Bulut Eğitimi#

Ultralytics Platform Bulut Eğitimi, bulut GPU'larında tek tıklamayla eğitim olanağı sunarak karmaşık kurulumlara gerek kalmadan model eğitimini erişilebilir kılar. YOLO modellerini gerçek zamanlı metrik akışı ve otomatik kontrol noktası kaydıyla eğit.

Eğitim İletişim Kutusu#

Herhangi bir proje veya veri kümesi sayfasındaki New Model seçeneğine tıklayarak Platform kullanıcı arayüzünden eğitimi başlat. Eğitim iletişim kutusunda iki sekme bulunur: Cloud Training ve Local Training. Seçili 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 ve bağlı, çevrimiçi bir çalışan gerekir.

İletişim kutusu, geçerli tarayıcıdaki her veri kümesi görevi ve çalışma alanı için son kapatıldığında seçili olan temel modeli ve varsayılan olmayan parametreleri hatırlar ve o görev için bir sonraki açılışında geri yükler. GPU seçimi hatırlanmaz; başarısız bir çalıştırmada Retry Training seçeneği, o çalıştırmanın kendi bağımsız değişkenlerini geri yükler.

Adım 1: Temel Modeli Seç#

Resmî bir Ultralytics modeli veya tamamlanmış kendi modellerinden birini seç:

Her sekmede modeller, standart görev sırasına göre gruplandırılır ve boyuta göre sıralanır. Her iki sekmede de yalnızca görevi seçili veri kümesini eğitebilen modeller listelenir. YOLO26, nano boyutundan xlarge boyutuna kadar şu varyantları içerir: Detect, Segment, Semantic, Depth, Classify, Pose ve OBB.

Adım 2: Veri Kümesini Seç#

Eğitim için bir veri kümesi seç (Veri Kümeleri bölümüne bak):

Adım 3: Parametreleri Yapılandır#

Temel eğitim parametrelerini ayarla:

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

Adım 4: Gelişmiş Ayarlar (İsteğe Bağlı)#

Training Settings ve Image Augmentations bölümlerindeki 50'den fazla eğitim parametresini içeren YAML tabanlı parametre düzenleyicisine erişmek için Advanced Settings bölümünü genişlet (yapılandırma referansına bak):

Parametreler göreve duyarlıdır (ör. copy_paste yalnızca segment, semantic ve OBB görevlerinde; pose/kobj yalnızca pose görevlerinde; auto_augment/erasing ise yalnızca classify görevlerinde görünür). Düzenleyici, device, cache, workers, iou, dropout, val ve time parametrelerini göstermez; yapıştırılan veya bırakılan yapılandırmalarda bunları yok sayar. Yerel olarak eğitim yaparken bu parametreleri kendi yolo train komutunda ayarla. Değerler varsayılanlardan farklı olduğunda Değiştirildi rozeti görünür; sıfırlama düğmesiyle tüm değerleri varsayılanlara döndürebilirsin. Eğitim işine yalnızca varsayılan olmayan gelişmiş değerler gönderilir (temel epochs, batch ve görüntü boyutu parametreleri her zaman eklenir); 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, semantic, OBB)
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 seçeneğini etkinleştir. Platform, veri kümesinin içeriğinin değişip değişmediğini kontrol eder; değişmediyse eşleşen bir sürümü yeniden kullanır, yalnızca gerektiğinde yeni bir numaralı sürüm oluşturur. Eğitim daha sonra tam olarak bu NDJSON anlık görüntüsünü kullanır ve sürüm numarasını ve içerik karmasını modele kaydeder.

Böylece daha sonra görüntü eklesen, kaldırsan, açıklamaları düzenlesen veya veri kümesi bölümlerini değiştirsen bile çalıştırmada kullanılan veriler korunur. Bağlantılı sürümü, veri kümesinin Modeller ve Sürümler sekmelerinde bulabilirsin.

Adım 5: GPU Seç (Bulut Sekmesi)#

GPU'nu Ultralytics Cloud'dan seç:

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

Adım 6: Eğitimi Başlat#

İşini başlatmak için Eğitimi Başlat'a tıkla. Platform:

1. Veri Kümesi Sürümünü Kaydet etkinse değiştirilemez veri kümesi sürümünü çözümler
2. Bir GPU örneği oluşturur
3. Veri kümeni indirir
4. Eğitimi başlatır
5. Metrikleri gerçek zamanlı olarak aktarır

Mevcut bir modeli yeniden eğitmek, aynı model sayfasını kullanır ve yeni iş oluşturulduğunda önceki çalıştırmanın grafikleri, konsol çıktısı, sistem metrikleri ve hata durumu temizlenir. İşlem kaynakları tahsis edilmeden önce başarısız olan bir çalıştırma, önceki sonuçlara dokunmaz.

