使用 Ultralytics Platform 更快地训练 YOLO 模型

上周，Ultralytics 推出了 Ultralytics Platform，这是一个统一的工作空间，旨在简化团队构建、训练和部署计算机视觉模型的方式。该平台将所有工具整合到一个地方，无需在多个工具之间来回切换，让你可以更轻松地使用视觉 AI 模型从构想到部署。

这一点至关重要，因为计算机视觉正迅速成为各行各业的核心组成部分。它为制造业检测、零售分析和自主导航等应用提供支持。

要将这些由视觉技术驱动的应用转化为可靠系统，关键在于模型的训练质量。模型训练通过从标注数据中学习，让模型能够识别模式并准确预测。一般来说，训练良好的模型性能更出色，在真实应用场景中也能提供更可靠的结果。

然而，训练计算机视觉模型并非总是那么简单。这个过程涉及多个方面，例如设置环境、选择合适的计算资源、调整超参数，以及跟踪多次训练实验。如果这些步骤分散在不同的工具和系统中，训练流程很快就会变得复杂且难以管理。

Ultralytics Platform 将整个训练流程整合到一个统一的控制面板中，解决了这一问题。无论你是在云端、本地还是 Google Colab 中工作，都可以在同一处配置、运行和监控训练任务。

图 1. Ultralytics Platform 中的模型训练一览（来源）

本文将介绍 Ultralytics Platform 如何简化模型训练，以及它为何能让你的视觉 AI 项目更具优势。

计算机视觉模型通过模型训练从数据中学习#

在深入了解 Ultralytics Platform 上的模型训练如何运作之前，我们先退一步，看看模型训练是什么，以及其中包含哪些内容。

模型训练是计算机视觉模型学习理解视觉数据的过程。模型会分析图像或视频，并逐步调整内部参数，以准确执行目标检测、实例分割和图像分类等视觉任务。随着时间推移，模型会直接从看到的数据中学习模式，从而不断改进。

训练质量很大程度上取决于数据集。你可以把数据集想象成教师用来训练学生的一套抽认卡，每个示例都有助于模型学习应该关注什么。

典型的计算机视觉数据集包含图像，通常采用 JPG 或 PNG 等格式，以及描述每张图像内容的标注。这些标注通常存储为 JSON 或 TXT 文件，提供模型有效学习所需的标签和上下文信息。

但训练不只是把数据输入模型。整个过程包含多个关键步骤，从准备数据集到选择合适的模型，再到配置训练流程。接下来，我们来仔细看看其中几个步骤。

了解数据集准备流程#

你可能会觉得，拿到数据集后就能立即开始训练模型，但在此之前还需要完成几个步骤，例如划分数据集。

通常，数据集会拆分为三部分：训练集、验证集和测试集。训练图像用于教会模型识别数据中的模式，而验证集则有助于在训练期间监控并微调模型性能。

测试集用于在最后评估模型在完全陌生、从未见过的数据上的表现。这种设置有助于确保模型不会只是记住数据，而是能够泛化到真实场景。

为训练选择合适的模型#

训练前的另一个重要步骤是选择要使用的模型。很多情况下，这意味着选择预训练模型。Ultralytics YOLO 等模型已经在大型数据集上训练过，并学会了通用视觉模式，因此是很好的起点。

使用这些模型就是迁移学习的一个例子：在已有知识的基础上，将模型调整为适合特定任务。这种方法有助于加快训练并改善结果，尤其适用于数据有限的情况。

这些模型也有不同的尺寸，每种尺寸都在速度和准确率之间有所取舍。较小的模型速度更快、效率更高；较大的模型通常准确率更高，但需要更多计算资源。

配置视觉模型的训练参数#

准备好数据集并选定模型后，下一步就是配置模型的学习方式。

计算机视觉模型通过一组参数进行训练，这些参数决定了模型如何处理数据、更新权重以及逐步改进。这些设置会直接影响训练速度和最终准确率，因此对取得出色结果至关重要。

以下是一些最常用的训练参数：

• 训练轮数：指模型在训练过程中完整遍历数据集的次数。增加训练轮数可以让模型有更多机会从数据中学习模式。
• 批次大小：指单个训练步骤中一起处理的图像数量。较大的批次大小可以加快训练速度，但需要更多内存。
• 图像尺寸：指定训练时输入图像的分辨率。更高的分辨率可能提升检测准确率，但也会增加计算成本。
• 学习率：指模型在训练过程中更新内部参数的速率。学习率过高或过低都可能导致训练不稳定。
• 优化器：负责根据每次训练迭代计算出的误差更新模型参数的算法。

在基于 Ultralytics YOLO 的工作流程中，这些设置会作为训练参数传入，而数据集则通过 YAML 文件描述。该文件会指定数据集路径、类别名称以及数据划分方式，作为一项核心配置，告诉模型如何解读数据集。

从分散的工作流到借助 Ultralytics Platform 实现统一体验#

我们刚才讨论了训练计算机视觉模型涉及的一些关键步骤，从准备数据集到选择模型、配置训练参数。实际操作中，流程通常还包括跟踪实验、比较多次训练运行，以及持续改进模型。

