So wählst du eine Cloud-GPU für das Training von Vision-KI auf der Ultralytics Platform aus

Letzten Monat haben wir die Ultralytics Platform vorgestellt, eine durchgängige Umgebung, die den gesamten Computer-Vision-Arbeitsablauf von der Verwaltung von Datensätzen bis zum Training und zur Bereitstellung von Modellen vereinfacht. Die Ultralytics Platform vereint alles, was du zum Entwickeln und Skalieren von KI-Modellen für die Bildverarbeitung benötigst, in einer einzigen, integrierten Umgebung.

Ein wichtiger Bestandteil dieses Arbeitsablaufs ist das Modelltraining, bei dem neuronale Netze Muster in Daten erlernen, um genaue Vorhersagen zu treffen. Der Zugriff auf die passenden Rechenressourcen spielt dabei eine entscheidende Rolle. Zuvor haben wir uns angesehen, wie die Ultralytics Platform cloudbasiertes Training mit Grafikprozessoren (GPU) unterstützt und so Modelltraining ermöglicht, ohne dass Nutzer eine lokale Infrastruktur verwalten müssen.

Mit bedarfsgerechtem Zugriff auf leistungsstarke NVIDIA-GPUs können Nutzer – von Studierenden und Start-ups bis hin zu Forschenden und großen Organisationen – KI-Workloads effizienter als je zuvor ausführen. Der Einstieg in das cloudbasierte Training ist zwar unkompliziert, doch bei der Wahl der passenden GPU solltest du Faktoren wie Datensatzgröße, Modellkomplexität und Kosten berücksichtigen.

Angesichts der heutigen großen Auswahl – von kostengünstigen RTX-GPUs bis hin zu leistungsstarker NVIDIA H100-Hardware und der nächsten Generation mit Blackwell-Architektur – kann die Wahl der passenden Konfiguration sowohl die Modellentwicklung als auch die Kosten erheblich beeinflussen.

In diesem Artikel befassen wir uns mit cloudbasiertem GPU-Training für Computer Vision auf der Ultralytics Platform und zeigen dir, wie du die passende Hardware für deine Arbeitslast auswählst. Los geht's!

Cloudbasiertes Training auf der Ultralytics Platform im Überblick#

Bevor wir uns damit befassen, wie du eine GPU für cloudbasiertes Training auf der Ultralytics Platform auswählst, werfen wir zunächst einen Blick darauf, wie cloudbasiertes Training funktioniert.

Was ist cloudbasiertes GPU-Training?#

Beim cloudbasierten GPU-Training werden GPUs in einer Cloud-Computing-Umgebung zum Trainieren von Modellen für maschinelles Lernen und Deep Learning verwendet, anstatt auf die eigene lokale Hardware oder Workstation zurückzugreifen. Auf der Ultralytics Platform kannst du dadurch leistungsstarke GPUs bei Bedarf nutzen und Trainingsaufträge aus der Ferne ausführen, ohne eine eigene Umgebung einrichten zu müssen.

So kannst du deine Ressourcen ganz einfach an deine Arbeitslast anpassen. Du kannst leistungsstärkere GPUs wählen oder die Kapazität bei Bedarf erhöhen, ohne durch die Leistungsfähigkeit deines Systems eingeschränkt zu sein. Stell es dir so vor, als würdest du auf leistungsstarke Rechner oder Knoten in entfernten Rechenzentren zugreifen, deren Kapazität sich nach Bedarf erhöhen oder verringern lässt.

Außerdem entfällt die Notwendigkeit, teure Hardware einzurichten und zu warten. Du musst keine GPUs kaufen, Treiber installieren oder dich mit Kompatibilitätsproblemen befassen.

Die Ultralytics Platform übernimmt alles über verwaltete Cloud-Dienste – von der Bereitstellung der Ressourcen über die Einrichtung der Umgebung und die Orchestrierung bis hin zur Ausführung von Trainingsaufträgen. So kannst du dich auf das Training, das Experimentieren und die Verbesserung deiner Modelle konzentrieren.

