Huấn luyện trên đám mây#

Ultralytics Platform Cloud Training cho phép huấn luyện chỉ với một cú nhấp chuột trên GPU đám mây, giúp việc huấn luyện model trở nên dễ tiếp cận mà không cần cấu hình phức tạp. Huấn luyện các model YOLO với khả năng truyền phát chỉ số theo thời gian thực và tự động lưu checkpoint.

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

Hộp thoại Huấn luyện#

Bắt đầu huấn luyện từ UI của Platform bằng cách nhấp vào New Model trên bất kỳ trang dự án hoặc tập dữ liệu nào. Hộp thoại huấn luyện có hai tab: Cloud Training và Local Training.

Bước 1: Chọn Model Cơ sở#

Chọn một model Ultralytics chính thức hoặc một trong các model đã hoàn thành của riêng bạn:

Bộ lọc sẽ lọc các model chính thức theo các tác vụ tương thích với dataset đã chọn. YOLO26 bao gồm các biến thể Detect, Segment, Semantic, Depth, Classify, Pose và OBB với các kích thước từ nano đến xlarge.

Bước 2: Chọn Tập dữ liệu#

Chọn tập dữ liệu để huấn luyện (xem Datasets):

Bước 3: Cấu hình Tham số#

Thiết lập các tham số huấn luyện cốt lõi:

Bước 4: Cài đặt Nâng cao (Tùy chọn)#

Mở rộng Advanced Settings để truy cập trình chỉnh sửa tham số dựa trên YAML đầy đủ với hơn 40 tham số huấn luyện được sắp xếp theo nhóm (xem tham chiếu cấu hình):

Các tham số có khả năng nhận biết tác vụ (ví dụ: copy_paste chỉ hiển thị cho các tác vụ segment, pose/kobj chỉ dành cho tác vụ pose). Huy hiệu Modified xuất hiện khi các giá trị khác với mặc định, và bạn có thể đặt lại tất cả về mặc định bằng nút reset.

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

Lưu Phiên bản Tập dữ liệu (Tùy chọn)#

Bật Save Dataset Version để liên kết model với một phiên bản bất biến của tập dữ liệu được lưu trữ trên Platform. Platform sẽ kiểm tra xem nội dung tập dữ liệu có thay đổi hay không, tái sử dụng phiên bản khớp nếu không có thay đổi và chỉ tạo phiên bản được đánh số mới khi cần thiết. Quá trình huấn luyện sau đó sẽ sử dụng snapshot NDJSON chính xác đó và ghi lại số phiên bản cũng như mã băm nội dung trên model.

Việc này giúp bảo toàn dữ liệu đã sử dụng cho lần chạy đó ngay cả khi bạn thêm hoặc xóa hình ảnh, chỉnh sửa chú thích hoặc thay đổi các phân đoạn tập dữ liệu sau này. Bạn có thể tìm thấy phiên bản đã liên kết trong các tab Models và Versions của tập dữ liệu.

Bước 5: Chọn GPU (Tab Đám mây)#

Chọn GPU của bạn từ Ultralytics Cloud:

Hộp thoại hiển thị số dư hiện tại của bạn và nút Top Up. Chi phí và thời gian dự kiến được tính toán dựa trên cấu hình của bạn (kích thước model, số lượng ảnh trong tập dữ liệu, epoch, tốc độ GPU).

Bước 6: Bắt đầu Huấn luyện#

Nhấp vào Start Training để khởi chạy công việc của bạn. Nền tảng sẽ:

1. Giải quyết phiên bản tập dữ liệu bất biến khi Save Dataset Version được bật
2. Cấp phát một instance GPU
3. Tải xuống tập dữ liệu của bạn
4. Bắt đầu huấn luyện
5. Truyền phát các chỉ số trong thời gian thực

Vòng đời của công việc huấn luyện#

Các công việc huấn luyện tiến triển qua các trạng thái sau:

Để nhận thông báo về các kết quả hoàn tất và thất bại mà không cần mở trang này, hãy kết nối Slack alerts.