这些步骤很少会集中在同一处处理。数据集可能在一个工具中准备，训练任务在另一个环境中运行，而实验跟踪则由其他工具单独管理。随着项目规模扩大，这种分散的工作方式会增加复杂性、减慢迭代速度，也让一切更难保持井然有序。

Ultralytics Platform 将整个训练工作流整合到一个环境中，从而消除了这些复杂性。你无需在不同工具之间切换，就能在同一处管理数据集、配置训练、运行实验并监控结果。

接下来，我们来深入了解 Ultralytics Platform 如何让模型训练更智能。

Ultralytics Platform 支持的训练选项#

在实际应用中，训练计算机视觉模型通常需要灵活的环境。你可以根据数据集大小、模型复杂度和可用硬件，选择在云端、本地计算机或外部笔记本环境中运行训练。

Ultralytics Platform 支持以下训练选项，以满足这些需求：

• 云端训练：在由 Ultralytics 管理的云端图形处理器 (GPUs) 上运行训练。此选项非常适合需要大量计算资源的大型数据集或更复杂的模型。
• 本地训练：使用你计算机上的硬件，适合快速实验、测试配置或处理较小的数据集。对于需要扩展的工作负载，也可以在自己的云环境中运行训练，例如 AWS 或 GCP。
• Google Colab：借助 Ultralytics Platform，你可以在 Google Colab 托管的笔记本环境中运行训练，无需配置本地计算机，即可使用灵活的浏览器工作流。

探索 Ultralytics Platform 的云端训练#

对于计算机视觉项目来说，在本地或笔记本环境中训练模型并不总是容易。

例如，本地训练的性能完全取决于你的硬件，这可能会限制计算能力并减慢实验进度。GPU 对高效训练至关重要，但并非每种配置都能稳定使用 GPU。

Google Colab 等笔记本环境通过提供云端 GPU，提供了另一种选择，但会话通常是临时的，可能会中断较长的训练任务。随着数据集不断扩大、工作流日趋复杂，这些限制很快就会成为瓶颈，让训练变得更慢、更不可靠。

Ultralytics Platform 通过云端训练选项解决了这个问题。它提供了开箱即用的环境，预先配置了 Python 依赖项和 PyTorch 等框架，让你无需额外设置即可开始训练。

你可以通过一个控制面板启动训练任务并实时监控进度。这样一来，你就能更专注于改进模型，而不是管理基础设施。

现在，我们来看看如何开始使用 Ultralytics Platform 进行云端训练。

第 1 步：选择基础模型#

第一步是为训练选择一个基础模型。你可以选择预训练的 Ultralytics YOLO 模型、克隆社区模型，或上传自己的预训练权重，以满足自定义需求。

该平台支持所有 Ultralytics YOLO 模型，包括 Ultralytics YOLO26、Ultralytics YOLO11、Ultralytics YOLOv8 和 Ultralytics YOLOv5，每种模型都有多种尺寸变体，例如 nano (n)、small (s)、medium (m)、large (l) 和 extra-large (x)。不同模型变体在速度和准确率之间各有取舍，你可以根据性能和计算资源需求选择合适的模型。

这些模型支持多种 Ultralytics YOLO 用户已经熟悉的计算机视觉任务，包括目标检测、实例分割、图像分类、姿势估计和旋转边界框 (OBB) 检测。

如果你有自定义需求，也可以上传自己的预训练模型权重。这意味着你可以在平台内继续训练或微调已有模型（例如目标检测器），而不必从头开始。如果你已经在其他地方训练过模型，或想让模型适应更具体的应用场景，这尤其有用。

第 2 步：选择数据集#

下一步是选择训练数据集。在 Ultralytics Platform 上，你可以使用现有数据集（例如 COCO 数据集）、克隆社区数据集，或上传针对具体应用定制的自有数据集。

该平台支持 Ultralytics YOLO 和 COCO 等常见标注格式；如果你打算直接在平台上标注自定义数据，也可以上传原始图像。

上传后，数据集会自动进行处理，包括验证、归一化、标签解析和统计信息生成。你可以立即查看数据，包括类别分布和数据集结构，这有助于确保所有内容都已准备就绪，可以开始训练。

数据集还会自动关联到训练运行，让你跟踪每个模型使用了哪些数据，并确保不同实验之间保持一致。

第 3 步：配置训练参数#

选择数据集后，你可以配置用于控制模型学习方式的训练参数。这些参数包括训练轮数、批次大小、图像尺寸以及训练日志中的运行名称。其中许多参数都会影响训练时长和模型的最终性能。

为了更精细地控制训练，平台还允许你调整学习率、优化器类型、颜色增强设置及其他训练选项等高级参数。这些设置可以微调训练流程，以提高模型的准确率和稳定性。

第 4 步：选择 GPU#

接下来，你可以选择训练运行所用的 GPU 配置。选择合适的 GPU取决于数据集大小、批次大小、图像分辨率和模型复杂度等因素。找到恰当的平衡，有助于在不使用超出需求的计算资源的情况下保持训练效率。

