Đào tạo trên đám mây
Nền tảng huấn luyện trên đám mây Ultralytics cung cấp khả năng huấn luyện chỉ với một cú nhấp chuột trên GPU đám mây, giúp việc huấn luyện mô hình trở nên dễ dàng mà không cần thiết lập phức tạp. Huấn luyện YOLO các mô hình với khả năng truyền tải số liệu theo thời gian thực và tự động lưu điểm kiểm tra.
Xem: Đào tạo về điện toán đám mây với Ultralytics Nền tảng
Đào tạo từ giao diện người dùng
Bắt đầu đào tạo trên nền tảng đám mây trực tiếp từ Nền tảng:
- Điều hướng đến dự án của bạn
- Nhấp vào Mô hình tàu hỏa
- Cấu hình các tham số huấn luyện
- Nhấp vào Bắt đầu đào tạo
Bước 1: Chọn tập dữ liệu
Chọn một tập dữ liệu từ các tệp bạn đã tải lên:
| Lựa chọn | Mô tả |
|---|---|
| Bộ dữ liệu của bạn | Các tập dữ liệu bạn đã tải lên |
| Bộ dữ liệu công khai | Bộ dữ liệu được chia sẻ từ Explore |
Bước 2: Cấu hình mô hình
Chọn mẫu cơ bản và các thông số:
| Tham số | Mô tả | Mặc định |
|---|---|---|
| Mô hình | Kiến trúc cơ bản (YOLO11n, s, m, l, x) | YOLO11n |
| Kỷ nguyên | Số lần lặp huấn luyện | 100 |
| Kích thước hình ảnh | Độ phân giải đầu vào | 640 |
| Kích thước lô (Batch Size) | Số mẫu trên mỗi lần lặp | Tự động |
Bước 3: Chọn GPU
Chọn tài nguyên tính toán của bạn:
| GPU | VRAM | Tốc độ | Chi phí/giờ |
|---|---|---|---|
| RTX 6000 Pro | 96GB | Rất nhanh | Miễn phí |
| M4 Pro (Mac) | 64GB | Nhanh | Miễn phí |
| RTX 3090 | 24GB | Tốt | $0.44 |
| RTX 4090 | 24GB | Nhanh | $0.74 |
| L40S | 48GB | Nhanh | $1.14 |
| A100 40GB | 40GB | Rất nhanh | $1.29 |
| A100 80GB | 80GB | Rất nhanh | $1.99 |
| H100 80GB | 80GB | Nhanh nhất | $3.99 |
GPU Lựa chọn
- RTX 6000 Pro (Miễn phí): Tuyệt vời cho hầu hết các công việc đào tạo. Ultralytics cơ sở hạ tầng
- M4 Pro (Miễn phí): Tùy chọn chip Apple Silicon cho các tác vụ tương thích
- RTX 4090 : Giá trị tốt nhất cho khóa đào tạo đám mây trả phí
- A100 80GB : Cần thiết cho các lô hàng lớn hoặc các mô hình lớn.
- H100 : Hiệu năng tối đa cho việc đào tạo cần tốc độ cao
Cấp độ đào tạo miễn phí
Các GPU RTX 6000 Pro Ada (96GB VRAM) và M4 Pro được cung cấp miễn phí, chạy trên... Ultralytics Đây là cơ sở hạ tầng lý tưởng cho việc bắt đầu và các công việc đào tạo thường xuyên.
Bước 4: Bắt đầu huấn luyện
Nhấp vào Bắt đầu đào tạo để bắt đầu công việc của bạn. Nền tảng:
- Điều khoản a GPU ví dụ
- Tải xuống bộ dữ liệu của bạn
- Bắt đầu huấn luyện
- Hiển thị số liệu theo thời gian thực
Tín dụng miễn phí
Tài khoản mới nhận được 5 đô la tiền thưởng - đủ cho một vài lần chạy thử nghiệm trên RTX 4090. Kiểm tra số dư của bạn trong Cài đặt > Thanh toán.
Đào tạo giám sát
Xem tiến độ huấn luyện theo thời gian thực:
Số liệu trực tiếp
| Chỉ số | Mô tả |
|---|---|
| Sự mất mát | Mất mát trong quá trình huấn luyện và xác thực |
| mAP | Giá trị trung bình của Average Precision |
| Độ chính xác | Dự đoán chính xác tích cực |
| Độ nhớ lại | Đã phát hiện các dữ liệu thực tế |
| GPU Tiện ích | GPU tỷ lệ sử dụng |
| Bộ nhớ | GPU mức sử dụng bộ nhớ |
Các điểm kiểm soát
Các điểm kiểm tra được lưu tự động:
- Mỗi kỷ nguyên : Trọng số mới nhất được lưu
- Mẫu tốt nhất : Cao nhất mAP điểm kiểm tra được lưu giữ
- Mô hình cuối cùng : Cân nặng khi hoàn thành khóa huấn luyện
Dừng lại và tiếp tục
Ngừng huấn luyện
Nhấp vào Dừng huấn luyện để tạm dừng công việc của bạn:
- Điểm lưu hiện tại đã được lưu.
