Link to this sectionHuấn 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] --> B[Start Training]
    B --> C[Provision GPU]
    C --> D[Download Dataset]
    D --> E[Train]
    E --> F[Stream Metrics]
    F --> G[Save Checkpoints]
    G --> H[Complete]

    style A fill:#2196F3,color:#fff
    style B fill:#FF9800,color:#fff
    style E fill:#9C27B0,color:#fff
    style H fill:#4CAF50,color:#fff

Link to this sectionHộp thoại Huấn luyện#

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

Link to this sectionBước 1: Chọn Model Cơ sở#

Chọn từ các model YOLO26 chính thức hoặc các model đã huấn luyện của riêng bạn:

Các model chính thức được phân loại theo loại tác vụ (Detect, Segment, Semantic, Pose, OBB, Classify) với các kích thước từ nano đến xlarge.

Link to this sectionBước 2: Chọn Tập dữ liệu#

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

Link to this sectionBước 3: Cấu hình Tham số#

Thiết lập các tham số huấn luyện cốt lõi:

Link to this sectionBước 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

Link to this sectionBước 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).

Link to this sectionBước 6: Bắt đầu Huấn luyện#

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

1. Cấp phát một instance GPU
2. Tải xuống tập dữ liệu của bạn
3. Bắt đầu huấn luyện
4. Truyền phát các chỉ số trong thời gian thực

Link to this sectionVòng đời của công việc huấn luyện#

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

Link to this sectionTheo dõi Huấn luyện#

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

Link to this sectionTab con Biểu đồ#

Link to this sectionTab con Console#

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

Link to this sectionTab con Hệ thống#

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

Link to this sectionCheckpoint#

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.

Link to this sectionHủy huấn luyện#

Nhấp vào Cancel Training trên trang model để dừng công việc đang chạy:

• Instance tính toán bị chấm dứt
• Việc trừ tín dụng sẽ dừng lại
• Checkpoint tốt nhất vẫn sẽ khả dụng nếu nó đã được đạt tới trước khi hủy

Link to this sectionHuấn luyện từ xa (Remote Training)#

graph LR
    A[Local GPU] --> B[Train]
    B --> C[ultralytics Package]
    C --> D[Stream Metrics]
    D --> E[Platform Dashboard]

    style A fill:#FF9800,color:#fff
    style C fill:#2196F3,color:#fff
    style E fill:#4CAF50,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

Link to this sectionThiết 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"

Link to this sectionHuấn 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.

Link to this sectionSử 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).

Link to this sectionThanh toán#

Chi phí huấn luyện dựa trên mức sử dụng GPU:

Link to this sectionƯớc 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:

Link to this sectionVí dụ về chi phí#

Link to this sectionQuy trình thanh toán#

graph LR
    A[Estimate Cost] --> B[Balance Check]
    B --> C[Train]
    C --> D[Charge Actual Runtime]

    style A fill:#2196F3,color:#fff
    style B fill:#FF9800,color:#fff
    style C fill:#9C27B0,color:#fff
    style D fill:#4CAF50,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

Link to this sectionThanh toán theo trạng thái Job#

Link to this sectionPhương thức Thanh toán#

Link to this sectionXem chi phí huấn luyện#

Sau khi huấn luyện, hãy xem chi tiết chi phí trong tab Billing:

• Bảng phân tích chi phí theo epoch
• Tổng thời gian GPU
• Tải xuống báo cáo chi phí

Link to this sectionMẹo huấn luyện#

Link to this sectionChọn kích thước mô hình phù hợp#

Link to this sectionTối ưu hóa thời gian huấn luyện#

Link to this sectionKhắc phục sự cố#

Link to this sectionCâu hỏi thường gặp#

Link to this sectionHuấn 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):

Link to this sectionTôi có thể huấn luyện qua đêm không?#

Có, quá trình huấn luyện sẽ tiếp tục cho đến khi hoàn tất. Bạn sẽ nhận được thông báo khi quá trình huấn luyện kết thúc. Hãy đảm bảo tài khoản của bạn có đủ số dư cho quá trình huấn luyện dựa trên epoch.

Link to this sectionĐiều gì xảy ra nếu tôi hết tín dụng?#

Nếu số dư tín dụng của bạn về 0 trong khi đang huấn luyện, quá trình huấn luyện vẫn tiếp tục đến khi hoàn thành và số dư sẽ chuyển sang âm. Điều này đảm bảo tác vụ huấn luyện của bạn không bao giờ bị gián đoạn giữa chừng.

Sau khi huấn luyện hoàn tất, bạn sẽ cần nạp thêm tín dụng để số dư trở lại dương trước khi bắt đầu các tác vụ huấn luyện mới. Model đã hoàn thành, các checkpoint và tất cả tài nguyên huấn luyện đều được bảo toàn đầy đủ bất kể số dư.

Link to this sectionĐiều gì xảy ra nếu chi phí huấn luyện cao hơn dự tính?#

Chi phí ước tính chỉ là tương đối — thời gian huấn luyện thực tế có thể thay đổi do các yếu tố như tốc độ tải dữ liệu, thời gian làm nóng GPU và hành vi hội tụ của model. Nếu chi phí thực tế vượt quá ước tính, số dư của bạn có thể chuyển sang âm (xem ở trên). Nền tảng không dừng huấn luyện dựa trên ước tính.

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

Link to this sectionTôi 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 dễ dàng tái tạo hoặc lặp lại trên các cấu hình huấn luyện trước đó mà không cần nhập thủ công từng tham số.

Link to this sectionTôi có thể huấn luyện từ trang tập dữ liệu không?#

Có, nút Train 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 project và model để bắt đầu huấn luyện.

Link to this sectionTham chiếu tham số huấn luyện#