So funktioniert das Modelltraining auf der Ultralytics Platform#

Der GPU-beschleunigte Trainingsablauf auf der Ultralytics Platform ist unkompliziert. Zunächst kannst du deinen Datensatz auf verschiedene Arten hinzufügen.

Du kannst eigene Daten hochladen, öffentliche Datensätze auf der Plattform verwenden oder von der Community geteilte Datensätze klonen, um auf vorhandenen Arbeiten aufzubauen. Beim Klonen wird eine Kopie des Datensatzes in deinem Arbeitsbereich erstellt. So kannst du die Kopie bearbeiten und erweitern, während das Original unverändert bleibt.

Sobald du einen Datensatz ausgewählt hast, kannst du deine Bilder und Annotationen überprüfen und organisieren, um sicherzustellen, dass alles korrekt strukturiert ist. Die Plattform bietet außerdem integrierte Werkzeuge zur Annotation, mit denen du Daten für Aufgaben wie Objekterkennung, Segmentierung und Klassifizierung markieren oder den Prozess mithilfe KI-gestützter Funktionen beschleunigen kannst.

Abb. 1. Einen Datensatz in der Ultralytics Platform anzeigen (Quelle)

Als Nächstes kannst du ein Projekt auswählen oder erstellen, um deine Trainingsläufe zu verwalten. Projekte helfen dir dabei, Modelle zu organisieren und zu vergleichen, Leistungskennzahlen nachzuverfolgen und zusammengehörige Experimente an einem Ort aufzubewahren.

Danach kannst du zum cloudbasierten Training wechseln. Dort wählst du ein Modell aus, konfigurierst die Parameter und entscheidest dich anhand deiner Anforderungen an Leistung und Budget für eine GPU. Die Plattform verwaltet die zugrunde liegende Cloud-Infrastruktur für dich.

Die ausgewählte GPU-Instanz wird bereitgestellt, dein Datensatz vorbereitet und der Trainingsauftrag in der Cloud ausgeführt. Während des Trainings kannst du Kennzahlen, Protokolle und die Systemleistung in Echtzeit überwachen, ohne die Einrichtung, CUDA-Umgebungen, Frameworks wie PyTorch oder TensorFlow oder die Hardware verwalten zu müssen.

Wichtige Funktionen für GPU-Training auf der Ultralytics Platform#

Hier sind einige wichtige Funktionen des cloudbasierten GPU-Trainings auf der Ultralytics Platform:

• Training mit einem Klick: Starte Trainingsaufträge mit minimalem Einrichtungsaufwand und gehe ohne komplexe Konfiguration schnell vom Datensatz zum Modelltraining über.
• GPUs bei Bedarf: Wähle aus verschiedenen GPU-Optionen die passende für deine Anforderungen und skaliere die Ressourcen bei Bedarf ohne langfristige Verpflichtungen.
• Echtzeitüberwachung: Verfolge den Trainingsfortschritt anhand von Live-Diagrammen und Protokollen und sieh dir Systemkennzahlen wie GPU-Auslastung und Speicherverbrauch in Echtzeit an.
• Automatische Prüfpunkte: Der Trainingsfortschritt wird regelmäßig gespeichert. So kannst du die Arbeit bei Bedarf einfach fortsetzen oder wiederherstellen.
• Einfache Bereitstellung: Sobald das Training abgeschlossen ist, kannst du deine trainierten Modelle bereitstellen und über gemeinsam genutzte Inferenz-APIs, dedizierte Endpunkte oder durch den Export für den Einsatz auf externen Systemen in Anwendungen und Arbeitsabläufen verwenden. Diese Bereitstellungsoptionen ermöglichen Inferenz mit geringer Latenz und damit Echtzeitanwendungen wie Videoanalysen, Automatisierungssysteme und interaktive KI-Lösungen.

