Обучай модели YOLO быстрее с помощью Ultralytics Platform

На прошлой неделе Ultralytics представила Ultralytics Platform — единое рабочее пространство, созданное для упрощения процесса разработки, обучения и развёртывания моделей компьютерного зрения. Вместо того чтобы переключаться между разными инструментами, команды могут работать на одной платформе и проще переходить от идеи к развёртыванию моделей ИИ для компьютерного зрения.

Это крайне важно, поскольку компьютерное зрение быстро становится неотъемлемой частью самых разных отраслей. Оно лежит в основе таких решений, как контроль качества на производстве, аналитика в розничной торговле и автономная навигация.

Надежность приложений компьютерного зрения зависит от качества обучения моделей. При обучении модель учится на размеченных данных, чтобы распознавать закономерности и точно делать прогнозы. Как правило, хорошо обученные модели работают лучше и дают более надежные результаты в реальных приложениях.

Однако обучение модели компьютерного зрения не всегда проходит гладко. Оно включает множество задач: настройку среды, выбор подходящих вычислительных ресурсов, подбор гиперпараметров и отслеживание нескольких экспериментов по обучению. Если выполнять эти шаги в разных инструментах и системах, рабочий процесс быстро становится сложным и трудным в управлении.

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

Рис. 1. Так выглядит обучение моделей на платформе Ultralytics (Источник)

В этой статье мы расскажем, как Ultralytics Platform упрощает обучение моделей и помогает получить преимущество в проектах ИИ для компьютерного зрения.

Модели компьютерного зрения учатся на данных в процессе обучения#

Прежде чем разбирать, как проходит обучение моделей на платформе Ultralytics, давай сначала поговорим о том, что такое обучение моделей и что оно включает.

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

Качество обучения во многом зависит от наборов данных. Представь набор данных как карточки, с помощью которых учитель обучает ученика: каждый пример помогает модели понять, на что нужно обращать внимание.

Типичный набор данных для компьютерного зрения включает изображения, обычно в форматах JPG или PNG, и аннотации, описывающие содержимое каждого изображения. Эти аннотации, которые часто хранятся в файлах JSON или TXT, содержат метки и контекст, необходимые модели для эффективного обучения.

Но обучение — это не просто подача данных модели. Оно включает несколько важных этапов: подготовку набора данных, выбор подходящей модели и настройку процесса обучения. Далее рассмотрим некоторые из этих этапов подробнее.

Как подготавливают наборы данных#

Может показаться, что, получив набор данных, можно сразу приступить к обучению модели, но сначала нужно выполнить несколько шагов, например разделить набор данных на части.

Как правило, набор данных делят на три части: обучающую, валидационную и тестовую выборки. Обучающие изображения используются для освоения закономерностей в данных, а валидационная выборка помогает отслеживать и настраивать качество модели во время обучения.

Тестовую выборку используют в конце, чтобы оценить, насколько хорошо модель работает на совершенно новых, ранее не встречавшихся данных. Такой подход помогает убедиться, что модель не просто запоминает данные, а умеет обобщать и работать в реальных условиях.

Выбор подходящей модели для обучения#

Еще один важный шаг перед обучением — выбрать модель. Во многих случаях это означает, что нужно выбрать предварительно обученную модель. Такие модели, как Ultralytics YOLO, уже обучены на больших наборах данных и усвоили общие визуальные закономерности, поэтому они служат хорошей отправной точкой.

Использование таких моделей — пример трансферного обучения: ты опираешься на уже имеющиеся знания и адаптируешь модель под конкретную задачу. Этот подход ускоряет обучение и улучшает результаты, особенно при работе с ограниченным объемом данных.

Эти модели также доступны в разных размерах, обеспечивающих различный баланс скорости и точности. Компактные модели работают быстрее и эффективнее, а более крупные обычно точнее, но требуют больше вычислительных ресурсов.

Настройка параметров обучения моделей компьютерного зрения#

Подготовив набор данных и выбрав модель, нужно настроить процесс ее обучения.

Модель компьютерного зрения обучается с помощью 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 получения хороших результатов.

