Planifier et budgétiser un projet Platform

La boucle connectée par Platform#

Tout système de vision en production suit la même boucle, et la partie coûteuse se trouve dans la flèche entre deux cases, pas dans les cases elles-mêmes :

La valeur de Platform tient au fait que chaque étape consigne ce dont la suivante a besoin. Utilise ce tableau comme guide ; la dernière colonne indique la leçon qui présente l'étape :

Deux outils couvrent l’ensemble du processus. Agents crée des workflows visuels, comme la collecte de détections incertaines dans un jeu de données de révision, et Ask AI peut entraîner, comparer, annoter, exporter et déployer depuis une conversation à l’aide des mêmes commandes ul cloud que tu peux exécuter toi-même.

Détermine ce qui reste sous ta responsabilité#

La plateforme s’arrête à quelques limites bien définies. Attribue un responsable nommé à chacune dans ton plan :

• Extraction d’images depuis des systèmes propriétaires (archives DICOM, caméras OEM, systèmes d’historisation d’usine) : ton code les dépose dans un compartiment ou les téléverse.
• Alertes. La plateforme affiche les métriques des points de terminaison et envoie les événements de tâches à Slack, mais elle ne déclenche pas d’alertes en fonction des seuils de latence ou d’erreur. Tu mettras en place cette vérification dans la leçon 8.
• Précision au fil du temps. Un jeu de données de test étiqueté et son historique sont sous ta responsabilité (leçon 8).
• Logique de l’application. Le comptage, le suivi et les règles de zone résident dans ton service ; Ultralytics Solutions et le cours Ultralytics YOLO in Production les présentent.
• Routage du trafic. Les points de terminaison ont des URL générées et aucun domaine personnalisé ; les déploiements canari, le routage multirégion et les noms d’hôte personnalisés nécessitent donc ta propre passerelle.

La plateforme n’est pas un framework distinct. Un modèle de la plateforme se télécharge sous la forme d’un best.pt standard que YOLO("best.pt") charge, valide et exporte, et un model.train(..., project="username/my-project") local est transféré vers la plateforme avec une clé API configurée. Passer de l’un à l’autre ne nécessite aucune conversion.

Exemple détaillé : budgétise le projet avant de commencer#

Trois éléments consomment des crédits : l’entraînement dans le cloud (tarif du GPU × durée d’utilisation), l’annotation par lots et le floutage des visages sur l’ensemble du jeu de données (1,00 $ par tranche de 1 000 images), ainsi que les points de terminaison de taille personnalisée (facturés à l’heure de fonctionnement). Tout le reste de ce cours est gratuit. Ce calculateur utilise les tarifs réels de la plateforme pour un petit projet de détection :

# 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

Comment interpréter le résultat :

• COST_PER_RUN provient de l’estimation de la boîte de dialogue d’entraînement, qui tient compte de la taille du jeu de données, du modèle, du nombre d’époques, de la taille des images et du GPU. Remplace-la par l’estimation correspondant à ton propre jeu de données (leçon 5) ; 5 000 images × YOLO26s × 100 époques sur un H100 SXM coûtent environ 1,56 $.
• La ligne du point de terminaison domine. L’entraînement et l’étiquetage d’un petit projet coûtent quelques dollars ; maintenir une instance active 730 heures par mois coûte environ 150 $ dans l’Iowa (les tarifs varient selon la région, et la boîte de dialogue de déploiement affiche le prix horaire exact).
• Règle de décision : démarre chaque point de terminaison avec la taille gratuite par défaut. Passe à une taille personnalisée uniquement si les utilisateurs ne peuvent pas tolérer un démarrage à froid pouvant durer jusqu’à une minute et si le trafic est suffisamment régulier pour justifier les frais de fonctionnement.

Offres#

Règle de décision : conserve l’offre Free pendant que tu te familiarises avec la plateforme ; passe à Pro lorsque tu as besoin de stockage cloud connecté, d’une équipe, de plus de trois points de terminaison ou de plus de trois entraînements simultanés. Le crédit mensuel de 30 $ de Pro couvre les postes d’entraînement et d’étiquetage du budget ci-dessus. La documentation sur la facturation répertorie tous les tarifs.

Pièges#