Link to this section云端训练#

Ultralytics Platform 云端训练提供一键云端 GPU 训练功能，无需复杂配置即可轻松进行模型训练。在训练 YOLO 模型时，你可以获取实时指标流并自动保存检查点。

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 section训练对话框#

在平台界面上，点击任意项目页面中的 New Model（或数据集页面中的 Train）即可开始训练。训练对话框包含两个选项卡：Cloud Training 和 Local Training。

Link to this section第 1 步：选择基础模型#

从官方 YOLO26 模型或你自己的训练模型中进行选择：

官方模型按任务类型分类（Detect、Segment、Semantic、Pose、OBB、Classify），尺寸从 nano 到 xlarge 不等。

Link to this section第 2 步：选择数据集#

选择用于训练的数据集（请参阅 Datasets）：

Link to this section第 3 步：配置参数#

设置核心训练参数：

Link to this section第 4 步：高级设置（可选）#

展开 Advanced Settings 以访问基于 YAML 的完整参数编辑器，其中包含按组组织的 40 多项训练参数（请参阅 配置参考）：

参数具有任务感知能力（例如，copy_paste 仅在分割任务中显示，pose/kobj 仅在姿态任务中显示）。当数值与默认值不同时，会显示 Modified 标志，你可以通过重置按钮将所有参数恢复为默认值。

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 section第 5 步：选择 GPU（云端选项卡）#

从 Ultralytics Cloud 中选择你的 GPU：

对话框显示你的当前 balance 和一个 Top Up 按钮。系统会根据你的配置（模型大小、数据集图像数量、轮数、GPU 速度）计算预计成本和时长。

Link to this section第 6 步：开始训练#

点击 Start Training 启动你的任务。平台将：

1. 分配 GPU 实例
2. 下载你的数据集
3. 开始训练
4. 实时流式传输指标

Link to this section训练任务生命周期#

训练任务将经历以下状态：

Link to this section监控训练#

在模型页面的 Train 选项卡中查看实时训练进度：

Link to this section图表子选项卡#

Link to this section控制台子选项卡#

带有 ANSI 颜色支持、进度条和错误检测的实时控制台输出。

Link to this section系统子选项卡#

实时监控 GPU 利用率、内存、温度、CPU 和磁盘使用情况。

Link to this section检查点#

训练完成后，最佳模型（best.pt，即 mAP 最高的检查点）会被上传至平台，供你下载、导出和部署。

Link to this section取消训练#

点击模型页面上的 Cancel Training（取消训练）以停止正在运行的任务：

• 计算实例已终止
• 停止扣除点数
• 如果取消前已生成最佳检查点，该文件依然可用

Link to this section远程训练#

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

使用你自己的硬件进行训练，同时将指标流式传输至平台。

pip install -U ultralytics

Link to this section设置 API Key#

1. 前往 Settings > API Keys
2. 创建一个新密钥（或者在你打开本地训练选项卡时，平台会自动创建一个）
3. 设置环境变量：

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Link to this section使用流式传输进行训练#

使用 project 和 name 参数来流式传输指标：

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

训练对话框中的 Local Training（本地训练）选项卡会显示一个预配置的命令，其中包含了你的 API Key、所选参数和高级参数。

Link to this section使用平台数据集#

使用 ul:// URI 格式 训练存储在平台上的数据集：

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

ul:// URI 格式会自动下载并配置你的数据集。该模型会自动与平台上的数据集关联（请参阅 使用平台数据集）。

Link to this section账单#

训练成本基于 GPU 使用量：

Link to this section成本预估#

在训练开始前，平台会按以下方式估算总成本：

1. 估算每个 Epoch 的耗时（基于数据集大小、模型复杂度、图像尺寸、批次大小和 GPU 速度）
2. 计算总训练时间（通过将每个 Epoch 的耗时乘以 Epoch 总数，再加上启动开销）
3. 计算预估成本（总训练小时数乘以 GPU 每小时费率）

影响成本的因素：

Link to this section成本示例#

Link to this section计费流程#

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

云训练计费流程：

1. 预估：在训练开始前计算成本
2. 余额检查：启动前检查可用点数
3. 训练：任务在选定的计算资源上运行
4. 扣费：最终成本基于实际运行时间

Link to this section按任务状态计费#

Link to this section支付方式#

Link to this section查看训练成本#

训练完成后，在 Billing（账单）选项卡中查看详细费用：

• 每个 Epoch 的成本明细
• 总 GPU 时间
• 下载成本报告

Link to this section训练提示#

Link to this section选择合适的模型大小#

Link to this section优化训练时间#

Link to this section故障排除#

Link to this section常见问题解答#

Link to this section训练需要多长时间？#

训练时间取决于：

• 数据集大小
• 模型大小
• Epoch（轮次）数量
• 已选GPU

典型时间（1000张图像，100个epoch）：

Link to this section我可以整晚进行训练吗？#

是的，训练会持续到完成。训练结束后你会收到通知。请确保你的账户有足够的余额用于基于epoch的训练。

Link to this section如果我的积分用完了会发生什么？#

如果你的积分余额在训练运行期间归零，训练将持续到完成，且你的余额会变为负值。这确保了你的训练任务永远不会在运行中途被中断。

训练完成后，你需要先充值使余额变为正数，才能开始新的训练任务。无论余额如何，你已完成的模型、检查点和所有训练产物都会被完整保留。

Link to this section如果我的训练成本超过了预估值会怎样？#

成本估算仅为近似值——由于数据加载速度、GPU预热和模型收敛行为等因素，实际训练时间可能会有所不同。如果实际成本超过了预估值，你的余额可能会变为负值（见上文）。平台不会根据估算值停止训练。

如何管理成本：

• 实时监控训练进度，必要时提前取消
• 启用自动充值以自动补充积分
• 从较短的运行（较少的epoch）开始以校准预期

Link to this section我可以使用自定义训练参数吗？#

是的，在训练对话框中展开高级设置部分，即可访问带有40多个可配置参数的YAML编辑器。非默认值会被包含在云端和本地训练命令中。

YAML编辑器还支持从之前的训练运行中导入配置：

• 从现有模型复制：在任何已完成模型的页面上，训练配置卡片都有一个复制为JSON按钮。复制该JSON并将其直接粘贴到YAML编辑器中——它会自动检测JSON格式并导入所有参数。
• 粘贴YAML或JSON：将任何有效的YAML或JSON训练配置粘贴到编辑器中。参数会被自动验证，超出范围的值会被固定，并显示警告。
• 拖放文件：直接将.yaml或.json文件拖入编辑器即可导入其参数。

这使得无需手动重新输入每个参数即可轻松重现或迭代之前的训练配置。

Link to this section我可以从数据集页面开始训练吗？#

是的，数据集页面上的训练按钮会打开训练对话框，其中数据集已被预选并锁定。然后你可以选择项目和模型开始训练。

Link to this section训练参数参考#