Eğitim İşinin Yaşam Döngüsü#

Eğitim işleri aşağıdaki durumlardan geçer:

Konsol akışındaki ölümcül bir Python hatası — traceback, CUDA bellek yetersizliği hatası veya başarısız CUDA başlatması — zaman aşımını beklemek yerine çalıştırmayı hemen sonlandırır. Çıkarılan mesaj, model sayfasında Tüm konsol günlüklerini görüntüle ve Eğitimi Yeniden Dene işlemlerini içeren bir hata bandında görünür. 4 saat boyunca etkinlik bildirmeyen çalıştırmalar otomatik olarak başarısız olarak işaretlenir ve işlem kaynakları serbest bırakılır.

Bu sayfayı açık tutmadan tamamlanan ve başarısız olan sonuçları almak için Slack uyarılarını bağla.

Eğitimi İzle#

Model sayfasındaki Eğitim sekmesinden eğitim ilerlemesini gerçek zamanlı olarak görüntüle:

Grafikler Alt Sekmesi#

Grafikler metrik gruplarına göre düzenlenir ve görüntülenen gruplar, çalıştırmanın bildirdiği verilere bağlıdır:

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

Konsol Alt Sekmesi#

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

Sistem Alt Sekmesi#

Canlı bir sunucu kartı (ana bilgisayar adı, CPU, GPU, RAM ve disk toplamları) ve CPU ile 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), eğitim sırasında düzenli aralıklarla ve çalıştırma sona erdiğinde Platform'a yüklenir; böylece indirme, dışa aktarma ve dağıtım işlemleri o ana kadar üretilen en iyi epoch'u kullanır. Çalıştırma iptal edilirse, iptalden önce yüklenen kontrol noktası korunur.

Eğitimi İptal Et#

Model sayfasındaki Çalıştırma Bilgileri kartında İptal'e tıkla ve işlemi onayla. Bulut eğitiminde Platform işi durdurur, işlem kaynaklarını serbest bırakır ve iptalden önce kullanılan GPU süresini ücretlendirir. Yerel eğitimde iptal sinyali, işlemin bir sonraki epoch sınırında durmasını sağlar ve kısmi sonuçları korur — çalıştırma, çıkmadan önce eldeki verileri yükler.

Uzaktan Eğitim#

Metrikleri platforma aktarırken kendi donanımında eğitim yap.

pip install -U ultralytics

API Anahtarını Ayarla#

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

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Akış Aktarımıyla 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 Yerel Eğitim sekmesinde API anahtarını, seçili parametreleri ve gelişmiş argümanları içeren, önceden yapılandırılmış bir komut gösterilir.

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 indirip yapılandırır. Model, platformdaki veri kümesine otomatik olarak bağlanır (bkz. Platform Veri Kümelerini Kullanma).

Faturalandırma#

Eğitim maliyetleri GPU kullanımına göre belirlenir:

Maliyet Tahmini#

Eğitim başlamadan önce platform; veri kümesi boyutuna, model boyutuna, görüntü boyutuna, batch boyutuna, epochs sayısına ve seçilen GPU'ya göre toplam süreyi ve maliyeti tahmin eder. Tahminler yaklaşık değerlerdir; faturalandırma gerçek kullanıma göre yapılır.

Maliyeti etkileyen faktörler:

Tahminler gerçek bulut eğitim çalışmalarına dayanır ve her zaman seçtiğin GPU'yu kullanır — bu nedenle daha hızlı Ultralytics altyapısına yönlendirilen bir iş, tahmin edilenden daha erken tamamlanır.

Maliyet Örnekleri#

Faturalandırma Akışı#

Bulut eğitimi faturalandırma akışı:

1. Tahmin: Eğitim başlamadan önce hesaplanan maliyet
2. Bakiye Kontrolü: Başlatmadan önce kullanılabilir krediler kontrol edilir
3. Eğit ve Ölç: İş seçilen işlem kaynağında çalışır ve biriken GPU süresi, çalışma devam ederken bakiyenden adım adım düşülür
4. Hesaplaşma: İş son duruma ulaştığında kalan süre düşülür ve tüm çalıştırma için tek bir Training işlemi kaydedilir

İş Durumuna Göre Faturalandırma#

4 saat boyunca etkinlik bildirmeyen bir çalıştırma otomatik olarak başarısız olarak işaretlenir; örnek sonlandırılır ve geçen GPU süresi hesaplaşmaya dahil edilir. Kendi donanımındaki uzak çalıştırmalar yalnızca başarısız olarak işaretlenir ve ücret alınmaz.

Ödeme Yöntemleri#

Bulut eğitimi, Platform kredi bakiyenden ödenir.

Eğitim Maliyetlerini Görüntüle#

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 işin süresini ve maliyetini tahmin eder. Tahmin bilgilendirme amaçlıdır; gerçek kullanım, tüketilen GPU süresi üzerinden ücretlendirilir. Ardından, oluşan kredi işlemini Ayarlar > Faturalandırma bölümünden incele.

Eğitim İpuçları#

Doğru Model Boyutunu Seç#

Eğitim Süresini Optimize Et#

Sorun Giderme#

Eğitim Parametreleri Referansı#

Sık Sorulan Sorular#