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]:::start --> B[Start Training]:::proc
    B --> C[Provision GPU]:::proc
    C --> D[Download Dataset]:::proc
    D --> E[Train]:::proc
    E --> F[Stream Metrics]:::proc
    F --> G[Save Checkpoints]:::proc
    G --> H[Complete]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

训练对话框#

通过点击任意项目或数据集页面上的 New Model，从平台界面开始训练。训练对话框有两个选项卡：Cloud Training 和 Local Training。

第 1 步：选择基础模型#

选择官方 Ultralytics 模型或你自己的已完成模型之一：

选择器会根据所选数据集筛选出兼容任务的官方模型。YOLO26 包含 Detect、Segment、Semantic、Depth、Classify、Pose 和 OBB 等变体，尺寸从 nano 到 xlarge。

第 2 步：选择数据集#

选择用于训练的数据集（请参阅 Datasets）：

第 3 步：配置参数#

设置核心训练参数：

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

保存数据集版本（可选）#

启用 Save Dataset Version 以将模型链接到平台托管数据集的不可变版本。平台会检查数据集内容是否发生更改，若未更改则重用匹配的版本，仅在必要时创建新的编号版本。训练过程随后会使用该确切的 NDJSON 快照，并在模型上记录其版本号和内容哈希。

即使你之后添加或删除了图像、编辑了标注或更改了数据集划分，这也能保留运行所使用的数据。你可以在数据集的 Models 和 Versions 选项卡中找到链接的版本。

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。

第 6 步：开始训练#

点击 Start Training 启动你的任务。平台将：

1. 启用 Save Dataset Version 后解析不可变数据集版本
2. 分配 GPU 实例
3. 下载你的数据集
4. 开始训练
5. 实时流式传输指标

训练任务生命周期#

训练任务将经历以下状态：

若想在不保持此页面打开的情况下接收完成和失败的结果，请连接 Slack alerts。

监控训练#

在模型页面的 Train 选项卡中查看实时训练进度：

图表子选项卡#

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。

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。

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。

取消训练#

点击模型页面上的 Cancel Training 并确认该操作。对于云端训练，平台会停止任务，释放其计算资源，并扣除取消前所消耗的 GPU 时间。对于本地训练，取消操作会向进程发出信号，使其在下一个轮次（epoch）边界停止并保留部分结果。

远程训练#

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

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,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

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"

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。

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）。

账单#

训练成本基于 GPU 使用量：

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：

成本示例#

计费流程#

graph LR
    A[Estimate Cost]:::start --> B[Balance Check]:::decide
    B --> C[Train]:::proc
    C --> D[Charge Actual Runtime]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,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

按任务状态计费#

支付方式#

云端训练费用从你的 Platform 信用余额中扣除。

查看训练成本#

在启动云端任务之前，训练对话框会显示你当前的信用余额，并根据所选的模型、数据集、轮次、图像大小和 GPU 估算任务的持续时间和成本。此估算仅供参考；实际使用量按消耗的 GPU 时间计费。之后，请在 Settings > Billing 中查看相应的信用交易记录。

训练提示#

选择合适的模型大小#

优化训练时间#

故障排除#

常见问题解答#

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）：

我可以整晚进行训练吗？#

是的。只要资金充足，训练就可以无人值守运行，并且平台会记录完成或失败事件。如果计量导致余额为负，活跃的付费云端运行将会停止并结算已使用的 GPU 时间。

如果我的积分用完了会发生什么？#

云端使用量会随着训练的进行而进行计量。如果扣费导致你的余额低于零，处于活动状态的付费云端训练运行将会停止，并对已使用的 GPU 时间进行结算。添加额度或启用自动充值以确保长时间运行的任务资金充足。

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 —— 实际训练时间可能会因数据加载速度、GPU 预热和模型收敛行为等因素而异。如果实际使用量耗尽了可用余额，平台会在余额变为负数后停止活跃的付费云端运行。

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

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就能轻松复现或迭代之前的训练配置。

我可以从数据集页面开始训练吗？#

是的，数据集页面上的 New Model 按钮会打开训练对话框，且数据集已被预选并锁定。然后，你选择一个项目和模型来开始训练。

训练参数参考#