Ultralytics Platform 提供 26 种 GPU 选项，各有不同的 VRAM（GPU 内存）容量和计算能力，可满足从小型任务到大规模工作负载的需求。

借助这些选项，你可以根据具体需求选择硬件，无论是训练轻量级模型，还是处理大型复杂数据集。如需了解详情，请查看 Ultralytics Platform 训练文档页面中的可用 GPU 列表。

图 2. Ultralytics Platform 支持的部分 GPU 选项（来源）

第 5 步：开始云端训练#

选择模型、数据集、训练参数和计算选项后，就可以快速开始训练。从控制面板点击一次即可启动训练，平台会负责初始化环境，并在选定的 GPU 上运行任务。

训练开始后，你可以直接在平台内监控进度。Train 选项卡会实时显示关键指标，包括性能指标、损失曲线、系统使用情况和实时训练日志。

如需进一步了解如何在本地训练，或如何通过 Ultralytics Platform 使用 Google Colab，你可以查看 Ultralytics 官方Platform 文档中的更多教程。

在 Ultralytics Platform 上评估和比较模型#

训练完成后，下一步是评估模型的表现。在 Ultralytics Platform 上，你可以比较项目中的多次训练运行，清楚了解不同实验的表现。

开发模型时，通常会使用不同设置多次重复训练，例如调整学习率、批次大小或模型尺寸，以改善结果。每次运行都会生成略有不同的模型，因此比较这些模型至关重要。

项目充当集中管理模型和实验的枢纽。你可以跟踪进度、查看结果，并保持专注，而无需在不同工具或视图之间切换。

在这个统一视图中，你还可以分析精确率、召回率和 mAP（平均精度均值）等关键性能指标，了解模型在不同类别上的表现。你也可以并排比较多次训练运行，找出效果最佳的配置。

为了补充这些指标，你可以使用 Predict 选项卡，在示例图像或数据上快速测试训练好的模型，直观验证模型表现并发现潜在问题。

借助这些洞察，你可以选出表现最佳的模型（通常保存为“best.pt”检查点），然后进入下一阶段：进一步评估、使用模型进行推理，或通过平台部署模型。

图 3. 在 Ultralytics Platform 中查看指标示例（来源）

在 Ultralytics Platform 中估算训练成本#

在云端训练目标检测模型会产生计算成本，尤其是在使用高性能 GPU 时。为了让这一过程更加便捷，Ultralytics Platform 会在训练开始前提供成本估算。

它能让你清楚了解预期用量，帮助你规划工作负载、管理预算，并在启动训练任务前避免意外支出。下面介绍如何在开始训练前查看预估成本。

如何估算训练时间#

为了准确估算成本，平台会先计算单个训练周期所需的时间。这取决于数据集大小、模型大小、图像分辨率、批次大小以及所选 GPU 的速度等因素。

平台会根据这些输入估算每个训练周期所需的时间，并据此推算整个训练过程的时长。总时长由所有训练周期的耗时加上少量启动开销计算得出。

这部分开销涵盖初始化环境、加载数据集和准备 GPU 等任务，确保估算反映的是完整的训练流程，而不仅仅是训练循环。

如何计算训练成本#

估算出训练总时长后，平台会根据所选 GPU 的小时费率将其换算为成本。

结合训练时长和 GPU 定价，你可以在训练开始前清楚估算此次运行的成本。

提前了解成本后，你可以轻松调整设置，例如调整训练参数或选择其他 GPU，从而更有效地平衡性能与成本。

图 4. 在 Ultralytics Platform 中设置模型训练并估算成本（来源）

使用 Ultralytics Platform 训练模型的主要优势#

到目前为止，我们已经介绍了训练计算机视觉模型的关键步骤，以及这些步骤如何在 Ultralytics Platform 上衔接起来。

除了这些核心功能外，平台还提供了其他能力来优化训练工作流。下面概述使用 Ultralytics Platform 训练模型的一些主要优势：

• 内置实验复现能力：每次训练运行都会自动记录完整配置，包括模型、数据集、参数和计算资源设置。这样，你就能轻松回顾实验并可靠地复现结果。
• 持续追踪训练情况：你不必只查看最终结果，还可以跟踪模型性能在各个训练周期中的变化，从而更好地了解模型在训练过程中的表现。
• 降低运维开销：平台在后台处理环境设置、依赖项管理和基础设施，让你能更专注于模型开发，减少配置工作。
• 集中管理实验：项目提供了统一的位置来管理模型、数据集和训练运行，随着工作流变得更加复杂，也能让实验保持井然有序。

要点#

训练是机器学习模型生命周期中最重要的阶段之一，它决定了模型识别和理解视觉数据的准确程度。

Ultralytics Platform 将训练数据配置、监控、实验对比和成本估算整合在同一个环境中，简化了高性能计算机视觉模型的构建和部署准备流程。

访问不断壮大的社区和我们的 GitHub 代码库，了解更多计算机视觉知识。如果你想构建视觉解决方案，可以查看我们的许可选项。浏览我们的解决方案页面，进一步了解计算机视觉在制造业中的应用和 AI 在农业中的应用所带来的益处。