云端训练#

Ultralytics Platform 云端训练支持在云端 GPU 上一键训练，无需复杂配置即可进行模型训练。使用实时指标流和自动检查点保存来训练 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#

在任意项目或数据集页面上点击 New Model，即可通过平台 UI 开始训练。训练对话框包含两个选项卡：Cloud Training 和 Local Training。当所选数据集位于 本地部署 主机上时，第一个选项卡会变为 On Premise，并隐藏 Local Training 选项卡——该数据集只能在其所属主机上训练，这需要 Enterprise 计划以及已连接且在线的工作节点。

对话框会记住你在当前浏览器的每个数据集任务和工作区中上次关闭时所保留的基础模型以及任何非默认参数，并在你下次针对该任务打开它时进行恢复。系统不会记住 GPU 选择，对失败的运行点击重试会恢复该运行自身的参数。

步骤 1：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，模型按任务以标准顺序分组，并按大小排序。选择器会将官方模型筛选为与所选数据集兼容的任务。YOLO26 提供 Detect、Segment、Semantic、Depth、Classify、Pose 和 OBB 变体，大小从 nano 到 xlarge。

步骤 2：选择数据集#

选择要用于训练的数据集（请参阅数据集：

步骤 3：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字段失去焦点时被限制在有效范围内。

步骤 4：高级设置（可选）#

展开 Advanced Settings，即可访问完整的基于 YAML 的参数编辑器，其中包含按组组织的 50 多个训练参数（请参阅配置参考：

参数会根据任务自动适配（例如，copy_paste 仅在分割任务中显示，pose/kobj 仅在姿态任务中显示，dropout 仅在分类任务中显示）。当值与默认值不同时，会显示 Modified 标记；你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值会发送到训练任务（基础的 epochs、batch 和图像尺寸参数始终会包含），因此生成的命令更加易读。

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，将模型关联到 Platform 托管数据集的不可变版本。Platform 会检查数据集内容是否发生变化；如果没有变化，则复用匹配的版本，只有在需要时才创建新的编号版本。训练随后会使用该确切的 NDJSON 快照，并将其版本号和内容哈希记录到模型中。

即使你之后添加或删除图像、编辑标注或更改数据集拆分，这也能保留本次运行所使用的数据。你可以在数据集的 Models 和 Versions 选项卡中找到关联的版本。

步骤 5：选择 GPU（云端选项卡）#

从 Ultralytics Cloud 中选择你的 GPU：

对话框会显示你当前的 balance 和 Top Up 按钮。成本卡片会估算当前配置的总时长和价格（模型大小、数据集图像数量、训练轮数、图像尺寸、批量大小、优化器和 GPU 速度），同时报告每个训练轮次的预计秒数和数据集图像数量。

步骤 6：开始训练#

点击 Start Training 启动任务。Platform 将：

1. 在启用 Save Dataset Version 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

重新训练现有模型会复用同一模型页面，并在新任务创建后清除上一次运行的图表、控制台输出、系统指标和错误状态。在计算资源配置完成前失败的运行会保留之前的结果。

训练任务生命周期#

训练任务会经历以下状态：

控制台流中出现致命 Python 错误——回溯、CUDA 内存不足错误或 CUDA 初始化失败——会立即结束运行，而不是等待超时；提取的消息会显示在模型页面的错误横幅中，并提供 View full console logs 和 Retry Training 操作。连续数小时停止报告活动的运行会自动标记为失败，其计算资源也会被释放。

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

监控训练#

在模型页面的 Train 标签页中查看实时训练进度：

图表子选项卡#

图表按指标类别分组，显示哪些分组取决于运行所报告的内容：

每个分组都可以折叠，也可以通过分组菜单隐藏或显示单个图表；图表还可以拖动和调整大小——布局会被记住以便下次使用。

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。系统会保留最后 2000 行，可切换显示时间戳，还可以将整个日志复制为纯文本。

系统子选项卡#

实时主机卡片（主机名、CPU、GPU、RAM 和磁盘总容量），以及按 epoch 显示的 CPU 和 RAM 使用率、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、导出和部署始终使用截至目前生成的最佳 epoch。如果运行被取消，则保留取消前上传的检查点。

取消训练#

在模型页面的 Run Information 卡片中点击 Cancel，然后确认操作。对于云训练，Platform 会停止任务、释放其计算资源，并收取取消前已使用的 GPU 时间。对于本地训练， 取消信号会让进程在下一个 epoch 边界停止，并保留部分结果——运行会在退出前上传 已有的内容。

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

在你自己的硬件上训练，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 > API Keys
2. 创建新密钥（或者在打开 Local Training 标签页时，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 标签页会显示一条预配置命令，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，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。模型会自动关联到平台上的数据集（请参阅 Using Platform Datasets）。

计费#

训练费用根据 GPU 使用情况计算：

费用估算#

训练开始前，平台会根据你的数据集大小、模型大小、 图像大小、批次大小、epoch 数量和所选 GPU 估算总时长和费用。估算值仅供参考；实际使用量才是计费依据。

影响费用的因素：

估算基于实际云训练运行，并且始终使用你所选的 GPU——因此，分配到更快 Ultralytics 基础设施的任务会提前于估算时间完成。

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

云训练计费流程：

1. 估算：训练开始前计算费用
2. 余额检查：启动前检查可用抵扣金
3. 训练与计量：任务在所选计算资源上运行，累计的 GPU 时间会在运行期间分阶段从你的余额中扣除
4. 结算：进入终止状态时扣除剩余尾部用量，并为整个运行写入一笔 Training 交易

按任务状态计费#

连续数小时停止报告活动的运行会自动标记为失败；实例会被终止，并结算经过的 GPU 时间。在你自己的硬件上运行的远程任务只会被标记为失败，不会产生费用。

支付方式#

云训练费用从你的 Platform 抵扣金余额中支付。

查看训练费用#

开始云任务前，训练对话框会根据所选模型、数据集、epoch 数量、图像大小和 GPU，显示当前抵扣金余额并估算任务时长和费用。该估算仅供参考；实际使用量会按消耗的 GPU 时间计费。之后，你可以在 Settings > Billing 中查看生成的抵扣金交易。

训练技巧#

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#