Theo dõi Huấn luyện#

Xem tiến trình huấn luyện thời gian thực trên tab Train của trang model:

Tab con Biểu đồ#

Tab con Console#

Đầu ra console trực tiếp với hỗ trợ màu ANSI, thanh tiến trình và phát hiện lỗi.

Tab con Hệ thống#

Sử dụng GPU, bộ nhớ, nhiệt độ, CPU và mức sử dụng đĩa theo thời gian thực.

Checkpoint#

Sau khi huấn luyện hoàn tất, model tốt nhất (best.pt, checkpoint có mAP cao nhất) được tải lên nền tảng và cung cấp để tải xuống, xuất và triển khai.

Hủy huấn luyện#

Nhấp vào Cancel Training trên trang model và xác nhận hành động. Đối với cloud training, Platform sẽ dừng tác vụ, giải phóng tài nguyên tính toán và tính phí thời gian GPU đã sử dụng trước khi hủy. Đối với local training, việc hủy sẽ báo hiệu cho tiến trình dừng lại ở ranh giới epoch tiếp theo và giữ lại các kết quả một phần.

Huấn luyện từ xa (Remote Training)#

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

Huấn luyện trên phần cứng của riêng bạn trong khi truyền tải các chỉ số (metrics) lên nền tảng.

pip install -U ultralytics

Thiết lập API Key#

1. Truy cập Settings > API Keys
2. Tạo một key mới (hoặc nền tảng sẽ tự động tạo một key khi bạn mở tab Local Training)
3. Thiết lập biến môi trường:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Huấn luyện với truyền tải dữ liệu (Streaming)#

Sử dụng các tham số project và name để truyền tải các chỉ số:

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

Tab Local Training trong hộp thoại huấn luyện hiển thị một lệnh đã được cấu hình sẵn cùng với API key, các tham số đã chọn và các đối số nâng cao đi kèm.

Sử dụng tập dữ liệu (dataset) của Platform#

Huấn luyện với các tập dữ liệu (dataset) được lưu trữ trên nền tảng bằng cách sử dụng định dạng URI ul://:

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

Định dạng URI ul:// sẽ tự động tải xuống và cấu hình tập dữ liệu của bạn. Mô hình được tự động liên kết với tập dữ liệu trên nền tảng (xem Sử dụng tập dữ liệu nền tảng).

Thanh toán#

Chi phí huấn luyện dựa trên mức sử dụng GPU:

Ước tính chi phí#

Trước khi quá trình huấn luyện bắt đầu, nền tảng sẽ ước tính tổng chi phí bằng cách:

1. Ước tính giây mỗi epoch từ kích thước tập dữ liệu, độ phức tạp của mô hình, kích thước ảnh, kích thước batch và tốc độ GPU
2. Tính toán tổng thời gian huấn luyện bằng cách nhân giây mỗi epoch với số lượng epoch, sau đó thêm thời gian khởi động (startup overhead)
3. Tính toán chi phí ước tính từ tổng số giờ huấn luyện nhân với giá theo giờ của GPU

Các yếu tố ảnh hưởng đến chi phí:

Ví dụ về chi phí#

Quy trình thanh toán#

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

Quy trình thanh toán huấn luyện trên cloud:

1. Ước tính: Chi phí được tính trước khi huấn luyện bắt đầu
2. Kiểm tra số dư: Tín dụng khả dụng được kiểm tra trước khi chạy
3. Huấn luyện: Job được chạy trên tài nguyên tính toán đã chọn
4. Tính phí: Chi phí cuối cùng dựa trên thời gian chạy thực tế

Thanh toán theo trạng thái Job#

Phương thức Thanh toán#

Cloud training được thanh toán từ số dư tín dụng Platform của bạn.

Xem chi phí huấn luyện#

Trước khi bắt đầu tác vụ trên đám mây, hộp thoại huấn luyện hiển thị số dư tín dụng hiện tại của bạn và ước tính thời gian cũng như chi phí tác vụ từ model, tập dữ liệu, epochs, kích thước ảnh và GPU được chọn. Ước tính này mang tính tham khảo; mức sử dụng thực tế được tính phí theo thời gian GPU tiêu thụ. Sau đó, hãy xem lại giao dịch tín dụng tương ứng trong mục Settings > Billing.

