云端训练#

Ultralytics Platform 云端训练支持一键式云 GPU 训练，无需复杂设置即可轻松训练模型。训练 YOLO 模型时，可实时查看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#

在任意项目或数据集页面点击 New Model，即可通过平台 UI 开始训练。训练对话框有两个选项卡：Cloud Training 和 Local Training。如果所选数据集位于 On Premise 主机上，第一个选项卡会变为 On Premise，而 Local Training 选项卡会隐藏——该数据集只能在其所在主机上训练，这需要 Enterprise 计划以及已连接且在线的工作节点。

对于当前浏览器中的每个数据集任务和工作区，对话框都会记住你上次关闭时选择的基础模型和所有非默认参数，并在下次为该任务打开对话框时恢复这些设置。GPU 选择不会被记住；如果运行失败，点击 Retry Training 则会恢复该次运行使用的参数。

第 1 步：选择基础模型#

选择官方 Ultralytics 模型或你自己已完成的模型：

在每个选项卡中，模型按规范顺序按任务分组，并按尺寸排序。两个选项卡都只会列出能够训练所选数据集任务的模型。YOLO26 提供从 nano 到 xlarge 尺寸的检测、分割、语义、深度、分类、姿态和 OBB变体。

第 2 步：选择数据集#

选择用于训练的数据集（请参阅数据集）：

第 3 步：配置参数#

设置核心训练参数：

在参数范围之外输入的值会在输入框失去焦点时自动限制到有效范围内。

第 4 步：高级设置（可选）#

展开 Advanced Settings，即可使用基于 YAML 的参数编辑器，其中包含 Training Settings 和 Image Augmentations 部分下的 50 多个训练参数（请参阅配置参考）：

这些参数会根据任务类型显示（例如，copy_paste 仅适用于分割、语义分割和 OBB 任务；pose/kobj 仅适用于姿态任务；auto_augment/erasing 仅适用于分类任务）。编辑器会忽略 device、cache、workers、iou、dropout、val 和 time，粘贴或拖入配置时也会忽略这些参数；在本地训练时，请在你自己的 yolo train 命令中设置这些参数。值与默认值不同时会显示 Modified 徽标，你也可以使用重置按钮将所有值恢复为默认值。只有非默认的高级参数会发送到训练作业（epochs、batch 和图像尺寸这几个基本参数始终会包含在内），因此生成的命令更易读。

mosaic: 1.0       # Keep mosaic on
mixup: 0.3        # Add mixup blending
copy_paste: 0.3   # Add copy-paste (segment, semantic, OBB)
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 保存数据集版本，即可将模型关联到托管在 Platform 上的不可变数据集版本。Platform 会检查数据集内容是否发生变化；如果内容未变，就会复用匹配的版本，只有在需要时才会创建新的编号版本。之后，训练会使用该确切的 NDJSON 快照，并在模型上记录其版本号和内容哈希值。

即使你之后添加或删除图像、编辑标注或更改数据集划分，这样也能保留本次运行所用的数据。你可以在数据集的 模型 和 版本 选项卡中找到关联的版本。

第 5 步：选择 GPU（云端选项卡）#

在 Ultralytics Cloud 中选择你的 GPU：

对话框会显示你当前的余额和充值按钮。费用卡片会根据你的配置（模型大小、数据集图像数量、epochs、图像尺寸、批次大小、优化器和 GPU 速度）估算总时长和价格，还会报告每个 epoch 的预计秒数以及数据集图像数量。

第 6 步：开始训练#

点击开始训练以启动作业。Platform 将：

1. 启用保存数据集版本时，解析不可变的数据集版本
2. 配置 GPU 实例
3. 下载你的数据集
4. 开始训练
5. 实时传输指标

重新训练现有模型时，会沿用同一个模型页面；新作业创建后，上一次运行的图表、控制台输出、系统指标和错误状态都会清除。如果作业在配置计算资源之前就失败，则先前的结果会保持不变。