Die verschiedenen Cloud-GPU-Optionen auf der Ultralytics Platform#

Nachdem wir nun gesehen haben, wie das Training auf der Plattform funktioniert, betrachten wir die verschiedenen verfügbaren GPU-Optionen. Die Wahl der GPU kann sich darauf auswirken, wie schnell dein Modell trainiert wird, wie gut es abschneidet und welche Kosten entstehen.

Die Ultralytics Platform bietet eine große Auswahl an GPUs: von Optionen wie der RTX 2000 Ada und RTX A4500 über GPUs wie die RTX 4000 Ada, RTX A5000, RTX 3090 und RTX A6000 bis hin zu leistungsstärkeren Optionen wie der RTX 4090 und RTX PRO 6000.

Abb. 2. Beispiel für die verschiedenen von der Ultralytics Platform unterstützten GPU-Optionen (Quelle)

Für die meisten Nutzer ist die RTX PRO 6000 eine ausgewogene Standardwahl. Sie bietet zuverlässige Leistung für eine Vielzahl von Arbeitslasten, ohne dass viel Feinabstimmung erforderlich ist. Die RTX 4090 ist eine weitere beliebte Option und bietet für ihren Preis eine starke Leistung.

Für kleinere Aufgaben wie kurze Experimente, Prototyping oder die Arbeit mit leichten Datensätzen sind GPUs wie die RTX 2000 Ada und RTX A4500 ein guter Einstieg. Wenn deine Arbeitslast wächst, bieten Optionen wie die RTX 4000 Ada, RTX A5000 und RTX 3090 eine konstantere Leistung für allgemeines Training.

Im Hochleistungsbereich sind GPUs wie die A100 (Ampere), H100 und H200 (Hopper) sowie die B200 (Blackwell) für umfangreiche Arbeitslasten ausgelegt. Sie eignen sich am besten für das Training sehr großer Modelle, die Verarbeitung riesiger Datensätze oder Aufträge, bei denen Geschwindigkeit und Leistung entscheidend sind.

Verschiedene GPU-Typen und ihre Einsatzbereiche verstehen#

Als Nächstes sehen wir uns an, wie sich verschiedene GPU-Typen unterscheiden und wofür sie sich am besten eignen.

RTX-GPUs von NVIDIA sind in der Regel kostengünstiger und werden häufig für alltägliches Training, Experimente sowie kleine bis mittlere Arbeitslasten verwendet. Sie bieten ein ausgewogenes Verhältnis von Leistung und Zugänglichkeit und eignen sich damit für eine Vielzahl von Anwendungsfällen.

Im Vergleich dazu sind GPUs wie die A100, A40 und L40 für anspruchsvollere Arbeitslasten und umfangreicheres Training konzipiert. Sie bieten höhere Stabilität und Skalierbarkeit, insbesondere bei der Arbeit mit größeren Datensätzen oder komplexeren Modellen.

Im Hochleistungsbereich stehen GPUs wie die H100 und solche mit der Blackwell-Architektur von NVIDIA für neuere KI-Hardware. Sie sind auf hohe Leistung ausgelegt und werden typischerweise für umfangreiches Training, anspruchsvolle Forschung oder zeitkritische Aufgaben eingesetzt.

Die Auswahl an GPU-Optionen auf der Ultralytics Platform bietet Flexibilität für unterschiedliche Arbeitslasten. Je nach deinen Anforderungen kannst du mit kleineren Konfigurationen beginnen und bei Bedarf erweitern.

So wählst du die passende Cloud-GPU für dein Projekt aus#

Bei der Auswahl einer GPU für cloudbasiertes Training auf der Ultralytics Platform solltest du verschiedene Faktoren berücksichtigen, darunter Datensatzgröße, Modellkomplexität und Kosten. Gehen wir diese Faktoren der Reihe nach durch.

Die GPU-Leistung an die Datensatzgröße anpassen#

Einer der wichtigsten Faktoren bei der Wahl einer GPU ist die Größe deines Datensatzes, da sie sich auf die Trainingsdauer und den benötigten Rechenaufwand auswirkt.

