Đào tạo trên đám mây#

Ultralytics Platform Cloud Training cung cấp khả năng đào tạo trên GPU đám mây chỉ với một lần nhấp, giúp việc đào tạo model trở nên dễ tiếp cận mà không cần thiết lập phức tạp. Đào tạo model YOLO với tính năng truyền metrics 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 đào tạo#

Bắt đầu đào tạo từ giao diện Platform bằng cách nhấp vào New Model trên bất kỳ trang project hoặc dataset nào. Hộp thoại đào tạo có hai tab: Cloud Training và Local Training. Khi dataset được chọn nằm trên một host On Premise, tab đầu tiên sẽ trở thành On Premise và tab Local Training bị ẩn — dataset đó chỉ có thể được đào tạo trên chính host của nó, yêu cầu gói Enterprise và một worker đã kết nối, đang online.

Hộp thoại ghi nhớ mô hình cơ sở và bất kỳ tham số nào không phải mặc định mà nó chứa khi bạn đóng nó lần cuối, theo tác vụ tập dữ liệu và không gian làm việc trong trình duyệt hiện tại, đồng thời khôi phục chúng vào lần tiếp theo bạn mở nó cho tác vụ đó. Lựa chọn GPU không được ghi nhớ, và Retry trên một lần chạy thất bại sẽ khôi phục các đối số của chính lần chạy đó.

Bước 1: Chọn model cơ sở#

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

Trong mỗi tab, các model được nhóm theo task theo thứ tự chuẩn và sắp xếp theo kích thước. Bộ chọn lọc các model chính thức theo các task tương thích với dataset đã chọn. YOLO26 bao gồm các biến thể Detect, Segment, Semantic, Depth, Classify, Pose và OBB, với kích thước từ nano đến xlarge.

Bước 2: Chọn dataset#

Chọn dataset để đào tạo (xem Datasets):

Bước 3: Cấu hình tham số#

Thiết lập các tham số đào tạo cốt lõi:

Các giá trị được nhập nằm ngoài phạm vi của tham số sẽ được giới hạn khi trường mất focus.

Bước 4: Cài đặt nâng cao (Tùy chọn)#

Mở rộng Advanced Settings để truy cập trình soạn thảo tham số đầy đủ dựa trên YAML với hơn 50 tham số đào tạo được sắp xếp theo nhóm (xem tài liệu tham chiếu cấu hình):

Các tham số nhận biết task (ví dụ: copy_paste chỉ hiển thị cho task segment, pose/kobj chỉ cho task pose, dropout chỉ cho classify). Huy hiệu Modified xuất hiện khi các giá trị khác với mặc định; bạn có thể đặt lại tất cả về mặc định bằng nút reset. Chỉ các giá trị nâng cao không mặc định được gửi đến training job (các tham số epochs, batch và kích thước image cơ bản luôn được bao gồm), vì vậy command kết quả vẫn dễ đọc.

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 dataset (Tùy chọn)#

Bật Save Dataset Version để liên kết model với một phiên bản bất biến của dataset được Platform lưu trữ. Platform kiểm tra xem nội dung dataset có thay đổi hay không, sử dụng lại phiên bản phù hợp nếu không thay đổi và chỉ tạo phiên bản mới được đánh số khi cần. Sau đó, quá trình đào tạo sử dụng snapshot NDJSON chính xác đó và ghi lại số phiên bản cùng content hash của phiên bản trên model.

Điều này bảo toàn dữ liệu được sử dụng cho run ngay cả khi sau đó bạn thêm hoặc xóa image, chỉnh sửa annotation hoặc thay đổi các tập dataset. Bạn có thể tìm phiên bản được liên kết trong các tab Models và Versions của dataset.

Bước 5: Chọn GPU (tab Cloud)#

Chọn GPU của bạn từ Ultralytics Cloud:

Hộp thoại hiển thị balance hiện tại và nút Top Up. Thẻ chi phí ước tính tổng thời lượng và giá cho cấu hình của bạn (kích thước model, số image trong dataset, epochs, kích thước image, batch size, optimizer và tốc độ GPU), đồng thời báo cáo số giây ước tính mỗi epoch và số lượng image trong dataset.

Bước 6: Bắt đầu đào tạo#

Nhấp vào Start Training để khởi chạy job. Platform sẽ:

1. Xác định phiên bản dataset bất biến khi Save Dataset Version được bật
2. Cấp phát một instance GPU
3. Tải dataset của bạn xuống
4. Bắt đầu đào tạo
5. Truyền metrics theo thời gian thực

Việc đào tạo lại một model hiện có sẽ sử dụng lại cùng trang model và xóa biểu đồ, output console, metrics hệ thống và trạng thái lỗi của run trước đó ngay khi job mới được tạo. Run bị lỗi trước khi compute được cấp phát sẽ giữ nguyên các kết quả trước đó.

Vòng đời training job#

Training job trải qua các trạng thái sau:

Một lỗi Python nghiêm trọng trong luồng console — traceback, lỗi CUDA hết bộ nhớ hoặc lỗi khởi tạo CUDA — sẽ kết thúc run ngay lập tức thay vì chờ hết thời gian chờ, và thông báo được trích xuất sẽ xuất hiện trong banner lỗi trên trang model cùng các thao tác View full console logs và Retry Training. Các run ngừng báo cáo hoạt động trong vài giờ sẽ tự động được đánh dấu là failed và tài nguyên compute của chúng được giải phóng.

