云端训练#

Ultralytics Platform 云端训练支持在云端 GPU 上进行一键式训练，让模型训练无需复杂的配置即可进行。使用实时指标流式传输和自动检查点保存功能训练 YOLO 模型。

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#

点击任意项目或数据集页面上的 New Model，即可从平台界面开始训练。训练对话框包含两个标签页：Cloud Training 和 Local Training。当选定的数据集位于 On Premise 主机上时，第一个标签页将变为 On Premise，且 Local Training 标签页会被隐藏——该数据集只能在其自身的主机上进行训练，这需要 Enterprise 计划以及一个连接且在线的 Worker。

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：

在每个标签页中，模型按规范顺序以任务进行分组，并按大小排序。选择器会将官方模型过滤为与所选数据集兼容的任务。YOLO26 包含大小从 nano 到 xlarge 的 Detect、Segment、Semantic、Depth、Classify、Pose 和 OBB 变体。

第 2 步：选择数据集#

选择要用于训练的数据集（请参阅 Datasets）：

第 3 步：配置参数#

设置核心训练参数：

当字段失去焦点时，超出参数范围的输入值会被钳位。

第 4 步：高级设置（可选）#

展开 Advanced Settings 以访问完整的基于 YAML 的参数编辑器，其中包含按组组织的 50 多个训练参数（参见配置参考）：

参数具有任务感知能力（例如，copy_paste 仅对 segment 任务显示，pose/kobj 仅对 pose 任务显示，dropout 仅对 classify 显示）。当值与默认值不同时，会出现 Modified 徽标，你可以使用重置按钮将所有内容重置为默认值。只有非默认的高级值才会发送到训练作业（基本的 epochs、batch 和图像尺寸参数始终包含在内），因此生成的命令保持可读性。

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：

对话框显示你当前的 balance 和一个 Top Up 按钮。成本卡会估算你的配置（模型大小、数据集图像、epochs、图像大小、批大小、优化器和 GPU 速度）的总持续时间和价格，还会报告每轮预计秒数和数据集图像数量。

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

重新训练现有模型会复用相同的模型页面，并在创建新作业后清除前一次运行的图表、控制台输出、系统指标和错误状态。在配置计算资源之前失败的运行会保持早期的结果不变。

训练任务生命周期#

训练任务将经历以下状态：

控制台流中的致命 Python 错误（回溯、CUDA 内存不足错误或失败的 CUDA 初始化）会立即结束运行，而不会等待超时，提取出的消息会显示在模型页面的错误横幅中，并带有 View full console logs 和 Retry Training 操作。停止报告活动达数小时的运行会被自动标记为失败，并释放其计算资源。

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#

图表按指标系列分组，出现的组取决于运行报告的内容：

每个组都可以折叠，可以从组菜单中隐藏或显示单个图表，并且可以拖动和调整图表大小——布局会被记住以供下次使用。

控制台子选项卡#

支持 ANSI 颜色、进度条和致命错误检测的实时控制台输出。保留最后 2000 行，可以切换时间戳，并且可以将整个日志复制为纯文本。

系统子选项卡#

实时主机卡（主机名、CPU、GPU、RAM 和磁盘总计）外加针对 CPU 和 RAM 使用率、GPU 利用率和内存、GPU 温度、网络 I/O 以及磁盘 I/O 的每轮图表。

检查点#

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

取消训练#

点击模型页面上 Run Information 卡片中的 Cancel 并确认该操作。对于云端训练，平台会停止作业、释放其计算资源，并收取取消前所消耗的已过去 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 epoch 边界停止并保留部分结果——运行会在退出之前上传其拥有的内容。

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

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#

使用存储在平台上的数据集进行训练，并使用 ul:// URI 格式：

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#

在训练开始之前，平台会根据你的数据集大小、模型大小、图像大小、批大小、epochs 和所选 GPU 来估算总持续时间和成本。估算值是近似的；实际使用量才是计费依据。

影响成本的因素：

估算基于真实的云端训练运行，并且估算始终使用你所选的 GPU — 因此路由到更快 Ultralytics 基础设施的作业会比其估算时间提前完成。

成本示例#

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. 训练和计量：作业在所选算力上运行，并且在运行过程中按步骤从你的余额中扣除累积的 GPU 时间
4. 结算：在终止状态下，将扣除剩余的尾部时间，并为整个运行记录单笔 Training 交易

按任务状态计费#

停止报告活动达数小时的运行会被自动标记为失败；实例会被终止，并结算已过去的 GPU 时间。你自己的硬件上的远程运行只会简单地标记为失败，无需计费。

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#

训练参数参考#

常见问题解答#