训练作业生命周期#

训练作业会经历以下状态：

如果控制台输出中出现致命 Python 错误——例如回溯信息、CUDA 显存不足错误或 CUDA 初始化失败——运行会立即结束，而不会等待超时；提取出的错误消息会显示在模型页面的错误横幅中，并提供查看完整控制台日志和重试训练操作。连续 4 小时没有活动报告的运行会自动标记为失败，并释放其计算资源。

如需在不保持此页面打开的情况下接收运行成功或失败的结果，请接入 Slack 提醒。

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#

图表按指标类别分组，显示哪些分组取决于本次运行报告的内容：

每个分组都可以折叠；你可以从分组菜单中隐藏或显示单张图表，也可以拖动并调整图表大小——布局会被保存，以便下次使用。

控制台子标签页#

实时控制台输出支持 ANSI 颜色、进度条和致命错误检测。系统会保留最后 2000 行日志；你可以切换时间戳的显示状态，也可以将整个日志复制为纯文本。

系统子标签页#

实时主机卡片（主机名、CPU、GPU、RAM 和磁盘总量），以及按 epoch 显示的 CPU 和 RAM 使用量、GPU 利用率和内存、GPU 温度、网络 I/O 和磁盘 I/O 图表。

检查点#

最佳检查点（best.pt）会在训练期间定期上传到 Platform，并在运行结束时再次上传，因此下载、导出和部署始终会使用迄今为止产生的最佳 epoch。如果运行被取消，则会保留取消前上传的检查点。

取消训练#

点击模型页面“运行信息”卡片中的取消，然后确认操作。对于云端训练，Platform 会停止作业、释放其计算资源，并按取消前已使用的 GPU 时间计费。对于本地训练，系统会发送信号，让进程在下一个 epoch 边界停止，并保留部分结果——运行退出前会上传现有结果。

远程训练#

graph LR
    A[Local GPU]:::start --> B[ultralytics Package]:::proc
    B --> C[Train]:::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

在你自己的硬件上训练，同时将指标实时传输到平台。

pip install -U ultralytics

设置 API 密钥#

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

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

使用指标流式传输进行训练#

使用 project 和 name 参数流式传输指标：

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

训练对话框中的本地训练选项卡会显示预先配置的命令，其中包含你的 API 密钥、所选参数和高级参数。

使用 Platform 数据集#

使用存储在平台上的数据集进行训练，格式为 ul:// URI：

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。模型会自动关联到平台上的数据集（参阅使用 Platform 数据集）。

计费#

训练费用根据 GPU 使用量计算：

费用估算#

训练开始前，平台会根据数据集大小、模型大小、图像尺寸、批次大小、epochs 和所选 GPU 估算总时长和费用。估算值仅供参考；实际用量才是计费依据。

影响费用的因素：

估算值基于真实的云端训练运行，而且始终使用你所选的 GPU 进行估算——因此，若作业被分配到速度更快的 Ultralytics 基础设施上，就会比估算时间更早完成。

费用示例#

计费流程#

graph LR
    A[Estimate Cost]:::start --> B[Balance Check]:::decide
    B --> C[Train and Meter GPU Time]:::proc
    C --> D[Settle at Terminal State]:::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

云端训练计费流程：

1. 预估：在训练开始前计算费用
2. 余额检查：启动前检查可用额度
3. 训练与计量：作业在所选计算资源上运行，运行期间产生的 GPU 使用时长会分批从你的余额中扣除
4. 结算：作业进入终止状态时，扣除剩余时长的费用，并为整个训练作业记入一笔 Training 交易

按作业状态计费#

如果运行作业连续 4 小时未报告活动，系统会自动将其标记为失败，终止实例并结算已产生的 GPU 使用时长。在你自己的硬件上运行的远程作业只会被标记为失败，不会产生费用。

付款方式#

云端训练费用从你的 Platform 额度余额中扣除。

查看训练费用#

开始云端作业前，训练对话框会显示你当前的额度余额，并根据所选模型、数据集、训练周期数、图像尺寸和 GPU 预估作业时长及费用。此预估仅供参考；实际费用按 GPU 使用时长收取。之后，你可以在 Settings > Billing 中查看相应的额度交易。

训练技巧#

选择合适的模型尺寸#

优化训练时间#

故障排除#

训练参数参考#

常见问题#