- GPU phiên bản được phát hành
- Việc tính phí tín dụng sẽ ngừng lại.
Đào tạo sơ yếu lý lịch
Tiếp tục từ điểm dừng cuối cùng của bạn:
- Điều hướng đến mô hình
- Nhấp vào Tiếp tục đào tạo
- Xác nhận tiếp tục
Những hạn chế của sơ yếu lý lịch
Bạn chỉ có thể tiếp tục quá trình huấn luyện đã bị dừng lại một cách rõ ràng. Các công việc huấn luyện thất bại có thể cần phải bắt đầu lại từ đầu.
Đào tạo từ xa
Thực hiện huấn luyện trên phần cứng của riêng bạn đồng thời truyền dữ liệu số liệu lên Nền tảng.
Yêu cầu phiên bản gói
Việc tích hợp nền tảng yêu cầu ultralytics bản >= 8.4.0 . Các phiên bản thấp hơn sẽ KHÔNG hoạt động với nền tảng.
pip install "ultralytics>=8.4.0"
Thiết lập khóa API
- Vào Cài đặt > Khóa API
- Tạo khóa mới với phạm vi đào tạo
- Thiết lập biến môi trường:
export ULTRALYTICS_API_KEY="your_api_key"
Huấn luyện với tính năng phát trực tuyến
Sử dụng project và name các tham số để truyền tải số liệu:
yolo train model=yolo11n.pt data=coco.yaml epochs=100 \
project=username/my-project name=experiment-1
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.train(
data="coco.yaml",
epochs=100,
project="username/my-project",
name="experiment-1",
)
Sử dụng bộ dữ liệu nền tảng
Huấn luyện với các tập dữ liệu được lưu trữ trên Nền tảng:
yolo train model=yolo11n.pt data=ul://username/datasets/my-dataset epochs=100
Hàm ul:// Định dạng URI tự động tải xuống và cấu hình tập dữ liệu của bạn.
Thanh toán
Chi phí đào tạo được tính dựa trên... GPU cách sử dụng:
Tính toán chi phí
Total Cost = GPU Rate × Training Time (hours)
| Ví dụ | GPU | Thời gian | Trị giá |
|---|---|---|---|
| Công việc nhỏ | RTX 4090 | 1 giờ | $0.74 |
| Công việc quy mô trung bình | A100 40GB | 4 giờ | $5.16 |
| Công việc lớn | H100 | 8 giờ | $31.92 |
Phương thức thanh toán
| Phương thức | Mô tả |
|---|---|
| Số dư tài khoản | Tín dụng được nạp sẵn |
| Trả lương theo từng công việc | Tính phí khi hoàn thành công việc |
Số dư tối thiểu
Cần có số dư tối thiểu 5,00 đô la để bắt đầu huấn luyện theo từng giai đoạn.
Xem chi phí đào tạo
Sau khi hoàn tất đào tạo, xem chi tiết chi phí trong tab Thanh toán :
- Phân tích chi phí theo từng kỷ nguyên
- Tổng cộng GPU thời gian
- Tải xuống báo cáo chi phí
Mẹo huấn luyện
Chọn kích thước mẫu phù hợp
| Mô hình | Tham số | Tốt nhất cho |
|---|---|---|
| YOLO11n | 2.6M | Thiết bị biên, thời gian thực |
| YOLO11s | 9.4M | Tốc độ/độ chính xác cân bằng |
| YOLO11m | 20.1M | Độ chính xác cao hơn |
| YOLO11l | 25.3M | Độ chính xác sản xuất |
| YOLO11x | 56.9M | Độ chính xác tối đa |
Tối ưu hóa thời gian đào tạo
- Hãy bắt đầu từ quy mô nhỏ : Thử nghiệm với số lượng epoch ít hơn trước.
- Sử dụng GPU phù hợp : Phù hợp GPU kích thước mô hình/lô
- Kiểm tra tính hợp lệ của tập dữ liệu : Đảm bảo chất lượng trước khi huấn luyện.
- Theo dõi sớm : Dừng lại nếu các chỉ số chững lại.
Khắc phục sự cố
| Vấn đề | Giải pháp |
|---|---|
| Quá trình đào tạo bị đình trệ ở mức 0%. | Kiểm tra định dạng tập dữ liệu, thử lại. |
| Hết bộ nhớ | Giảm kích thước mẻ hoặc sử dụng lượng lớn hơn. GPU |
| Độ chính xác kém | Tăng số chu kỳ huấn luyện, kiểm tra chất lượng dữ liệu. |
| Tập luyện chậm | Hãy xem xét tốc độ nhanh hơn GPU |
Câu hỏi thường gặp
Thời gian đào tạo kéo dài bao lâu?
