Обучай модели YOLO быстрее с помощью Ultralytics Platform

На прошлой неделе Ultralytics представила Ultralytics Platform — единую рабочую среду, призванную упростить создание, обучение и развертывание моделей компьютерного зрения командами. Вместо переключения между несколькими инструментами платформа объединяет всё в одном месте. Переход от идеи к развертыванию моделей ИИ для компьютерного зрения становится простым и удобным.

Это особенно важно, поскольку компьютерное зрение быстро становится ключевой частью различных отраслей. Оно лежит в основе таких приложений, как инспекция на производстве, аналитика в розничной торговле и автономная навигация.

Превращение приложений с поддержкой компьютерного зрения в надежные системы зависит от качества обучения моделей. Обучение модели включает работу с размеченными данными, чтобы модель могла распознавать закономерности и делать точные прогнозы. В целом хорошо обученные модели обеспечивают более высокую производительность и надежные результаты в реальных приложениях.

Однако обучение модели компьютерного зрения не всегда проходит просто. Оно включает различные аспекты: настройку окружений, выбор подходящих вычислительных ресурсов, подбор гиперпараметров и отслеживание нескольких экспериментов по обучению. Когда эти этапы распределены между разными инструментами и системами, рабочий процесс обучения быстро усложняется, и им становится трудно управлять.

Ultralytics Platform решает эту проблему, объединяя весь процесс обучения на единой панели управления. Ты можешь настраивать, запускать и отслеживать задания обучения в одном месте — в облаке, локально или в Google Colab.

Рис. 1. Обзор обучения модели в Ultralytics Platform (Источник)

В этой статье мы рассмотрим, как Ultralytics Platform упрощает обучение моделей и почему она может дать тебе преимущество в проектах по применению ИИ для компьютерного зрения. Давай начнем!

Модели компьютерного зрения обучаются на данных в процессе обучения#

Прежде чем подробно рассматривать, как проходит обучение моделей в Ultralytics Platform, давай сначала разберемся, что такое обучение модели и из каких этапов оно состоит.

Обучение модели — это процесс, в ходе которого модель компьютерного зрения учится интерпретировать визуальные данные. Она анализирует изображения или видео и постепенно корректирует свои внутренние параметры, чтобы точно выполнять задачи компьютерного зрения, такие как обнаружение объектов, классификация изображений и сегментация экземпляров. Со временем модель совершенствуется, изучая закономерности непосредственно в данных, которые она видит.

Качество обучения во многом зависит от датасетов. Датасет можно представить как набор карточек, которые учитель использует для обучения ученика: каждый пример помогает модели понять, что нужно искать.

Типичный датасет для компьютерного зрения включает изображения, обычно в форматах JPG или PNG, и аннотации, описывающие содержимое каждого изображения. Эти аннотации, часто хранящиеся в файлах JSON или TXT, предоставляют метки и контекст, необходимые модели для эффективного обучения.

Но обучение — это не просто передача данных модели. Оно включает несколько важных этапов: от подготовки датасета до выбора подходящей модели и настройки процесса обучения. Далее подробнее рассмотрим некоторые из этих этапов.

Как подготавливаются датасеты#

Может показаться, что после создания датасета можно сразу начинать обучение модели, но сначала нужно выполнить несколько шагов, например разделить датасет.

Обычно датасет разделяют на три части: обучающую, валидационную и тестовую выборки. Изображения из обучающей выборки используются для изучения моделью закономерностей в данных, а валидационная выборка помогает отслеживать и настраивать производительность во время обучения.

Тестовая выборка используется в конце, чтобы оценить, насколько хорошо модель работает на полностью новых, ранее не виденных данных. Такая схема помогает убедиться, что модель не просто запоминает данные, а способна обобщать их на реальные сценарии.

Выбор подходящей модели для обучения#

Еще один важный этап перед обучением — выбор модели, которую ты будешь использовать. Во многих случаях это означает выбор предварительно обученной модели. Такие модели, как модели Ultralytics YOLO, уже обучены на больших датасетах и изучили общие визуальные закономерности, поэтому служат хорошей отправной точкой.

Использование таких моделей — пример обучения с переносом, при котором существующие знания используются как основа, а модель адаптируется под конкретную задачу. Этот подход помогает ускорить обучение и улучшить результаты, особенно при работе с ограниченным объемом данных.

Эти модели также выпускаются в разных размерах, каждый из которых предполагает компромисс между скоростью и точностью. Меньшие модели работают быстрее и эффективнее, а более крупные обычно обеспечивают более высокую точность, но требуют больше вычислительных ресурсов.

Настройка параметров обучения моделей компьютерного зрения#

После подготовки датасета и выбора модели следующий шаг — настроить процесс ее обучения.

