Ultralytics YOLO27：
Get Started

借助 Paperspace Gradient，轻松训练 YOLO26 模型#

训练 YOLO26 等计算机视觉模型可能十分复杂。你需要管理大型数据集，使用 GPU、TPU 和 CPU 等不同类型的计算硬件，并确保训练过程中数据流转顺畅。开发者通常会花费大量时间管理计算机系统和运行环境。当你只想专注于打造最佳模型时，这可能令人沮丧。

这时，像 Paperspace Gradient 这样的平台就能让事情变得更简单。Paperspace Gradient 是一个 MLOps 平台，让你可以在同一个地方构建、训练和部署机器学习模型。借助 Gradient，开发者可以专注于训练 YOLO26 模型，而不必为管理基础设施和环境而烦恼。

Paperspace#

Paperspace GPU cloud computing for ML training

Paperspace由密歇根大学毕业生于 2014 年创立，并于 2023 年被 DigitalOcean 收购，是一个专为机器学习打造的云平台。它为用户提供强大的 GPU、支持协作的 Jupyter 笔记本、用于部署的容器服务、面向机器学习任务的自动化工作流，以及高性能虚拟机。这些功能旨在简化从编写代码到部署的整个机器学习开发流程。

Paperspace Gradient#

Paperspace Gradient cloud ML platform

Paperspace Gradient 是一套工具，旨在让你在云端使用 AI 和机器学习时更快速、更轻松。Gradient 覆盖整个机器学习生命周期，从构建和训练模型到部署模型。

它的工具包支持通过作业运行器使用 Google 的 TPU，还全面支持 Jupyter 笔记本和容器，并集成了新的编程语言。它尤其注重语言集成，让用户能够轻松调整现有的 Python 项目，以使用最先进的 GPU 基础设施。

使用 Paperspace Gradient 训练 YOLO26#

只需点击几下，Paperspace Gradient 就能让你训练 YOLO26 模型。得益于这项集成，你可以访问 Paperspace 控制台，并立即开始训练模型。如需详细了解模型训练流程和最佳实践，请参阅我们的 YOLO26 模型训练指南。

登录，然后点击下方图片中显示的“Start Machine”按钮。几秒钟后，托管 GPU 环境就会启动，接着你便可以运行笔记本中的单元格。

使用 Paperspace Gradient 训练 YOLO26

观看 Ultralytics 创始人 Glenn Jocher 与 Paperspace 的 James Skelton 展开的讨论，进一步了解 YOLO26 和 Paperspace Gradient 的功能。请观看下方的讨论。



观看： Ultralytics 直播第 7 期：环境决定一切：使用梯度优化 YOLO26 训练

Paperspace Gradient 的主要功能#

探索 Paperspace 控制台时，你会看到机器学习工作流的每个步骤都得到支持和增强。以下是一些值得关注的功能：

  • 一键式笔记本：Gradient 提供专为 YOLO26 量身配置的 Jupyter 笔记本，无需设置环境或管理依赖项。只需选择所需的笔记本，即可立即开始试验。

  • 硬件灵活性：你可以从多种机器类型中进行选择，它们配备不同的 CPU、GPU 和 TPU 配置，以满足训练需求和预算。Gradient 会处理所有后端设置，让你专注于模型开发。

  • 实验跟踪：Gradient 会自动跟踪实验，包括超参数、指标和代码更改。这样你就能轻松比较不同的训练运行、找出最佳配置，并复现成功的结果。

  • 数据集管理：直接在 Gradient 中高效管理数据集。你可以轻松上传、管理版本并预处理数据，从而简化项目的数据准备阶段。

  • 模型服务：只需点击几下，即可将训练好的 YOLO26 模型部署为 REST API。Gradient 会处理基础设施，让你轻松将目标检测模型集成到应用程序中。

  • 实时监控：通过 Gradient 直观易用的仪表板，监控已部署模型的性能和运行状况。深入了解推理速度、资源利用率和潜在错误。

为什么要在 YOLO26 项目中使用 Gradient？#

训练、部署和评估 YOLO26 模型的方案有很多，但与 Paperspace Gradient 的集成具备一系列独特优势，使其有别于其他方案。下面来看看这项集成有何独特之处：

  • 增强协作：共享工作空间和版本控制有助于团队顺畅协作并确保结果可复现，让团队高效合作，同时清晰记录项目历史。

  • 低成本 GPU：与主要云服务提供商或本地部署方案相比，Gradient 以显著更低的成本提供高性能 GPU。按秒计费意味着你只需为实际使用的资源付费，从而优化预算。

  • 成本可预测：Gradient 的按需定价确保成本透明且可预测。你可以根据需要扩展或缩减资源，并且只需为实际使用的时间付费，避免不必要的开支。

  • 无需承诺：你可以随时调整实例类型，以适应不断变化的项目需求并优化成本与性能的平衡。没有锁定期或承诺要求，为你提供最大的灵活性。

总结#

本指南介绍了用于训练 YOLO26 模型的 Paperspace Gradient 集成。从轻松训练和评估模型到简化部署选项，Gradient 提供了加速 AI 开发之旅所需的工具和基础设施。

如需进一步了解，请访问 Paperspace 官方文档。

此外，请访问 Ultralytics 集成指南页面，进一步了解不同的 YOLO26 集成方案。页面内容丰富，包含大量见解和实用技巧，助你提升计算机视觉项目的水平。

常见问题#

  • 使用 Paperspace Gradient 训练 YOLO26 模型简单高效。首先，登录 Paperspace 控制台。接着，点击“Start Machine”按钮，启动托管 GPU 环境。环境准备就绪后，你就可以运行笔记本中的单元格，开始训练 YOLO26 模型。如需详细说明，请参阅我们的 YOLO26 模型训练指南。

  • Paperspace Gradient 在训练和部署 YOLO26 模型方面具有多项独特优势：

    • 硬件灵活性：可从多种 CPU、GPU 和 TPU 配置中进行选择。
    • 一键式笔记本：使用预配置的 YOLO26 Jupyter 笔记本，无需担心环境设置。
    • 实验跟踪：自动跟踪超参数、指标和代码更改。
    • 数据集管理：在 Gradient 中高效管理数据集。
    • 模型服务：轻松将模型部署为 REST API。
    • 实时监控：通过仪表板监控模型性能和资源利用率。

  • Ultralytics YOLO26 凭借实时目标检测能力和高准确率脱颖而出。它与 Paperspace Gradient 等平台无缝集成，通过简化训练和部署流程来提升工作效率。YOLO26 支持多种应用场景，从安防系统到零售库存管理。请通过我们的 YOLO26 概览了解 YOLO26 的全部功能和优势。

  • 可以，你可以使用 Paperspace Gradient 在边缘设备上部署 YOLO26 模型。该平台支持多种部署格式，例如 LiteRT 和 Edge TPU，这些格式针对边缘设备进行了优化。在 Gradient 上训练模型后，请参阅我们的导出指南，了解如何将模型转换为所需格式。

  • Paperspace Gradient 中的实验跟踪会自动记录超参数、指标和代码更改，从而简化模型开发流程。这样你就能轻松比较不同的训练运行、找出最佳配置，并复现成功的实验。与 Ultralytics YOLO26 集成的其他实验跟踪工具也提供类似功能。

贡献者
GLglenn-jocher13RAraimbekovm1AMambitious-octopus1RIRizwanMunawar1ABabirami-vina1

评论