Запуск, анализ и дообучение модели

Запусти обучение#

Нажми New Model на странице проекта или набора данных. На вкладке Cloud Training последовательно задаются следующие параметры:

Это те же аргументы, которые принимает model.train(...) при локальном запуске; на странице модели позже появится копируемая команда yolo train с нестандартными значениями.

Выбери GPU и рассчитай бюджет запуска#

Карточка стоимости оценивает длительность и цену до запуска: около $0.23 за 1,000 изображений × YOLO26n × 100 эпох на RTX PRO 6000 по умолчанию и около $1.56 за 5,000 изображений × YOLO26s × 100 эпох на H100 SXM, которая обучает примерно в 3.4 раза быстрее, чем RTX 4090. Оплата начисляется за фактическое время работы GPU: завершённые, отменённые и завершившиеся ошибкой запуски тарифицируются после старта GPU; для запуска нужен баланс, покрывающий оценочную стоимость (не менее 15 минут работы GPU), а активные запуски останавливаются, если баланс становится отрицательным. Поэтому для долгих задач включи автоматическое пополнение в Settings > Billing. Если выбрать GPU дешевле RTX PRO 6000, можно бесплатно перейти на неё, когда простаивают мощности под управлением Ultralytics; при этом оплата всё равно рассчитывается по выбранному тарифу.

Правила выбора: сначала проверь новый датасет на GPU по умолчанию, запустив обучение на 10–20 эпох. Перейди на H100 или H200, если запуск длится несколько часов и кто-то ждёт его завершения. Выбирай GPU подешевле, а не побыстрее, если загрузка GPU остаётся низкой.

Следи за запуском#

На вкладке Train страницы модели отображаются данные в трёх подвкладках. На Charts строятся графики метрик, потерь на обучении и валидации, а также скорости обучения для каждой эпохи; Console хранит последние 2 000 строк и сразу останавливает запуск при трассировке стека или ошибке нехватки памяти CUDA; System показывает загрузку, память и температуру GPU:

Если запуск не выдаёт никаких данных в течение 4 часов, он помечается как неудачный. Лучшая контрольная точка загружается периодически, поэтому при отмене запуска сохраняется лучшая на данный момент эпоха, а уведомления в Slack сообщат тебе о завершении или сбое запусков.

Пример: обучение, потоковая передача данных и анализ запуска#

Ты можешь обучать модель где угодно и при этом отслеживать запуск в Platform. Экспортируй API-ключ из Settings > API Keys как ULTRALYTICS_API_KEY; project вида username/project передаёт в этот проект графики, консоль и лучшую контрольную точку:

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

Эта же команда выполняется на GPU Platform, если нажать New Model; локально запуск занял меньше двух минут на CPU ноутбука с imgsz=320. В results.csv запуска хранятся последовательности значений для каждой эпохи, которые отображает подвкладка Charts, поэтому нескольких строк достаточно, чтобы превратить «следи за кривыми» в правило:

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

Лучшая эпоха — последняя, mAP50-95 выросла на 2,8 пункта за последние три эпохи, а потери на валидации всё ещё снижаются: этот запуск на 10 эпох завершился рано, и более длительное обучение или дообучение принесёт пользу. Используй те же три сигнала для любого запуска в Platform на подвкладке Charts: положение лучшей эпохи, недавний прирост и направление изменения потерь на валидации.

Дообучи предыдущую модель#

Выбери предыдущую модель в разделе My Models в качестве базовой; Platform создаст новую модель на основе этой контрольной точки, не изменяя старую. Обычно рекомендуют снизить скорость обучения, но при настройке по умолчанию optimizer: auto обучение самостоятельно выбирает оптимизатор и скорость обучения и игнорирует lr0. Это видно в первых строках консоли:

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)

Явно укажи optimizer в Advanced Settings, и заданное значение сохранится. При дообучении модели таблеток ещё на 5 эпох с optimizer: SGD и lr0: 0.001 в журнале появится:

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 выросла с 0.659 до 0.687. На следующем уроке ты проверишь этот кандидат перед выпуском.

Чтобы воспроизвести предыдущий запуск, открой таблицу Training Configuration на странице модели, выбери Copy JSON и вставь содержимое в Advanced Settings. В руководстве по дообучению описана заморозка слоёв, а в руководстве по подбору гиперпараметров — систематический перебор параметров.

Подводные камни#