Модель компьютерного зрения обучается с использованием набора параметров, которые определяют, как она обрабатывает данные, обновляет веса и совершенствуется со временем. Эти настройки напрямую влияют как на скорость обучения, так и на итоговую точность, поэтому они необходимы для достижения высоких результатов.

Вот некоторые из наиболее часто используемых параметров обучения:

• Эпохи: количество проходов модели по всему датасету во время обучения. Увеличение числа эпох дает модели больше возможностей изучить закономерности в данных.
• Размер пакета: количество изображений, обрабатываемых вместе за один шаг обучения. Большие размеры пакета могут ускорить обучение, но требуют больше памяти.
• Размер изображения: разрешение входных изображений, используемых во время обучения. Более высокое разрешение может повысить точность обнаружения, но увеличивает вычислительные затраты.
• Скорость обучения: скорость, с которой модель обновляет внутренние параметры во время обучения. Слишком высокие или слишком низкие значения могут сделать обучение нестабильным.
• Оптимизатор: алгоритм, отвечающий за обновление параметров модели на основе ошибки, рассчитанной на каждой итерации обучения.

В рабочих процессах на основе Ultralytics YOLO эти настройки обычно задаются в YAML-файле. В нем указываются пути к датасету, имена классов и способ разделения данных. Файл служит центральной конфигурацией, объясняющей модели, как интерпретировать датасет.

От разрозненных рабочих процессов к единой среде с Ultralytics Platform#

Мы только что рассмотрели некоторые ключевые этапы обучения модели компьютерного зрения: от подготовки датасетов до выбора модели и настройки параметров обучения. На практике процесс часто продолжается и включает отслеживание экспериментов, сравнение нескольких запусков обучения и постоянное совершенствование моделей.

Эти этапы редко выполняются в одном месте. Датасеты могут подготавливаться в одном инструменте, запуски обучения — выполняться в другой среде, а отслеживание экспериментов — вестись отдельно. По мере роста проектов такая разрозненность усложняет работу, замедляет итерации и мешает поддерживать порядок.

Ultralytics Platform устраняет эту сложность, объединяя весь рабочий процесс обучения в одной среде. Вместо переключения между инструментами ты можешь управлять датасетами, настраивать обучение, запускать эксперименты и отслеживать результаты в одном месте.

Теперь давай разберемся, как Ultralytics Platform делает обучение моделей более интеллектуальным.

Варианты обучения, поддерживаемые Ultralytics Platform#

В реальных приложениях обучение модели компьютерного зрения часто требует гибких сред. В зависимости от размера датасета, сложности модели и доступного оборудования ты можешь выбрать обучение в облаке, на локальном компьютере или во внешней среде ноутбуков.

Ultralytics Platform поддерживает следующие варианты обучения:

• Обучение в облаке: обучение выполняется на управляемых Ultralytics облачных графических процессорах (GPUs). Этот вариант подходит для больших датасетов или сложных моделей, требующих значительных вычислительных ресурсов.
• Локальное обучение: этот вариант использует оборудование твоего компьютера и отлично подходит для быстрых экспериментов, проверки конфигураций или работы с небольшими датасетами. Для более масштабируемых задач обучение также можно запускать в собственной облачной среде, например AWS или GCP.
• Google Colab: с Ultralytics Platform ты можешь запускать обучение в размещенной среде ноутбуков Google Colab, используя гибкий рабочий процесс в браузере без настройки локального компьютера.

Изучаем обучение в облаке на Ultralytics Platform#

В проектах по компьютерному зрению обучение моделей локально или в средах ноутбуков не всегда проходит легко.

Например, при локальном обучении производительность полностью зависит от оборудования, что может ограничивать вычислительную мощность и замедлять эксперименты. GPUs необходимы для эффективного обучения, но не каждая конфигурация обеспечивает к ним надежный доступ.

Среды ноутбуков, такие как Google Colab, предлагают альтернативу благодаря облачным GPUs, но их сеансы часто временные и могут прерывать длительные запуски обучения. По мере роста датасетов и усложнения рабочих процессов эти ограничения быстро становятся узкими местами, замедляя обучение и снижая его надежность.

Ultralytics Platform решает эту проблему с помощью обучения в облаке. Она предоставляет готовую к использованию среду с предварительно настроенными зависимостями Python и фреймворками, такими как PyTorch, позволяя начать обучение без дополнительной настройки.

На одной панели управления ты можешь запускать задания обучения и отслеживать прогресс в реальном времени. Это позволяет сосредоточиться на улучшении моделей, а не на управлении инфраструктурой.

Теперь давай посмотрим, как начать обучение в облаке на Ultralytics Platform.

Шаг 1. Выбери базовую модель#

Первый шаг — выбрать базовую модель для запуска обучения. Ты можешь выбрать предварительно обученную модель Ultralytics YOLO, клонировать модель сообщества или загрузить собственные предварительно обученные веса для удовлетворения особых требований.