Bei kleinen Datensätzen mit üblicherweise weniger als 1.000 Bildern reicht oft eine kompakte GPU wie die RTX 2000 aus. Sie eignet sich gut für kurze Experimente und kürzere Trainingsläufe.

Bei mittelgroßen Datensätzen mit etwa 1.000 bis 10.000 Bildern bieten GPUs wie die RTX 4090 oder RTX A6000 ein besseres Verhältnis von Leistung und Effizienz. Damit kannst du reibungsloser und ohne lange Verzögerungen trainieren.

Bei größeren Datensätzen mit mehr als 10.000 Bildern benötigst du wahrscheinlich leistungsstärkere Hardware, damit die Trainingszeiten angemessen bleiben. GPUs wie die H100 eignen sich besser für anspruchsvollere Arbeitslasten und eine effiziente Skalierung.

Letztendlich geht es darum, die Größe deines Datensatzes an die benötigte Rechenleistung und Fähigkeit zur parallelen Verarbeitung anzupassen.

Eine GPU passend zu Modellgröße und -komplexität auswählen#

Ein weiterer wichtiger Faktor bei der Wahl einer GPU ist die Größe und Komplexität deines KI-Modells für die Bildverarbeitung. Für Modelle unterschiedlicher Größe wird unterschiedlich viel Rechenleistung benötigt.

Kleinere Modelle benötigen beispielsweise weniger GPU-Rechenleistung und laufen effizient auf GPUs wie der RTX 2000 Ada, RTX A4500 oder sogar der RTX 4090, wenn du schnellere Ergebnisse erzielen möchtest. Diese GPUs eignen sich ideal für kurze Experimente, Prototyping und einfachere Aufgaben. So kannst du schneller iterieren und Ideen testen, ohne hohe Rechenkosten zu verursachen.

Größere und komplexere Modelle benötigen dagegen deutlich mehr Speicher und Rechenleistung. GPUs wie die RTX A6000, RTX PRO 6000 und leistungsstarke Optionen wie die H100 eignen sich besser für solche Arbeitslasten. Sie bewältigen größere Architekturen, verkürzen die Trainingszeit und verhindern Speicherprobleme. Das ist besonders wichtig bei hochauflösenden Bildern, großen Stapelgrößen oder komplexeren Modellentwürfen.

Stapelgröße und GPU-Speicher vergleichen#

Auch die Stapelgröße spielt beim Modelltraining eine wichtige Rolle. Sie bezeichnet die Anzahl der Trainingsbeispiele, die das Modell in einem einzelnen Schritt verarbeitet.

Größere Stapelgrößen können das Training effizienter machen, da mehr Daten auf einmal verarbeitet werden. Sie benötigen jedoch auch mehr GPU-Speicher (VRAM). Im Allgemeinen ermöglichen GPUs mit mehr Speicher größere Stapelgrößen, während bei GPUs mit weniger Speicher kleinere Stapel erforderlich sein können.

GPUs wie die RTX A6000, RTX PRO 6000 oder A100 können beispielsweise dank ihres größeren Speichers leichter mit größeren Stapelgrößen umgehen. Bei Optionen wie der RTX 4090 oder RTX 2000 Ada können dagegen je nach Arbeitslast kleinere Stapelgrößen erforderlich sein.

Die leistungsstärkste GPU ist jedoch nicht immer notwendig. Höherwertige GPUs können Geschwindigkeit und Kapazität steigern, sind aber auch teurer. Oft ist es effizienter, die Stapelgröße auf einer kleineren GPU anzupassen.

Letztendlich geht es darum, die Stapelgröße, den verfügbaren GPU-Speicher und die Kosten passend zu deinem Modell und Datensatz auszubalancieren.

