Ultralytics 平台云训练 GPU 实例选型与按小时定价全参考从 RTX 2000 Ada 到 B300 的 26 种显卡对照指南【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics导读本文围绕 Ultralytics 平台Ultralytics Platform云训练所开放的 26 种 NVIDIA GPU 实例系统梳理每款显卡的架构代际、显存容量、按小时价格与官方推荐的适用场景并结合仓库内 Cloud Training 与 Billing 文档讲清选卡如何影响账单显存不足怎么处理平台有哪些自动降级与免费升级机制。读完本文你将能够按数据集规模、模型大小与预算快速锁定合适的 GPU 实例并准确预估一次 YOLO 云训练的成本。GPU 参考表的定位一份被四处复用的平台级宏docs/macros/platform-gpu-table.md是 Ultralytics 文档体系中的一个Markdown 宏macro片段——它本身不含叙述性文字而是以单一数据表格的形式集中维护平台全部可租用 GPU 的规格与价格。该文件并不需要读者单独访问而是通过{% include macros/platform-gpu-table.md %}指令被嵌入到多个平台页面中实现一处维护、多处同步平台训练总览第 78 行 include平台主页第 375 行 includeCloud Training 云训练指南第 134 行位于Step 5: Select GPU小节Billing 账单与额度指南第 211 行位于Training Costs小节也就是说你在平台训练对话框中选择 GPU或者在账单页核对Training Costs时看到的显卡价格表其数据源都来自同一个宏文件。这也是理解本文的起点这份表不是某次促销而是平台云训练实例的标准定价与规格基准。26 种云训练 GPU 完整规格与定价表下表完整取自 docs/macros/platform-gpu-table.md按每小时价格从低到高排列GPUGenerationVRAMCost/HourBest ForRTX 2000 AdaAda16 GB$0.24Small datasets, testingRTX A4500Ampere20 GB$0.25Small-medium datasetsRTX 4000 AdaAda20 GB$0.26Medium datasetsRTX A5000Ampere24 GB$0.27Medium datasetsL4Ada24 GB$0.39Inference optimizedA40Ampere48 GB$0.44Larger batch sizesRTX 3090Ampere24 GB$0.46General trainingRTX A6000Ampere48 GB$0.49Large modelsRTX PRO 4000Blackwell24 GB$0.57Budget BlackwellRTX PRO 4500Blackwell32 GB$0.64Great price/performanceRTX 4090Ada24 GB$0.69Best price/performanceRTX 6000 AdaAda48 GB$0.77Large batch trainingL40SAda48 GB$0.86Large batch trainingRTX PRO 5000Blackwell48 GB$0.96Large batch trainingRTX 5090Blackwell32 GB$0.99Latest consumer generationL40Ada48 GB$0.99Large modelsA100 PCIeAmpere80 GB$1.39Production trainingA100 SXMAmpere80 GB$1.49Production trainingRTX PRO 6000Blackwell96 GB$2.09Recommended defaultH100 PCIeHopper80 GB$2.89High-performance trainingH100 NVLHopper94 GB$3.19Maximum performanceH100 SXMHopper80 GB$3.29Fastest trainingH200 NVLHopper143 GB$3.39Maximum memoryH200 SXMHopper141 GB$4.39Maximum performanceB200Blackwell180 GB$5.89Large models (Pro)B300Blackwell288 GB$7.39Largest models (Pro)关于可用范围的限制需要特别注意访问权限的差异。根据 Billing 文档 的说明B200 与 B300表中 Pro 标注仅对 Pro 或 Enterprise 套餐开放其余全部 24 种 GPU 在 Free、Pro、Enterprise 所有套餐上均可使用。这与 Billing 文档 中套餐描述的 GPU 数量相互印证Free 套餐提供24 种云 GPU覆盖 $0.24–$4.39/hr包含 RTX 5090、H100 与 H200Pro 套餐提供26 种 GPU在 Free 基础上解锁 B200、B300 这两款旗舰。读表指南四列信息分别说明什么Generation架构代际决定能效上限表中共出现四代 NVIDIA 架构对应四档定位AmpereRTX 3090、RTX A4500/A5000/A6000、A40、A100 PCIe/SXM——表中定价最经济的专业/数据中心级选择A100 系列负责生产级训练Ada LovelaceRTX 2000/4000 Ada、RTX 4090、RTX 6000 Ada、L4、L40/L40S——消费级与专业级覆盖面最广的一代L4 面向推理优化、L40S 面向大 batch 训练的定位差异清晰HopperH100 PCIe/NVL/SXM、H200 NVL/SXM——面向高性能与超大规模显存需求的数据中心代际BlackwellRTX PRO 4000/4500/5000/6000、RTX 5090、B200/B300——最新代际从入门级 Blackwell 到 288 GB 的 B300 都有覆盖。