Платформа поддерживает все модели Ultralytics YOLO, включая Ultralytics YOLO26, Ultralytics YOLO11, Ultralytics YOLOv8 и Ultralytics YOLOv5, каждая из которых доступна в вариантах разных размеров: nano (n), small (s), medium (m), large (l) и extra-large (x). Поскольку разные варианты моделей предполагают компромисс между скоростью и точностью, ты можешь выбрать модель, соответствующую требованиям к производительности и вычислительным ресурсам.

Эти модели поддерживают широкий спектр задач компьютерного зрения, уже знакомых пользователям Ultralytics YOLO, включая обнаружение объектов, сегментацию экземпляров, классификацию изображений, обнаружение ориентированных ограничивающих прямоугольников (OBB) и оценку позы.

Если у тебя есть особые требования, ты также можешь загрузить собственные предварительно обученные веса модели. Это позволяет продолжить обучение или дообучить существующую модель, например детектор объектов, непосредственно на платформе, вместо обучения с нуля. Это особенно полезно, если ты уже обучал модель в другом месте или хочешь адаптировать ее под более узкий сценарий использования.

Шаг 2. Выбери датасет#

Следующий шаг — выбрать датасет для обучения. На Ultralytics Platform можно использовать готовые датасеты, например датасет COCO, клонировать датасеты сообщества или загрузить собственный датасет, адаптированный под конкретное приложение.

Платформа поддерживает распространенные форматы аннотаций, такие как Ultralytics YOLO и COCO, а также может обрабатывать загрузки исходных изображений, если ты планируешь размечать пользовательские данные непосредственно на платформе.

После загрузки датасеты автоматически обрабатываются: выполняются валидация, нормализация, разбор меток и создание статистики. Это дает мгновенное представление о данных, включая распределение классов и структуру датасета, и помогает убедиться, что всё готово к обучению.

Датасеты также автоматически связываются с запусками обучения, что позволяет отслеживать, какие данные использовались для каждой модели, и сохранять согласованность между экспериментами.

Шаг 3. Настрой параметры обучения#

После выбора датасета ты можешь настроить параметры обучения, управляющие процессом изучения моделью данных. К ним относятся количество эпох, размер пакета, размер изображения и имя запуска в журнале обучения. Многие из этих параметров влияют как на продолжительность обучения, так и на итоговую производительность модели.

Для более точного управления обучением платформа также позволяет изменять расширенные параметры, такие как скорость обучения, тип оптимизатора, настройки цветовой аугментации и другие параметры обучения. Эти настройки помогают тонко настроить процесс обучения для повышения точности и стабильности модели.

Шаг 4. Выбери GPU#

Затем ты можешь выбрать конфигурацию GPU для запуска обучения. Выбор подходящего GPU зависит от таких факторов, как размер датасета, размер пакета, разрешение изображений и сложность модели. Правильный баланс помогает сделать обучение эффективным и не использовать больше вычислительных ресурсов, чем необходимо.

Ultralytics Platform предлагает 22 варианта GPU с разным объемом VRAM (памяти GPU) и вычислительной мощностью — от небольших задач до крупномасштабных рабочих нагрузок.

С их помощью ты можешь подобрать оборудование под свои задачи — будь то обучение легковесных моделей или работа с большими сложными датасетами. Чтобы узнать больше, ознакомься со списком доступных GPUs на странице документации по обучению на Platform Ultralytics.

Рис. 2. Некоторые варианты GPU, доступные через Ultralytics Platform (Источник)

Шаг 5. Начни обучение в облаке#

После выбора модели, датасета, параметров обучения и вычислительного варианта запустить обучение можно быстро. На панели управления достаточно одного щелчка, а платформа сама инициализирует среду и запустит задание на выбранном GPU.

С началом обучения ты можешь отслеживать прогресс непосредственно на платформе. Вкладка Train предоставляет информацию в реальном времени о ключевых показателях, включая метрики производительности, кривые потерь, загрузку системы и текущие журналы обучения.

Чтобы узнать больше о локальном обучении или использовании Google Colab с Ultralytics Platform, изучи дополнительные руководства в официальной документации Platform Ultralytics.

Оценка и сравнение моделей на Ultralytics Platform#

После завершения обучения следующий шаг — оценить, насколько хорошо работает модель. На Ultralytics Platform можно сравнивать несколько запусков обучения в рамках проекта и получать наглядное представление о результатах разных экспериментов.

При разработке моделей обучение часто повторяют несколько раз с разными настройками, например изменяя скорость обучения, размер пакета или размер модели, чтобы улучшить результаты. Каждый запуск создает немного отличающуюся модель, поэтому их сравнение имеет большое значение.

