云端训练

Ultralytics Platform 云训练提供云端GPU上的一键式训练，使模型训练无需复杂设置即可进行。训练YOLO模型时，可享受实时指标流和自动检查点保存功能。

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

训练对话

从平台界面开始训练：在任意项目页面点击“新建模型”（或从数据集页面开始训练）。训练对话框包含两个选项卡：云端训练和本地训练。

步骤1：选择基础模型

从官方YOLO26模型或您自己训练的模型中选择：

官方模型按任务类型（检测、分割、 姿势估计, 旋转框检测、分类），尺寸从nano到xlarge不等。

步骤 2：选择数据集

选择用于训练的数据集（参见数据集）：

步骤3：配置参数

设置核心训练参数：

步骤4：高级设置（可选）

展开高级设置以访问完整的基于YAML的参数编辑器，其中包含40多个按组分类的训练参数（参见配置参考）：

参数具有任务感知能力（例如， copy_paste 仅显示segment 段任务， pose/kobj 仅用于姿势估计 )。 修改 当值与默认值不同时会显示标记，您可通过重置按钮将所有设置恢复为默认值。

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

步骤5：GPU 云选项卡）

Ultralytics GPU ：

对话框显示您的当前余额和一个充值按钮。系统将根据您的配置（模型规模、数据集图像数量、训练轮数、GPU ）计算出预估费用和训练时长。

步骤6：开始训练

点击 开始训练 以启动您的任务。平台将：

1. 调配一个 GPU 实例
2. 下载您的数据集
3. 开始训练
4. 实时传输指标

培训岗位生命周期

培训任务将依次经历以下状态：

监控训练

在模型页面的“训练”选项卡中查看实时训练进度：

图表子标签页

控制台子标签页

实时控制台输出，支持ANSI颜色、进度条和错误检测。

系统子标签页

实时GPU 、内存、温度、CPU磁盘使用情况。

检查点

检查点自动保存：

• 每个 epoch：保存最新权重
• 最佳模型：保留 mAP 最高的检查点
• 最终模型：训练完成时的权重

取消训练

在模型页面上点击“取消训练”以停止正在运行的任务：

• 计算实例已终止
• 积分停止计费
• 截至该点的检查点均被保留

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

在自有硬件上进行训练，同时将指标流式传输至平台。

pip install -U ultralytics

设置API密钥

1. 前往 Settings > Profile (API密钥部分)
2. 创建新密钥（或当您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"

使用流式传输进行训练

使用 project 和 name 用于流式传输指标的参数：

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

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="coco.yaml",
    epochs=100,
    project="username/my-project",
    name="experiment-1",
)

培训对话框中的“本地培训”选项卡显示了一个预配置的命令，其中包含您的API密钥、已选参数以及高级参数。

使用平台数据集

使用平台上存储的数据集进行训练 ul:// URI格式:

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

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="ul://username/datasets/my-dataset",
    epochs=100,
    project="username/my-project",
    name="exp1",
)

字段 ul:// URI格式会自动下载并配置您的数据集。模型将自动与平台上的数据集建立关联（详见 使用平台数据集）。

账单

训练成本基于 GPU 使用情况：

成本估算

在培训开始前，平台通过以下方式估算总成本：

1. 根据数据集规模、模型复杂度、图像尺寸、批量大小及GPU 估算每个时段所需秒数
2. 通过将每个 epoch 的秒数乘以 epoch 总数，再加上启动开销，计算总训练时间。
3. 通过将总培训时长乘以GPU每小时费率来计算预估成本

影响成本的因素：

费用示例

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

云培训计费流程：

1. 估算：培训开始前计算的成本
2. 余额检查：启动前将核查可用信用额度
3. 任务在选定的计算节点上运行
4. 计费方式：最终费用基于实际运行时间计算

支付方式

查看训练成本

训练完成后，在账单选项卡中查看详细费用：

• 每周期费用明细
• 总计 GPU 时间
• 下载费用报告

训练技巧

选择合适的模型大小

优化训练时间

故障排除

常见问题

训练需要多长时间？

训练时间取决于：

• 数据集大小
• 模型大小
• 训练轮次
• 所选 GPU

典型时间（1000张图像，100个epoch）：

我可以通宵训练吗？

是的，训练将持续到完成。训练完成后您将收到通知。请确保您的账户有足够的余额进行基于 epoch 的训练。

如果我的积分用完了怎么办？

训练将在当前 epoch 结束时暂停。您的检查点已保存，充值后即可恢复。

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，即可访问包含40多个可配置参数的YAML编辑器。非默认值同时适用于云端和本地训练命令。

我可以在数据集页面上进行训练吗？

是的，数据集页面上的“训练”按钮会打开训练对话框，此时数据集已被预先选中并锁定。随后您只需选择项目和模型即可开始训练。

训练参数参考

📅 创建于 1 个月前 ✏️ 更新于 4 天前

评论