Thời gian đào tạo phụ thuộc vào:
- Kích thước tập dữ liệu
- Kích thước mẫu
- Số lượng kỷ nguyên
- GPU đã chọn
Thời gian điển hình (1000 hình ảnh, 100 chu kỳ):
| Mô hình | RTX 4090 | A100 |
|---|---|---|
| YOLO11n | 30 phút | 20 phút |
| YOLO11m | 60 phút | 40 phút |
| YOLO11x | 120 phút | 80 phút |
Tôi có thể tập luyện qua đêm được không?
Vâng, quá trình đào tạo sẽ tiếp tục cho đến khi hoàn tất. Bạn sẽ nhận được thông báo khi quá trình đào tạo kết thúc. Hãy đảm bảo tài khoản của bạn có đủ số dư để tham gia đào tạo theo từng giai đoạn.
Nếu tôi hết tiền thì sao?
Quá trình huấn luyện sẽ tạm dừng khi kết thúc kỷ nguyên hiện tại. Điểm lưu của bạn đã được ghi lại và bạn có thể tiếp tục sau khi nạp thêm điểm.
Tôi có thể sử dụng các tham số huấn luyện tùy chỉnh không?
Vâng, người dùng nâng cao có thể chỉ định thêm các tham số trong cấu hình huấn luyện.
Tham chiếu các thông số huấn luyện
Các thông số cốt lõi
| Tham số | Loại | Mặc định | Phạm vi | Mô tả |
|---|---|---|---|---|
epochs | số nguyên | 100 | 1+ | Số lượng chu kỳ huấn luyện |
batch | số nguyên | 16 | -1 = tự động | Kích thước lô (-1 cho chế độ tự động) |
imgsz | số nguyên | 640 | 32+ | Kích thước ảnh đầu vào |
patience | số nguyên | 100 | 0+ | sự kiên nhẫn khi dừng sớm |
workers | số nguyên | 8 | 0+ | Các nhân viên Dataloader |
cache | boolean | SAI | - | Hình ảnh bộ nhớ đệm (RAM/ổ đĩa) |
Tham số tốc độ học
| Tham số | Loại | Mặc định | Phạm vi | Mô tả |
|---|---|---|---|---|
lr0 | trôi nổi | 0.01 | 0,0-1,0 | Tốc độ học ban đầu |
lrf | trôi nổi | 0.01 | 0,0-1,0 | Yếu tố LR cuối cùng |
momentum | trôi nổi | 0.937 | 0,0-1,0 | SGD động lực |
weight_decay | trôi nổi | 0.0005 | 0,0-1,0 | Điều chỉnh L2 |
warmup_epochs | trôi nổi | 3.0 | 0+ | Số lượng epochs Warmup |
cos_lr | boolean | SAI | - | Bộ lập lịch Cosine LR |
Các tham số tăng cường
| Tham số | Loại | Mặc định | Phạm vi | Mô tả |
|---|---|---|---|---|
hsv_h | trôi nổi | 0.015 | 0,0-1,0 | Tăng cường màu sắc HSV |
hsv_s | trôi nổi | 0.7 | 0,0-1,0 | Độ bão hòa HSV |
hsv_v | trôi nổi | 0.4 | 0,0-1,0 | Giá trị HSV |
degrees | trôi nổi | 0.0 | - | Độ xoay |
translate | trôi nổi | 0.1 | 0,0-1,0 | Phân số dịch |
scale | trôi nổi | 0.5 | 0,0-1,0 | Hệ số tỷ lệ |
fliplr | trôi nổi | 0.5 | 0,0-1,0 | Vấn đề lật ngang |
flipud | trôi nổi | 0.0 | 0,0-1,0 | xác suất lật dọc |
mosaic | trôi nổi | 1.0 | 0,0-1,0 | Tăng cường khảm |
mixup | trôi nổi | 0.0 | 0,0-1,0 | Tăng cường nhầm lẫn |
copy_paste | trôi nổi | 0.0 | 0,0-1,0 | Sao chép-dán ( segment ) |
Lựa chọn tối ưu hóa
| Giá trị | Mô tả |
|---|---|
auto | Lựa chọn tự động (mặc định) |
SGD | Thuật toán giảm độ dốc ngẫu nhiên (Stochastic Gradient Descent) |
Adam | Adam trình tối ưu hóa |
AdamW | Adam với sự phân rã trọng lượng |
Các tham số cụ thể cho từng nhiệm vụ
Một số tham số chỉ áp dụng cho các tác vụ cụ thể:
- Phân đoạn:
overlap_mask,mask_ratio,copy_paste - Pose (Dáng điệu/Tư thế):
pose(giảm cân),kobj(Tính chất đối tượng của điểm mấu chốt) - Phân loại:
dropout,erasing,auto_augment
