云端训练

Ultralytics Platform 云端训练提供在云端 GPU 上的一键式训练，让你无需复杂的设置即可进行模型训练。在训练 YOLO 模型的同时，你还可以实时查看指标流并自动保存检查点。

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

训练对话框

通过点击任意项目页面上的 New Model（或者在数据集页面点击 Train），你可以从平台界面启动训练。训练对话框包含两个标签页：Cloud Training 和 Local Training。

第一步：选择基础模型

从官方 YOLO26 模型或你自己的已训练模型中进行选择：

官方模型按任务类型进行分类（Detect、Segment、Pose、OBB、Classify），尺寸从 nano 到 xlarge 不等。

第二步：选择数据集

选择一个用于训练的数据集（参阅 Datasets）：

第三步：配置参数

设置核心训练参数：

第四步：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 40 多项训练参数（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，会出现 Modified 徽章，你可以使用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

第五步：选择 GPU（云端标签页）

从 Ultralytics Cloud 中选择你的 GPU：

该对话框会显示你的当前 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、轮数、GPU 速度）计算预计成本和时长。

第六步：开始训练

点击 Start Training 以启动你的任务。平台将会：

1. 配置 GPU 实例
2. 下载你的数据集
3. 开始训练
4. 实时流式传输指标

训练任务生命周期

训练任务会经历以下状态：

监控训练

在模型页面的 Train 标签页中查看实时训练进度：

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

实时的 GPU 利用率、内存、温度、CPU 和磁盘占用情况。

检查点

训练完成后，最佳模型（best.pt，即 mAP 最高的检查点）会被上传到平台，供你下载、导出和部署。

取消训练

点击模型页面上的 取消训练 (Cancel Training) 以停止正在运行的任务：

• 计算实例被终止
• 停止扣除点数
• 如果在取消前已达到最佳检查点，该检查点仍然可用

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

在自己的硬件上进行训练，同时将指标流式传输到平台。

pip install -U ultralytics

设置 API Key

1. 前往 Settings > API Keys
2. 创建一个新密钥（或者当你打开“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 本地训练 (Local Training) 选项卡会显示一条预配置好的命令，其中包含了你的 API Key、选定的参数以及高级参数。

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

使用 ul:// URI 格式可以自动下载并配置你的数据集。该模型会自动关联到平台上的数据集（请参阅 使用平台数据集）。

计费

训练成本基于 GPU 的使用情况计算：

成本预估

在训练开始前，平台会通过以下方式估算总成本：

1. 估算每个 epoch 所需秒数（基于数据集大小、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（用每个 epoch 的秒数乘以 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] --> 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

云训练计费流程：

1. 预估：在训练开始前计算成本
2. 余额检查：在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计算

按任务状态计费

付款方式

查看训练成本

训练完成后，可以在 账单 (Billing) 选项卡中查看详细费用：

• 每个 epoch 的成本明细
• 总 GPU 时间
• 下载成本报告

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
• 已选择的 GPU

典型用时（1000 张图像，100 个 epoch）：

我可以过夜训练吗？

可以，训练会持续直到完成。训练结束后你会收到通知。请确保你的账户有足够的余额用于基于 epoch 的训练。

如果我的点数用完了会怎样？

如果在训练过程中你的点数余额归零，训练将持续进行直到完成，你的余额会变为负数。这确保了你的训练任务永远不会在运行中途被中断。

训练完成后，你需要增加点数使余额恢复为正数，然后才能开始新的训练任务。无论余额如何，你已完成的模型、检查点以及所有训练产物都会被完全保留。

如果我的训练成本超过了预估值会怎样？

成本预估均为近似值 —— 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有所不同。如果实际成本超过预估值，你的余额可能会变为负数（见上文）。平台不会根据预估值停止训练。

管理成本的方法：

• 实时监控训练进度，必要时提前取消
• 开启 auto top-up 以自动补充点数
• 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？

可以，展开训练对话框中的 Advanced Settings 部分，即可访问包含 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 Copy as 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。参数会自动进行验证，超出范围的值会被钳制并显示警告。
• 拖放文件：将 .yaml 或 .json 文件直接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即可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？

可以，数据集页面上的 Train 按钮会打开训练对话框，并预选并锁定该数据集。然后你可以选择项目和模型来开始训练。

训练参数参考