Вот некоторые из наиболее распространенных параметров обучения:

• Эпохи: Количество проходов модели по всему набору данных во время обучения. Чем больше эпох, тем больше возможностей у модели выявить закономерности в данных.
• Размер пакета: Количество изображений, обрабатываемых за один шаг обучения. Большие пакеты могут ускорить обучение, но требуют больше памяти.
• Размер изображения: Разрешение входных изображений, используемых при обучении. Более высокое разрешение может повысить точность обнаружения, но увеличивает вычислительные затраты.
• Скорость обучения: Скорость, с которой модель обновляет внутренние параметры во время обучения. Слишком высокое или низкое значение может привести к нестабильности обучения.
• Оптимизатор: Алгоритм, который обновляет параметры модели на основе ошибки, вычисленной на каждой итерации обучения.

В рабочих процессах на основе Ultralytics YOLO эти настройки передаются в виде аргументов обучения, а описание набора данных хранится в YAML-файле. В файле указаны пути к данным, названия классов и способ разделения данных на выборки. Он служит центральной конфигурацией, которая указывает модели, как интерпретировать набор данных.

От разрозненных процессов к единой среде с платформой Ultralytics#

Мы рассмотрели несколько ключевых этапов обучения модели компьютерного зрения: подготовку наборов данных, выбор модели и настройку параметров обучения. На практике процесс часто включает и другие задачи: отслеживание экспериментов, сравнение нескольких запусков обучения и постоянное совершенствование моделей.

Эти задачи редко выполняются в одном месте. Наборы данных могут подготавливаться в одном инструменте, обучение запускаться в другой среде, а эксперименты отслеживаться отдельно. По мере роста проектов такая разрозненность усложняет работу, замедляет итерации и мешает поддерживать порядок.

Платформа Ultralytics устраняет эту сложность, объединяя весь рабочий процесс обучения в одной среде. Вместо того чтобы переключаться между инструментами, ты можешь управлять наборами данных, настраивать обучение, запускать эксперименты и отслеживать результаты в одном месте.

Теперь разберемся, как платформа Ultralytics делает обучение моделей эффективнее.

Варианты обучения, доступные на платформе Ultralytics#

Для реальных приложений часто нужны гибкие среды обучения моделей компьютерного зрения. Выбор зависит от размера набора данных, сложности модели и доступного оборудования: можно запускать обучение в облаке, на локальном компьютере или во внешней среде для ноутбуков.

Платформа Ultralytics поддерживает следующие варианты обучения, чтобы удовлетворить эти потребности:

• Обучение в облаке: Обучение выполняется на облачных графических процессорах (GPUs), управляемых Ultralytics. Этот вариант подходит для больших наборов данных и сложных моделей, которым нужны значительные вычислительные ресурсы.
• Локальное обучение: Используется оборудование твоего компьютера. Этот вариант подходит для быстрых экспериментов, проверки конфигураций и работы с небольшими наборами данных. Для более масштабных задач обучение также можно запускать в собственном облаке, например AWS или GCP.
• Google Colab: Платформа Ultralytics позволяет запускать обучение в размещенной среде ноутбуков Google Colab. Это дает гибкий рабочий процесс в браузере без необходимости настраивать локальный компьютер.

Обучение в облаке на платформе Ultralytics#

При работе над проектами компьютерного зрения обучать модели локально или в средах ноутбуков бывает непросто.

Например, при локальном обучении производительность полностью зависит от твоего оборудования, что может ограничивать вычислительные мощности и замедлять эксперименты. Для эффективного обучения необходимы GPU, но не каждая конфигурация обеспечивает к ним надежный доступ.

Среды ноутбуков, такие как Google Colab, предлагают альтернативу — облачные GPU, однако сеансы часто ограничены по времени и могут прерывать длительные запуски обучения. По мере роста наборов данных и усложнения рабочих процессов эти ограничения быстро становятся узкими местами, замедляя обучение и снижая его надежность.

Платформа Ultralytics решает эту проблему благодаря обучению в облаке. Она предоставляет готовую среду с заранее настроенными зависимостями Python и такими фреймворками, как PyTorch, чтобы ты мог начать обучение без дополнительной настройки.

На одной панели управления можно запускать задачи обучения и отслеживать их ход в реальном времени. Так тебе будет проще сосредоточиться на совершенствовании моделей, а не на управлении инфраструктурой.

Теперь посмотрим, как начать обучение в облаке на платформе Ultralytics.

Шаг 1. Выбери базовую модель#

Сначала выбери базовую модель для запуска обучения. Можно выбрать предварительно обученную модель Ultralytics YOLO, клонировать модель сообщества или загрузить собственные предварительно обученные веса для решения специальных задач.

