bağlanır (bkz. Using Platform Datasets).

Faturalandırma#

Eğitim maliyetleri GPU kullanımına göre belirlenir:

Maliyet Tahmini#

Eğitim başlamadan önce platform; veri kümesi boyutundan, model boyutundan, görüntü boyutundan, parti boyutundan, epoch'lardan ve seçilen GPU'dan toplam süreyi ve maliyeti tahmin eder. Tahminler yaklaşıktır; gerçek kullanım faturalandırılan maddedir.

Maliyeti etkileyen faktörler:

Tahminler gerçek bulut eğitimi çalıştırmalarına dayanır ve tahmin her zaman seçtiğin GPU'yu kullanır; bu nedenle daha hızlı Ultralytics altyapısına yönlendirilen bir iş tahmininin önünde bitirir.

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 maliyet hesaplanır
2. Bakiye Kontrolü: Başlatmadan önce mevcut krediler kontrol edilir
3. Eğit ve Ölç: İş seçilen bilgi işlem kaynağında çalışır ve tahakkuk eden GPU süresi, çalışma sırasında adımlar halinde bakiye düşülür
4. Uzlaştır: Son durumda kalan kısım tahsil edilir ve tüm çalışma için tek bir Eğitim işlemi yazılır

İş Durumuna Göre Faturalandırma#

Birkaç saat boyunca etkinlik bildirmeyi durduran bir çalıştırma otomatik olarak başarısız olarak işaretlenir; örnek sonlandırılır ve geçen GPU süresi karara bağlanır. Kendi donanımınızdaki uzak çalıştırmalar, ücretlendirilecek hiçbir şey olmaksızın basitçe başarısız olarak işaretlenir.

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#

Eğitim Parametreleri Referansı#

SSS#