云端训练

Ultralytics Platform 云训练提供云端GPU上的一键式训练，使模型训练无需复杂设置即可进行。训练YOLO模型时，可享受实时指标流和自动检查点保存功能。

从 UI 训练

直接从平台启动云训练：

1. 导航到您的项目
2. 点击 训练模型
3. 配置训练参数
4. 点击开始训练

步骤 1：选择数据集

从您的上传中选择数据集：

步骤 2：配置模型

选择基础模型和参数：

步骤 3：选择 GPU

选择您的计算资源：

步骤 4：开始训练

点击 开始训练 以启动您的任务。平台将：

1. 调配一个 GPU 实例
2. 下载您的数据集
3. 开始训练
4. 实时传输指标

监控训练

查看实时训练进度：

实时指标

检查点

检查点自动保存：

• 每个 epoch：保存最新权重
• 最佳模型：保留 mAP 最高的检查点
• 最终模型：训练完成时的权重

停止与恢复

停止训练

点击 停止训练 以暂停您的任务：

• 当前检查点已保存
• GPU 实例被释放
• 积分停止计费

恢复训练

从您上次的检查点继续：

1. 导航到模型
2. 点击恢复训练
3. 确认继续

远程训练

在您自己的硬件上进行训练，同时将指标流式传输到平台。

pip install "ultralytics>=8.4.0"

设置API密钥

1. 前往设置 > API 密钥
2. 创建具有训练范围的新密钥
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 用于流式传输指标的参数：

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

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="coco.yaml",
    epochs=100,
    project="username/my-project",
    name="experiment-1",
)

使用平台数据集

使用存储在平台上的数据集进行训练：

yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

字段 ul:// URI 格式会自动下载并配置您的数据集。

账单

训练成本基于 GPU 使用情况：

成本估算

在培训开始前，平台根据以下因素估算总成本：

Estimated Cost = Base Time × Model Multiplier × Dataset Multiplier × GPU Speed Factor × GPU Rate

影响成本的因素：

费用示例

持仓/结算系统

该平台采用消费者保护计费模式：

1. 估算：培训开始前计算的成本
2. 保留：预估金额 + 20% 安全边际（从余额中预留）
3. 火车：预留金额显示为余额中的"预留"
4. 结算：完成后，仅按实际使用的GPU 计费
5. 退款：任何超额款项将自动退还至您的账户余额

支付方式

查看训练成本

训练完成后，在账单选项卡中查看详细费用：

• 每周期费用明细
• 总计 GPU 时间
• 下载费用报告

训练技巧

选择合适的模型大小

优化训练时间

1. 从小处着手：首先使用较少的周期进行测试
2. 使用合适的 GPU：根据模型/批次大小匹配 GPU
3. 验证数据集：确保在训练前数据质量
4. 及早监控：如果指标趋于平稳则停止

故障排除

常见问题

训练需要多长时间？

训练时间取决于：

• 数据集大小
• 模型大小
• 训练轮次
• 所选 GPU

典型时间（1000张图像，100个epoch）：

我可以通宵训练吗？

是的，训练将持续到完成。训练完成后您将收到通知。请确保您的账户有足够的余额进行基于 epoch 的训练。

如果我的积分用完了怎么办？

训练将在当前 epoch 结束时暂停。您的检查点已保存，充值后即可恢复。

我可以使用自定义训练参数吗？

是的，高级用户可以在训练配置中指定额外的参数。

训练参数参考

核心参数

学习率参数

数据增强参数

优化器选择

📅 创建于 20 天前 ✏️ 更新于 14 天前

评论