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

通过在任意项目页面上点击新建模型（或在数据集页面上点击训练）从平台UI启动训练。训练对话框有两个选项卡：云训练和本地训练。

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（Detect、Segment、姿势估计、旋转框检测、Classify）组织，尺寸从nano到xlarge。

步骤 2：选择数据集

选择要用于训练的数据集（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，其中包含按组组织的40多个训练参数（参见配置参考）：

参数是任务感知的（例如， copy_paste 仅显示 segment 任务， pose/kobj 仅适用于姿势估计任务）。A 已修改 当值与默认值不同时，会出现徽章，您可以使用重置按钮将所有设置重置为默认值。

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：选择 GPU（云选项卡）

从 Ultralytics Cloud 中选择您的 GPU：

对话框显示您当前的余额和一个充值按钮。估算成本和持续时间会根据您的配置（模型大小、数据集图像、训练轮次、GPU 速度）进行计算。

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

训练作业生命周期

训练任务会经历以下状态：

监控训练

在模型页面的训练选项卡上查看实时训练进度：

图表子选项卡

控制台子选项卡

支持ANSI颜色、进度条和错误检测的实时控制台输出。

系统子选项卡

实时GPU利用率、内存、温度、CPU和磁盘使用情况。

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
• 在此之前保存的检查点都将得到保留

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

在您自己的硬件上训练，同时将指标流式传输到平台。

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（或者当您打开“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",
)

训练对话框中的“本地训练”选项卡显示了一个预配置命令，其中包含您的 API 密钥、选定参数和高级参数。

使用平台数据集

使用存储在平台上的数据集进行训练，通过 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。模型会自动链接到平台上的数据集（参见 使用平台数据集）。

账单

训练成本基于 GPU 使用情况：

成本估算

在训练开始之前，平台会通过以下方式估算总成本：

1. 估算每个epoch的秒数根据数据集大小、模型复杂度、图像尺寸、批处理大小和GPU速度
2. 计算总训练时间：将每轮秒数乘以轮数，然后加上启动开销
3. 计算估算成本：总训练小时数乘以GPU的每小时费率。

影响成本的因素：

成本示例

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

云端训练计费流程：

1. 预估：在训练开始前计算的费用
2. 余额检查：在启动前检查可用积分
3. 训练：任务在所选计算资源上运行
4. 费用：最终费用基于实际运行时长

按作业状态计费

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？

如果您的信用余额在训练运行期间达到零，训练将继续完成，您的余额将变为负值。这确保您的训练作业在运行中途不会中断。

训练完成后，您需要添加积分以使您的余额恢复正值，然后才能开始新的训练作业。无论余额如何，您已完成的模型、检查点和所有训练工件都将完全保留。

如果我的训练成本超出估算怎么办？

成本估算为近似值——实际训练时间可能因数据加载速度、GPU 预热和模型收敛行为等因素而异。如果实际成本超出估算，您的余额可能会变为负值（参见上文）。平台不会根据估算停止训练。

为了管理成本：

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

我可以使用自定义训练参数吗？

是的，展开训练对话框中的高级设置部分，即可访问一个包含40多个可配置参数的YAML编辑器。非默认值将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 JSON 并直接粘贴到 yaml 编辑器中——它会自动 detect 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。参数会自动验证，超出范围的值会被钳制并显示警告。
• 拖放文件：拖动一个 .yaml 或 .json 文件直接拖入编辑器以导入其参数。

这使得无需手动重新输入每个参数即可轻松复现或迭代先前的训练配置。

我能否从数据集页面进行训练？

是的，数据集页面上的训练按钮会打开训练对话框，其中数据集已预选并锁定。然后，您可以选择一个项目和模型来开始训练。

训练参数参考

📅 2个月前创建 ✏️ 1天前更新

评论