Платформа поддерживает все модели Ultralytics YOLO, включая Ultralytics YOLO26, Ultralytics YOLO11, Ultralytics YOLOv8 и Ultralytics YOLOv5. Каждая модель доступна в нескольких вариантах размера: nano (n), small (s), medium (m), large (l) и extra-large (x). Поскольку разные варианты обеспечивают различный баланс скорости и точности, ты можешь выбрать модель с учетом требований к производительности и вычислительным ресурсам.

Эти модели поддерживают знакомые пользователям Ultralytics YOLO задачи компьютерного зрения, включая обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB).

Если у тебя особые требования, можно загрузить собственные предварительно обученные веса модели. Это позволит продолжить обучение или дообучить существующую модель, например детектор объектов, прямо на платформе, а не начинать с нуля. Такой подход особенно полезен, если ты уже обучил модель в другом месте или хочешь адаптировать ее под более узкий сценарий использования.

Шаг 2. Выбери набор данных#

Следующий шаг — выбрать набор данных для обучения. На Ultralytics Platform можно использовать уже готовые наборы данных, например набор данных COCO, клонировать наборы из сообщества или загрузить собственный набор данных, адаптированный под конкретное приложение.

Платформа поддерживает распространенные форматы аннотаций, например Ultralytics YOLO и COCO, а также позволяет загружать исходные изображения, если ты планируешь размечать собственные данные прямо на платформе.

После загрузки наборы данных автоматически обрабатываются: выполняются проверка, нормализация, разбор меток и расчет статистики. Ты сразу получаешь представление о данных, включая распределение классов и структуру набора, и можешь убедиться, что все готово к обучению.

Наборы данных также автоматически связываются с запусками обучения. Так ты сможешь отслеживать, какие данные использовались для каждой модели, и обеспечивать согласованность экспериментов.

Шаг 3. Настрой параметры обучения#

Выбрав набор данных, настрой параметры обучения, которые определяют, как модель будет учиться. К ним относятся число эпох, размер пакета, размер изображения и имя запуска, которое будет отображаться в журнале обучения. Многие из этих параметров влияют и на продолжительность обучения, и на итоговое качество модели.

Чтобы точнее контролировать процесс обучения, платформа позволяет настраивать и дополнительные параметры: скорость обучения, тип оптимизатора, параметры цветовой аугментации и другие параметры обучения. Эти настройки помогают точнее настроить процесс, повысить точность и стабильность модели.

Шаг 4. Выбери GPU#

Затем можно выбрать конфигурацию GPU для запуска обучения. Выбор подходящего GPU зависит от таких факторов, как размер набора данных, размер пакета, разрешение изображений и сложность модели. Правильный баланс поможет эффективно проводить обучение, не используя больше вычислительных ресурсов, чем необходимо.

Ultralytics Platform предлагает 26 вариантов GPU с разным объемом видеопамяти (VRAM) и вычислительной мощностью — от небольших задач до крупных нагрузок.

Так ты сможешь подобрать оборудование для своих задач — будь то обучение компактных моделей или работа с большими и сложными наборами данных. Список доступных GPU смотри на странице документации по обучению на платформе Ultralytics.

Рис. 2. Некоторые варианты GPU, доступные на платформе Ultralytics (Источник)

Шаг 5. Запусти обучение в облаке#

Выбрав модель, набор данных, параметры обучения и вычислительный ресурс, ты можешь быстро запустить обучение. Нажми одну кнопку на панели управления, а платформа выполнит остальное: подготовит среду и запустит задачу на выбранном GPU.

После начала обучения ты сможешь отслеживать его ход прямо на платформе. На вкладке Train в реальном времени отображаются ключевые метрики, включая показатели производительности, кривые потерь, использование системы и текущие журналы обучения.

Чтобы узнать больше о локальном обучении или использовании Google Colab с платформой Ultralytics, изучи другие руководства в официальной документации по платформе Ultralytics.

Оценка и сравнение моделей на платформе Ultralytics#

После завершения обучения нужно оценить, насколько хорошо работает модель. На платформе Ultralytics можно сравнить несколько запусков обучения в рамках одного проекта и наглядно увидеть результаты разных экспериментов.

При разработке моделей обучение часто запускают несколько раз с разными настройками — например, меняют скорость обучения, размер пакета или размер модели, чтобы улучшить результаты. Каждый запуск дает немного отличающуюся модель, поэтому их крайне важно сравнивать.