Проекты служат центральным пространством, где модели и эксперименты организованы вместе. Ты можешь отслеживать прогресс, просматривать результаты и сохранять фокус, не переключаясь между разными инструментами или представлениями.

В этом едином представлении ты также можешь анализировать ключевые метрики производительности, такие как точность, полнота и mAP (средняя точность), чтобы понять, как модель работает на разных классах. Кроме того, можно сравнивать запуски обучения бок о бок и определять, какие конфигурации дают лучшие результаты.

В дополнение к этим метрикам можно использовать вкладку Predict, чтобы быстро проверять обученные модели на примерах изображений или данных, визуально подтверждать производительность и выявлять потенциальные проблемы.

На основе этих данных ты можешь выбрать наиболее эффективную модель, обычно сохраненную в виде контрольной точки “best.pt”, и перейти к следующему этапу: дальнейшей оценке, запуску инференса с использованием модели или ее развертыванию через платформу.

Рис. 3. Пример просмотра метрик на Ultralytics Platform (Источник)

Оценка стоимости обучения на Ultralytics Platform#

Обучение моделей обнаружения объектов в облаке влечет за собой вычислительные расходы, особенно при использовании высокопроизводительных GPUs. Чтобы сделать этот процесс удобнее, Ultralytics Platform предоставляет оценку стоимости до начала обучения.

Она дает наглядное представление об ожидаемом использовании ресурсов, помогая планировать рабочие нагрузки, управлять бюджетом и избегать непредвиденных расходов до запуска задания обучения. Вот как проверить предполагаемую стоимость перед началом обучения.

Как оценивается время обучения#

Чтобы точно оценить стоимость, платформа сначала рассчитывает, сколько времени займет одна эпоха обучения. Это зависит от таких факторов, как размер датасета, размер модели, разрешение изображений, размер пакета и скорость выбранного GPU.

На основе этих данных платформа определяет расчетное время одной эпохи и масштабирует его на весь запуск обучения. Общая продолжительность рассчитывается путем суммирования времени всех эпох и небольшой задержки запуска.

Задержка включает такие задачи, как инициализация среды, загрузка датасетов и подготовка GPU, благодаря чему оценка отражает весь процесс обучения, а не только цикл обучения.

Как рассчитывается стоимость обучения#

После оценки общего времени обучения платформа переводит его в стоимость, используя почасовую ставку выбранного GPU.

Сочетая продолжительность обучения с расценками на GPU, мы получаем точную оценку стоимости запуска еще до его начала.

Заранее известная стоимость позволяет легко изменить конфигурацию — например, настроить параметры обучения или выбрать другой GPU, — чтобы эффективнее сбалансировать производительность и расходы.

Рис. 4. Настройка обучения модели и оценка стоимости на Ultralytics Platform (Источник)

Ключевые преимущества использования Ultralytics Platform для обучения моделей#

До этого мы рассмотрели ключевые этапы обучения моделей компьютерного зрения и то, как они объединяются на Ultralytics Platform.

Помимо этих основных функций, есть дополнительные возможности, улучшающие рабочий процесс обучения. Ниже приведен обзор некоторых ключевых преимуществ использования Ultralytics Platform для обучения моделей:

• Встроенная воспроизводимость экспериментов: каждый запуск обучения автоматически регистрируется вместе с полной конфигурацией, включая модель, датасет, параметры и вычислительную конфигурацию. Это упрощает возврат к экспериментам и надежное воспроизведение результатов.
• Анализ обучения во времени: Вместо того чтобы просто просматривать итоговые результаты, ты можешь отслеживать, как меняется производительность по эпохам, и лучше понимать поведение модели во время обучения.
• Снижение операционной нагрузки: Платформа берет на себя настройку окружения, управление зависимостями и инфраструктурой в фоновом режиме, позволяя тебе больше сосредоточиться на разработке модели и меньше — на настройке.
• Централизованная организация экспериментов: Проекты служат единым местом для управления моделями, наборами данных и запусками обучения, помогая поддерживать структуру экспериментов по мере усложнения рабочих процессов.

Основные выводы#

Обучение — один из самых важных этапов жизненного цикла модели машинного обучения. От него зависит, насколько точно модель сможет распознавать и интерпретировать визуальные данные.

Объединяя настройку обучающих данных, мониторинг, сравнение экспериментов и оценку затрат в одной среде, Ultralytics Platform упрощает процесс создания высокопроизводительных моделей компьютерного зрения и подготовки их к развертыванию.

Изучи наше растущее сообщество и репозиторий на GitHub, чтобы узнать больше о компьютерном зрении. Если ты хочешь создавать решения на основе компьютерного зрения, ознакомься с нашими вариантами лицензирования. Посети страницы решений, чтобы узнать больше о преимуществах компьютерного зрения в производстве и ИИ в сельском хозяйстве.