Ein Platform-Projekt planen und budgetieren

Die Platform verbindet den Kreislauf#

Jedes Bildverarbeitungssystem in der Produktion durchläuft denselben Kreislauf, und der kostspielige Teil ist der Pfeil zwischen zwei Kästen, nicht der Kasten selbst:

Der Vorteil der Platform ist, dass jede Phase festhält, was die nächste Phase benötigt. Nutze diese Tabelle als Übersicht; in der letzten Spalte steht die Lektion, in der die jeweilige Phase behandelt wird:

Zwei Werkzeuge decken den gesamten Ablauf ab. Agents erstellen visuelle Workflows, etwa um unsichere Erkennungen in einem Prüf-Dataset zu sammeln, und Ask AI kann über eine Unterhaltung trainieren, vergleichen, annotieren, exportieren und bereitstellen – mit denselben Befehlen ul cloud, die du selbst ausführen kannst.

Entscheide, was weiterhin in deiner Verantwortung liegt#

Die Plattform hat einige bewusst gesetzte Grenzen. Bestimme für jede davon eine verantwortliche Person in deinem Plan:

• Frames aus proprietären Systemen abrufen (DICOM-Archive, OEM-Kameras, Anlagenhistorianer): Dein Code überträgt sie in einen Bucket oder lädt sie hoch.
• Alarmierung. Die Plattform zeigt Endpunktmetriken an und sendet Jobereignisse an Slack, löst aber keine Alarme bei Latenz- oder Fehlergrenzwerten aus. Diese Prüfung richtest du in Lektion 8 ein.
• Genauigkeit im Zeitverlauf. Ein gekennzeichneter Holdout-Datensatz und dessen Verlauf liegen in deiner Verantwortung (Lektion 8).
• Anwendungslogik. Zählung, Tracking und Zonenregeln gehören in deinen Dienst; Ultralytics Solutions und der Kurs Ultralytics YOLO in Production behandeln diese Themen.
• Datenverkehr weiterleiten. Endpunkte haben generierte URLs und keine benutzerdefinierten Domains. Daher brauchst du für Canaries, die Weiterleitung über mehrere Regionen und gebrandete Hostnamen ein eigenes Gateway.

Die Plattform ist kein separates Framework. Ein Plattformmodell wird als normales best.pt heruntergeladen, das YOLO("best.pt") lädt, validiert und exportiert. Ein lokales model.train(..., project="username/my-project") überträgt Daten mit gesetztem API-Schlüssel an die Plattform. Beim Wechsel zwischen beiden muss nichts konvertiert werden.

Praxisbeispiel: Plane das Projektbudget vor dem Start#

Drei Dinge kosten Credits: Cloud-Training (GPU-Tarif × genutzte Zeit), Stapelannotation und das Verwischen von Gesichtern im gesamten Dataset (1,00 $ pro 1.000 Bilder) sowie Endpunkte mit benutzerdefinierter Größe (Abrechnung pro Betriebsstunde). Alles andere in diesem Kurs ist kostenlos. Dieser Rechner verwendet die tatsächlichen Tarife der Plattform für ein kleines Erkennungsprojekt:

# Monthly Platform budget for a small detection project (rates from the billing and deployment docs)
TRAIN_RUNS = 8  # experiments per month
COST_PER_RUN = 0.23  # dialog estimate: ~1,000 images, YOLO26n, 100 epochs, RTX PRO 6000 ($2.09/h)
BATCH_ANNOTATION_IMAGES = 3_000  # $1.00 per 1,000 images
HOURS_PER_MONTH = 730

# Custom endpoint sizes keep one warm instance; us-central1 rates are $0.000024/vCPU-s and $0.0000025/GiB-s
warm_endpoint_hourly = (2 * 0.000024 + 4 * 0.0000025) * 3600  # 2 vCPU, 4 GiB

lines = {
    "cloud training": TRAIN_RUNS * COST_PER_RUN,
    "batch annotation": BATCH_ANNOTATION_IMAGES / 1000 * 1.00,
    "default endpoint (1 vCPU, 2 GiB, scales to zero)": 0.0,
    "warm endpoint (2 vCPU, 4 GiB, always on)": warm_endpoint_hourly * HOURS_PER_MONTH,
}
for item, usd in lines.items():
    print(f"{item:<50} ${usd:>7.2f}")
print(f"{'total with a warm endpoint':<50} ${sum(lines.values()):>7.2f}")

cloud training                                     $   1.84
batch annotation                                   $   3.00
default endpoint (1 vCPU, 2 GiB, scales to zero)   $   0.00
warm endpoint (2 vCPU, 4 GiB, always on)           $ 152.42
total with a warm endpoint                         $ 157.26

So liest du die Ergebnisse:

• COST_PER_RUN stammt aus der Schätzung im Trainingsdialog, die Dataset-Größe, Modell, Epochen, Bildgröße und GPU berücksichtigt. Ersetze den Wert durch die Schätzung für dein eigenes Dataset (Lektion 5); 5.000 Bilder × YOLO26s × 100 Epochen auf einer H100 SXM kosten etwa 1,56 $.
• Der Endpunktposten macht den größten Anteil aus. Training und Kennzeichnung eines kleinen Projekts kosten ein paar Dollar; ein 730 Stunden pro Monat laufender Rechner kostet in Iowa etwa 150 $ (die Tarife variieren je nach Region, und der Bereitstellungsdialog zeigt den genauen Stundensatz).
• Entscheidungsregel: Starte jeden Endpunkt mit der kostenlosen Standardgröße. Wechsle nur dann zu einer benutzerdefinierten Größe, wenn Nutzer keinen Kaltstart von bis zu einer Minute hinnehmen können und der Datenverkehr konstant genug ist, um die Kosten für die Betriebszeit zu rechtfertigen.

Tarife#

Entscheidungsregel: Bleib beim Tarif Free, solange du dich noch einarbeitest; wechsle zu Pro, wenn du verbundenen Cloud-Speicher, ein Team, mehr als drei Endpunkte oder mehr als drei gleichzeitige Trainingsläufe brauchst. Die monatlichen 30 $ an Pro-Credits decken die Trainings- und Kennzeichnungsposten des obigen Budgets ab. In der Abrechnungsdokumentation sind alle Tarife aufgeführt.

Stolperfallen#