Проекты служат центральным пространством, где вместе организованы модели и эксперименты. Ты можешь отслеживать ход работы, просматривать результаты и сосредоточиться на задаче, не переключаясь между разными инструментами и представлениями.

В этом едином представлении можно анализировать и ключевые метрики производительности, такие как точность, полнота и средняя точность (mAP), чтобы понять, насколько хорошо модель работает для разных классов. Также можно сравнивать запуски обучения бок о бок и определять, какие конфигурации дают лучшие результаты.

Чтобы дополнить эти метрики, можно использовать вкладку Predict и быстро проверять обученные модели на примерах изображений или данных. Это поможет визуально оценить качество модели и выявить возможные проблемы.

Опираясь на эти данные, ты можешь выбрать лучшую модель, обычно сохраненную в виде контрольной точки «best.pt», и перейти к следующему этапу: дальнейшей оценке, запуску инференса или развертыванию модели через платформу.

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

Оценка стоимости обучения на платформе Ultralytics#

Обучение моделей обнаружения объектов в облаке влечёт за собой вычислительные расходы, особенно при использовании высокопроизводительных GPU. Чтобы упростить планирование, платформа Ultralytics показывает оценку стоимости до начала обучения.

Оценка позволяет заранее понять ожидаемый объём использования ресурсов, планировать рабочие нагрузки, контролировать бюджет и избегать непредвиденных расходов перед запуском задачи обучения. Вот как проверить предполагаемую стоимость до начала обучения.

Как оценивается время обучения#

Чтобы точно оценить стоимость, платформа сначала рассчитывает, сколько времени займёт одна эпоха обучения. На это влияют такие факторы, как размер набора данных и модели, разрешение изображений, размер пакета и скорость выбранного GPU.

Используя эти данные, платформа определяет примерное время одной эпохи и рассчитывает длительность всего обучения. Общее время складывается из времени всех эпох и небольшого времени на запуск.

В это дополнительное время входят такие задачи, как инициализация среды, загрузка наборов данных и подготовка GPU. Благодаря этому оценка учитывает весь процесс обучения, а не только цикл обучения.

Как рассчитывается стоимость обучения#

После оценки общего времени обучения платформа рассчитывает стоимость по почасовому тарифу выбранного GPU.

Сопоставив продолжительность обучения с тарифами на GPU, ты получишь точную оценку стоимости запуска ещё до его начала.

Зная стоимость заранее, проще изменить настройки — например, настроить параметры обучения или выбрать другой GPU, — чтобы эффективнее сбалансировать производительность и расходы.

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

Основные преимущества обучения моделей на платформе Ultralytics#

Мы рассмотрели основные этапы обучения моделей компьютерного зрения и то, как они объединяются на Ultralytics Platform.

Помимо этих основных функций, есть и другие возможности, которые улучшают процесс обучения. Вот некоторые ключевые преимущества обучения моделей на платформе Ultralytics:

• Воспроизводимость экспериментов из коробки: Параметры каждого запуска обучения автоматически записываются в полном объёме, включая модель, набор данных, параметры и конфигурацию вычислительных ресурсов. Это упрощает повторный просмотр экспериментов и надёжное воспроизведение результатов.
• Анализ обучения в динамике: Вместо того чтобы смотреть только на итоговые результаты, ты можешь отслеживать изменение производительности по эпохам и лучше понимать поведение модели во время обучения.
• Меньше операционной нагрузки: Платформа в фоновом режиме настраивает окружение, управляет зависимостями и инфраструктурой, чтобы ты мог больше времени уделять разработке моделей и меньше — настройке.
• Централизованная организация экспериментов: Проекты служат единым местом для управления моделями, наборами данных и запусками обучения. Так эксперименты остаются упорядоченными, даже когда рабочие процессы усложняются.

Главные выводы#

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

Объединяя настройку данных для обучения, мониторинг, сравнение экспериментов и оценку стоимости в одной среде, платформа Ultralytics упрощает создание высокопроизводительных моделей компьютерного зрения и их подготовку к развёртыванию.

Загляни в наше растущее сообщество и репозиторий GitHub, чтобы узнать больше о компьютерном зрении. Если ты хочешь создавать решения для компьютерного зрения, ознакомься с нашими вариантами лицензирования. На страницах решений ты найдёшь больше информации о преимуществах компьютерного зрения в производстве и ИИ в сельском хозяйстве.