Wie sich die Trainingskonfiguration auf die GPU-Leistung auswirkt#

Ein weiterer Faktor, der die GPU-Leistung beeinflusst, ist die Trainingskonfiguration. Dazu gehören Parameter wie die Anzahl der Epochen, die Bildgröße und weitere Einstellungen, die festlegen, wie ein Modell trainiert wird.

Größere Bildgrößen erhöhen beispielsweise den Rechenaufwand pro Schritt. Dadurch kann sich das Training verlangsamen und es werden möglicherweise mehr Rechenleistung oder Speicher benötigt, um eine gute Leistung aufrechtzuerhalten.

Auch eine höhere Anzahl von Epochen verlängert die gesamte Trainingszeit, insbesondere auf weniger leistungsstarker Hardware. Eine Epoche ist ein vollständiger Durchlauf durch den gesamten Datensatz während des Trainings.

Techniken wie die Datenerweiterung verursachen beim Training ebenfalls zusätzlichen Verarbeitungsaufwand. Bei der Datenerweiterung werden Transformationen wie Spiegeln, Drehen oder Skalieren angewendet, um die Datenvielfalt zu erhöhen und die Modellleistung zu verbessern. Das kann zwar die Robustheit des Modells erhöhen, aber auch das Training verlangsamen.

Leistungsstärkere GPUs können den zusätzlichen Bedarf im Allgemeinen effizienter bewältigen. Die Auswirkungen hängen jedoch von der gesamten Konfiguration und Arbeitslast ab.

Kosten und Trainingszeit in Einklang bringen#

Bei der Auswahl einer GPU für dein Projekt besteht oft ein Zielkonflikt zwischen Trainingsgeschwindigkeit und GPU-Kosten.

Auf der Ultralytics Platform kannst du die Kosten vor dem Start eines Trainingsauftrags ganz einfach abschätzen und nachvollziehen. Abhängig von deiner Konfiguration, einschließlich Datensatzgröße, Modell und GPU, werden die geschätzten Kosten und die Trainingsdauer im Voraus angezeigt.

Abb. 3. Mit der Ultralytics Platform lassen sich Cloud-Kosten einfach abschätzen und nachvollziehen. (Quelle)

Schnellere GPUs haben in der Regel höhere Stundensätze, können aber die gesamte Trainingszeit verkürzen. GPUs wie die RTX 4090, RTX PRO 6000 und H100 können das Training dank ihrer höheren Leistung im Allgemeinen schneller abschließen.

Langsamere GPUs haben meist niedrigere Stundensätze, benötigen aber mehr Zeit für das Training. GPUs wie die RTX 2000 Ada und RTX A4500 werden beispielsweise häufig für kleinere Arbeitslasten oder längere Aufträge verwendet, bei denen geringere Kosten Vorrang haben.

Darüber hinaus sind einige der leistungsstärksten GPUs wie die H200 und B200 nur mit Pro- oder Enterprise-Tarifen verfügbar, während die meisten anderen Optionen auch im kostenlosen Tarif genutzt werden können.

Strategien zur Kostenoptimierung im Überblick#

Neben der Wahl der passenden GPU gibt es einige praktische Möglichkeiten, die Trainingskosten im Griff zu behalten. Eine der wirksamsten Methoden besteht darin, mit kleinen Testläufen zu beginnen, bevor du den Umfang vergrößerst.

Beginne nicht gleich mit einem vollständigen Training, sondern starte mit weniger Epochen, um sicherzustellen, dass dein Setup wie erwartet funktioniert. So kannst du deine Daten, Annotationen und Modellkonfiguration schnell überprüfen und vermeidest, Zeit und Rechenleistung für Durchläufe aufzuwenden, die möglicherweise keine brauchbaren Ergebnisse liefern.

Behalte während des Trainings deine Metriken im Blick und beende Durchläufe frühzeitig, wenn sich die Leistung stabilisiert oder nicht mehr verbessert. Anhand der Trainingskurven kannst du entscheiden, ob du fortfahren oder dein Setup anpassen solltest.