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

Theo dõi quá trình huấn luyện#

Xem tiến trình training theo thời gian thực trên tab Train của trang model:

Subtab Charts#

Các biểu đồ được nhóm theo họ metric, và những nhóm xuất hiện phụ thuộc vào nội dung run báo cáo:

Mỗi nhóm có thể được thu gọn, từng biểu đồ có thể ẩn hoặc hiện từ menu của nhóm, và các biểu đồ có thể được kéo và thay đổi kích thước — bố cục sẽ được ghi nhớ cho lần sau.

Subtab Console#

Đầu ra console trực tiếp với hỗ trợ màu ANSI, thanh tiến trình và tính năng phát hiện lỗi nghiêm trọng. 2000 dòng cuối được giữ lại, có thể bật timestamp và sao chép toàn bộ log dưới dạng văn bản thuần.

Subtab System#

Một thẻ host trực tiếp (hostname, CPU, GPU, tổng RAM và dung lượng disk), cùng các biểu đồ theo từng epoch về mức sử dụng CPU và RAM, mức sử dụng và bộ nhớ GPU, nhiệt độ GPU, I/O mạng và I/O disk.

Các checkpoint#

Checkpoint tốt nhất (best.pt) được upload lên Platform định kỳ trong quá trình training và một lần nữa khi run kết thúc, vì vậy thao tác download, export và deployment luôn sử dụng epoch tốt nhất đã tạo ra cho đến thời điểm đó. Nếu run bị hủy, checkpoint được upload trước khi hủy sẽ được giữ lại.

Hủy huấn luyện#

Nhấp Cancel trong thẻ Run Information trên trang model và xác nhận thao tác. Đối với cloud training, Platform dừng job, giải phóng tài nguyên compute và tính phí theo thời gian GPU đã sử dụng trước khi hủy. Đối với local training, tín hiệu hủy yêu cầu process dừng ở ranh giới epoch tiếp theo và bảo toàn các kết quả một phần — run sẽ upload những gì đã có trước khi thoát.

Training từ xa#

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

Training trên phần cứng của riêng bạn trong khi streaming metric lên platform.

pip install -U ultralytics

Thiết lập API Key#

1. Đi tới Settings > API Keys
2. Tạo key mới (hoặc platform 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"

Training với Streaming#

Sử dụng các tham số project và name để streaming metric:

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

Tab Local Training trong hộp thoại training hiển thị một command được cấu hình sẵn, bao gồm API key, các tham số đã chọn và các argument nâng cao.

Sử dụng Dataset trên Platform#

Training với các dataset được lưu trên platform bằng 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 download và cấu hình dataset của bạn. Model được tự động liên kết với dataset trên platform (xem Sử dụng Dataset trên Platform).

Thanh toán#

Chi phí training dựa trên mức sử dụng GPU:

Ước tính chi phí#

Trước khi training bắt đầu, platform ước tính tổng thời lượng và chi phí dựa trên kích thước dataset, kích thước model, kích thước image, batch size, số epoch và GPU đã chọn. Các ước tính chỉ mang tính gần đúng; mức sử dụng thực tế là cơ sở tính phí.

Các yếu tố ảnh hưởng đến chi phí:

Các ước tính dựa trên những run cloud training thực tế và luôn sử dụng GPU bạn đã chọn — vì vậy job được chuyển đến hạ tầng Ultralytics nhanh hơn sẽ hoàn tất sớm hơn thời gian ước tính.

Ví dụ về chi phí#

Quy trình thanh toán#

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

Quy trình thanh toán cloud training:

1. Ước tính: Chi phí được tính trước khi training bắt đầu
2. Kiểm tra số dư: Credit khả dụng được kiểm tra trước khi khởi chạy
3. Training và đo lường: Job chạy trên tài nguyên compute đã chọn, và thời gian GPU tích lũy được trừ từng phần khỏi số dư trong khi job chạy
4. Tất toán: Ở trạng thái kết thúc, phần thời gian còn lại được trừ và một giao dịch Training duy nhất được ghi nhận cho toàn bộ run

Thanh toán theo trạng thái Job#

Run ngừng báo cáo hoạt động trong vài giờ sẽ tự động được đánh dấu là failed; instance bị kết thúc và thời gian GPU đã trôi qua được tất toán. Các run từ xa trên phần cứng của riêng bạn chỉ được đánh dấu là failed và không phát sinh phí.

Phương thức thanh toán#

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

Xem chi phí Training#

Trước khi bắt đầu một cloud job, hộp thoại training hiển thị số dư credit hiện tại của bạn và ước tính thời lượng cũng như chi phí job dựa trên model, dataset, số epoch, kích thước image và GPU đã chọn. Ước tính chỉ mang tính thông tin; mức sử dụng thực tế được tính phí theo thời gian GPU đã tiêu thụ. Sau đó, xem lại giao dịch credit tương ứng trong Settings > Billing.

Mẹo Training#

Chọn kích thước Model phù hợp#

Tối ưu thời gian Training#

Khắc phục sự cố#

Tham chiếu tham số huấn luyện#

FAQ#