Mẹo huấn luyện#

Chọn kích thước mô hình phù hợp#

Tối ưu hóa thời gian huấn luyện#

Khắc phục sự cố#

Câu hỏi thường gặp#

Huấn luyện mất bao lâu?#

Thời gian huấn luyện phụ thuộc vào:

• Kích thước tập dữ liệu
• Kích thước model
• Số lượng epoch
• GPU đã chọn

Thời gian tiêu biểu (1000 ảnh, 100 epochs):

Tôi có thể huấn luyện qua đêm không?#

Có. Quá trình huấn luyện có thể chạy tự động không cần giám sát miễn là vẫn còn đủ kinh phí, và Platform sẽ ghi lại sự kiện hoàn thành hoặc thất bại. Nếu việc đo lường làm cho số dư giảm xuống dưới số không, các lượt chạy cloud trả phí đang hoạt động sẽ dừng lại và thanh toán thời gian GPU đã sử dụng.

Điều gì xảy ra nếu tôi hết tín dụng?#

Mức sử dụng đám mây được đo lường khi quá trình huấn luyện diễn ra. Nếu một khoản phí làm giảm số dư của bạn xuống dưới số không, các lượt chạy cloud trả phí đang hoạt động sẽ bị dừng và thanh toán cho thời gian GPU đã sử dụng. Thêm tín dụng hoặc bật tính năng tự động nạp tiền để giữ cho các tác vụ chạy dài hạn được duy trì kinh phí.

Điều gì xảy ra nếu chi phí huấn luyện cao hơn dự tính?#

Ước tính chi phí mang tính xấp xỉ — thời gian huấn luyện thực tế có thể thay đổi do các yếu tố như tốc độ tải dữ liệu, thời gian khởi động GPU và hành vi hội tụ của model. Nếu mức sử dụng thực tế làm cạn kiệt số dư khả dụng, Platform sẽ dừng các lượt chạy cloud trả phí đang hoạt động sau khi số dư chuyển sang âm.

Để quản lý chi phí:

• Theo dõi tiến trình huấn luyện theo thời gian thực và hủy sớm nếu cần
• Bật auto top-up để tự động nạp lại tín dụng
• Bắt đầu với các lượt chạy ngắn hơn (ít epoch hơn) để điều chỉnh kỳ vọng

Tôi có thể sử dụng các tham số huấn luyện tùy chỉnh không?#

Có, hãy mở rộng phần Advanced Settings trong hộp thoại huấn luyện để truy cập trình soạn thảo YAML với hơn 40 tham số có thể cấu hình. Các giá trị không mặc định sẽ được đưa vào các lệnh huấn luyện trên đám mây và cục bộ.

Trình soạn thảo YAML cũng hỗ trợ nhập cấu hình từ các lượt huấn luyện trước đó:

• Copy from existing model: Trên trang của bất kỳ model nào đã hoàn thành, thẻ Training Configuration có nút Copy as JSON. Hãy sao chép JSON và dán trực tiếp vào trình soạn thảo YAML — nó sẽ tự động phát hiện định dạng JSON và nhập tất cả tham số.
• Paste YAML or JSON: Dán bất kỳ cấu hình huấn luyện YAML hoặc JSON hợp lệ nào vào trình soạn thảo. Các tham số được xác thực tự động, với các giá trị ngoài phạm vi được kẹp lại và các cảnh báo được hiển thị.
• Drag and drop files: Kéo một tệp .yaml hoặc .json trực tiếp vào trình soạn thảo để nhập các tham số của nó.

Điều này giúp bạn dễ dàng tái tạo hoặc lặp lại các cấu hình huấn luyện trước đó mà không cần nhập lại thủ công từng tham số.

Tôi có thể huấn luyện từ trang tập dữ liệu không?#

Có, nút New Model trên các trang tập dữ liệu sẽ mở hộp thoại huấn luyện với tập dữ liệu đã được chọn sẵn và khóa lại. Sau đó, bạn chọn một dự án và model để bắt đầu huấn luyện.

Tham chiếu tham số huấn luyện#