Du kannst auch Parameter wie Batchgröße und Bildgröße anpassen. Kleinere Werte verringern den Speicher- und Rechenbedarf und erleichtern Experimente, das Testen verschiedener Konfigurationen oder kleine Simulationen, bevor du den Umfang erhöhst.

Abb. 4: Visualisierungen der Trainingsmetriken auf der Ultralytics Platform (Quelle)

Darüber hinaus vereinfacht die Ultralytics Platform das Kostenmanagement. Sie bietet eine integrierte Kostenschätzung, damit du die voraussichtlichen Ausgaben vor dem Start eines Jobs kennst.

Dank eines nutzungsbasierten, kreditbasierten Abrechnungssystems zahlst du nur für die tatsächlich genutzte Rechenzeit. So kannst du dein Budget leichter einhalten und den Umfang erhöhen, sobald du von deinem Trainingssetup überzeugt bist.

Bewährte Vorgehensweisen für das Cloud-GPU-Training im Bereich Computer Vision#

Hier sind einige bewährte Vorgehensweisen, die du beim Cloud-GPU-Training auf der Ultralytics Platform beachten solltest:

• Überprüfe Datensätze vor dem Training: Stelle sicher, dass dein Datensatz sauber, gut annotiert und konsistent ist, bevor du startest. Wenn du Probleme früh erkennst, vermeidest du unnötigen Rechenaufwand und verbesserst die Modellleistung.
• Führe zuerst kurze Experimente durch: Beginne mit kleinen Testläufen und weniger Epochen, um dein Setup zu überprüfen. So erkennst du Probleme frühzeitig, ohne dich auf lange, kostspielige Trainingsjobs festzulegen. Auf diese Weise erstellst du eine Vorlage, die du wiederverwenden und skalieren kannst, sobald alles wie erwartet funktioniert.
• Behalte wichtige Metriken im Blick: Verfolge während des gesamten Trainings Metriken wie Loss, mAP, Precision und Recall. Diese Metriken dienen als Vergleichswerte zur Bewertung der Modellleistung und helfen dir zu entscheiden, wann du Anpassungen vornehmen oder das Training beenden solltest.
• Sorge für effiziente Datenverarbeitungspipelines: Stelle sicher, dass das Laden und die Vorverarbeitung der Daten effizient ablaufen, da diese Vorgänge CPU-Ressourcen beanspruchen und zu Engpässen werden können, die die gesamte Trainingsleistung beeinträchtigen.
• Nutze integrierte Tools: Verwende Diagramme, Konsolenprotokolle und Systemmetriken, um das Training in Echtzeit zu überwachen und schnell fundierte Entscheidungen zu treffen.

Die wichtigsten Erkenntnisse#

Bei der Auswahl der passenden Cloud-GPU für Computer Vision auf der Ultralytics Platform kommt es darauf an, deinen Arbeitsaufwand zu verstehen, einschließlich Datensatzgröße, Modellkomplexität und Trainingskonfiguration. Dank der verfügbaren GPU-Optionen, die auf Cloud-Infrastruktur und virtuellen Maschinen basieren, kannst du mit einer ausgewogenen Auswahl beginnen und den Umfang erhöhen, wenn dein Bedarf an Modelltraining oder Feinabstimmung wächst. Mit der passenden Hardware und bewährten Vorgehensweisen wie Überwachung und Kostenkontrolle kannst du hochmoderne Modelle künstlicher Intelligenz effizient trainieren und zugleich die Flexibilität leistungsstarker Datenverarbeitung optimal nutzen.

Besuche unsere wachsende Community und unser GitHub-Repository, um mehr über Computer Vision zu erfahren. Wenn du Lösungen im Bereich Computer Vision entwickeln möchtest, wirf einen Blick auf unsere Lizenzoptionen. Erfahre auf unseren Lösungsseiten mehr über die Vorteile von Computer Vision in der Fertigung und KI in der Landwirtschaft.