Entrenar, interpretar y ajustar ejecuciones

Iniciar una ejecución#

Haz clic en New Model en la página de un proyecto o conjunto de datos. La pestaña Cloud Training te guía por estos ajustes:

Son los mismos argumentos que model.train(...) acepta localmente; más adelante, la página del modelo muestra un comando yolo train que puedes copiar y que incluye los valores no predeterminados.

Elige la GPU y calcula el presupuesto de la ejecución#

La tarjeta de costes estima la duración y el precio antes de empezar: unos 0,23 $ por 1000 imágenes × YOLO26n × 100 épocas en la RTX PRO 6000 predeterminada, y unos 1,56 $ por 5000 imágenes × YOLO26s × 100 épocas en una H100 SXM, que entrena aproximadamente 3,4 veces más rápido que una RTX 4090. La facturación se basa en el tiempo real de GPU: se cobran las ejecuciones completadas, canceladas y fallidas una vez que se ha iniciado la GPU; una ejecución requiere un saldo que cubra su coste estimado (al menos 15 minutos de tiempo de GPU), y las ejecuciones activas se detienen si el saldo queda en negativo, así que activa la recarga automática en Settings > Billing para los trabajos largos. Si seleccionas una GPU más barata que la RTX PRO 6000, puedes obtener una mejora gratuita a esta cuando haya capacidad gestionada por Ultralytics inactiva, y se te seguirá cobrando la tarifa seleccionada.

Reglas para decidir: prueba primero un conjunto de datos nuevo con 10–20 épocas en la GPU predeterminada. Pásate a una H100 o H200 cuando una ejecución tarde horas y alguien esté esperando. Elige una GPU más barata, no más rápida, cuando la utilización de la GPU sea baja.

Supervisa la ejecución#

La pestaña Train de la página del modelo muestra tres subpestañas en tiempo real. Charts representa las métricas, las pérdidas de entrenamiento y validación, y la tasa de aprendizaje por época; Console conserva las últimas 2000 líneas y detiene la ejecución de inmediato si se produce un traceback o un error de falta de memoria de CUDA; System muestra la utilización, la memoria y la temperatura de la GPU:

Una ejecución que no informa de nada durante 4 horas se marca como fallida. El mejor punto de control se carga periódicamente, por lo que una ejecución cancelada conserva la mejor época alcanzada hasta el momento, y las alertas de Slack pueden avisarte cuando las ejecuciones terminen o fallen.

Ejemplo práctico: entrena, transmite y consulta una ejecución#

Puedes entrenar en cualquier lugar y seguir la ejecución en Platform. Con una clave de API exportada desde Settings > API Keys como ULTRALYTICS_API_KEY, un project del formato username/project transmite los gráficos, la consola y el mejor punto de control a ese proyecto:

from ultralytics import YOLO

# export ULTRALYTICS_API_KEY="..." first to stream this run into your Platform project
model = YOLO("yolo26n.pt")
results = model.train(data="medical-pills.yaml", epochs=10, imgsz=320, project="username/pill-inspection", name="v1-baseline")
print(f"mAP50-95 {results.box.map:.3f}, best checkpoint: {model.trainer.best}")

                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95)
                   all         23        399       0.97      0.957      0.977      0.659
mAP50-95 0.659, best checkpoint: .../runs/detect/username/pill-inspection/v1-baseline/weights/best.pt

El mismo comando se ejecuta en las GPU de Platform al hacer clic en New Model; localmente tardó menos de dos minutos en la CPU de un portátil con imgsz=320. El results.csv de la ejecución contiene las series por época que representa la subpestaña Charts, así que bastan unas pocas líneas para convertir «vigila las curvas» en una regla:

import pandas as pd

df = pd.read_csv("results.csv")  # the per-epoch metrics behind the Charts subtab
df.columns = df.columns.str.strip()
m = df["metrics/mAP50-95(B)"]
best_epoch = int(df.loc[m.idxmax(), "epoch"])
recent_gain = m.iloc[-1] - m.iloc[-4]  # change over the last 3 epochs
val_loss = df["val/box_loss"]
print(f"epochs={len(df)} best mAP50-95={m.max():.3f} at epoch {best_epoch}")
print(f"gain over last 3 epochs: {recent_gain:+.3f}")
print(f"val box loss: {val_loss.iloc[0]:.3f} -> {val_loss.iloc[-1]:.3f}")
if recent_gain < 0.005 and val_loss.iloc[-1] >= val_loss.iloc[-4]:
    print("verdict: plateaued - stop, and fix the data before training longer")
elif best_epoch == len(df):
    print("verdict: still improving at the last epoch - more epochs should help")
else:
    print("verdict: converged - keep best.pt")

epochs=10 best mAP50-95=0.659 at epoch 10
gain over last 3 epochs: +0.028
val box loss: 1.367 -> 1.045
verdict: still improving at the last epoch - more epochs should help

La mejor época es la última, mAP50-95 ha subido 2,8 puntos en las tres últimas épocas y la pérdida de validación sigue bajando: esta ejecución de 10 épocas se ha detenido antes de tiempo, y será útil alargarla o ajustar el modelo. Usa las mismas tres señales en la subpestaña Charts de cualquier ejecución de Platform: dónde se sitúa la mejor época, la mejora reciente y la tendencia de la pérdida de validación.

Ajusta un modelo anterior#

Elige tu modelo anterior en My Models como modelo base; Platform crea un modelo nuevo que parte de ese punto de control y deja el anterior sin cambios. Lo habitual es usar una tasa de aprendizaje menor, pero con el valor predeterminado optimizer: auto, el entrenamiento elige su propio optimizador y tasa de aprendizaje e ignora lr0. La consola lo indica en las primeras líneas:

optimizer: 'optimizer=auto' found, ignoring 'lr0=0.01' and determining best 'optimizer' and 'lr0' automatically...
optimizer: AdamW(lr=0.002, momentum=0.9) with parameter groups 114 weight(decay=0.0), 126 weight(decay=0.0005), 126 bias(decay=0.0)

Establece explícitamente optimizer en Advanced Settings para que se aplique el valor. Los registros del ajuste del modelo de pastillas durante 5 épocas más con optimizer: SGD y lr0: 0.001 son:

optimizer: SGD(lr=0.001, momentum=0.937) with parameter groups 114 weight(decay=0.0), 126 weight(decay=0.0005), 126 bias(decay=0.0)
                   all         23        399      0.969      0.962      0.983      0.687

mAP50-95 ha subido de 0,659 a 0,687. En la siguiente lección someterás este candidato a un proceso de promoción.

Para reproducir una ejecución anterior, abre su tabla Training Configuration en la página del modelo, elige Copy JSON y pégalo en Advanced Settings. La guía de ajuste fino explica cómo congelar capas, y la guía de ajuste de hiperparámetros explica cómo realizar barridos sistemáticos.

Errores habituales#