一个值得注意的观察点Blackwell 代际内部跨度极大——$0.57/hr 的 RTX PRO 4000 与 $7.39/hr 的 B300 同属 Blackwell因此选新架构并不等于选最贵仍需结合显存与用途判断。VRAM决定 batch 与模型规模的上限表中显存从 16 GB 到 288 GB 可分为几个梯度结合 Cloud Training 文档 可对应不同的训练诉求显存梯度代表实例典型定位依据表内 Best For16–20 GBRTX 2000 Ada、A4500、RTX 4000 Ada小数据集、冒烟测试、中小数据集起步24 GBA5000、L4、RTX 3090、A6000 之外的主流 24 GB 卡通用训练、推理优化、性价比训练32 GBRTX PRO 4500、RTX 5090高性价比、最新消费级48 GBA40、A6000、RTX 6000 Ada、L40/L40S、RTX PRO 5000更大 batch、更大模型、大 batch 训练80–96 GBA100 系列、H100 系列、RTX PRO 6000生产训练、推荐默认、高性能训练141–180 GBH200 NVL/SXM、B200高显存负载、大模型Pro288 GBB300最大规模模型Pro显存的意义在于更大的显存可以容纳更大的 batch size、更大的图像分辨率或更大的模型。这与平台训练对话框的 Batch Size 参数-1表示按可用显存自动适配范围 1–512直接相关也与 Cloud Training 文档 的提示一致——当图像尺寸超过 1280 时显存占用、训练时间与费用都会大幅上升。Cost/Hour计费的核心单价表中的时价即云训练计费的GPU Rate。价格从 $0.24/hrRTX 2000 Ada一路排到 $7.39/hrB300跨度约 30 倍。但正如后文将说明的更高的时价往往意味着更短的训练时长因此不能只看单价还要结合价格/性能与任务 deadline 来权衡。Best For官方标注的推荐用途最后一列是平台给出的首选场景标注例如 Small datasets, testing、Inference optimized、Large batch training、Production training 等。它在速查时最具参考价值如果你的任务是典型的小数据集调通流程完全没有必要选择表中高端的 Hopper/Blackwell 数据中心卡。场景化选卡建议平台文档给出的推荐组合Cloud Training 文档 的 GPU Selection 提示给出了一套可直接照搬的选卡策略可作为默认决策树场景推荐 GPU理由大多数任务的默认选择RTX PRO 600096 GB Blackwell$2.09/hr平台标注的 Recommended default大批量或较大模型A100 SXM80 GB HBM2e$1.49/hr显存与带宽适合大 batch时间敏感的训练H100 PCIe / H100 SXM / H100 NVL80–94 GB Hopper$2.89–$3.29/hr全套餐可用训练最快梯队高显存负载H200 NVL / H200 SXM141–143 GB Hopper$3.39–$4.39/hr全套餐可用的最大显存梯队尖端/超大模型工作负载B200 / B300180–288 GB Blackwell仅限 Pro 或 Enterprise 套餐预算敏感时的替代思路如果希望控制成本可参考表内 Best For 的定位选择低价位替代例如小数据集验证用 RTX 2000 Ada$0.24/hr或 RTX A4500$0.25/hr中等规模训练用 RTX A5000 / RTX 4000 Ada$0.26–$0.27/hr追求性价比训练则看 RTX 4090$0.69/hr标称 Best price/performance或 RTX PRO 4500$0.64/hr标称 Great price/performance。另外平台文档还明确提醒预算不足以承担大显存卡时遇到显存溢出Out of memory应降低 batch size 或换用更大显存的 GPU。GPU 如何决定账单计费模型与成本估算基本公式Cloud Training 文档 与 Billing 文档 给出的计费规则完全一致Total Cost GPU Rate × Training Time (hours)示例来自 Billing 文档在 RTX PRO 6000 上训练 2.5 小时$2.09 × 2.5 $5.23账单按实际 GPU 用时结算而非估算值。平台在训练启动前依据模型大小、数据集大小、epochs、图像尺寸、batch size 与 GPU 型号给出总时长与费用的估算并在训练对话框中以成本卡片形式展示同时显示预计每 epoch 秒数与数据集图片数实际用量按量计费。影响成本的关键因素Cloud Training 文档 的成本影响因子表是估算费用的核心依据因子影响数据集大小图片越多训练越久计算量大致随数据集线性增长模型大小m/l/x 等大模型比 n/s 训练更慢epochs 数量对训练时间构成直接乘数图像尺寸imgsz 越大计算量越大——1280px 的成本约为 640px 的数倍batch size更大的 batch 训练效率更高GPU 速度更快的 GPU 缩短训练时长部分抵消其更高的时价优化器MuSGD耗时约为其他优化器的两倍启动开销实例初始化、数据下载与预热最多约 5 分钟随数据集规模增大真实成本量级参考Cloud Training 文档 给出了三组基于真实云训练的估算示例可帮助你建立价格直觉场景GPU预估成本500 张图片、YOLO26n、50 epochsRTX 4090~$0.031000 张图片、YOLO26n、100 epochsRTX PRO 6000~$0.235000 张图片、YOLO26s、100 epochsH100 SXM~$1.56需要说明上述为估算值实际费用取决于数据加载速度、GPU 预热与模型收敛行为等多种因素训练对话框中的实时估算才是更准确的参考。平台在 GPU 层面的两套自动保护机制在选卡与计费之外平台文档还描述了两套对用户成本影响很大的自动化机制值得在选卡前了解1. 实时容量与自动故障转移Live Capacity Automatic FailoverCloud Training 文档 说明训练对话框中的 GPU 选择器反映的是实时云库存容量不足的选项会被标记。当任务无法在所选 GPU 上被调度时平台会报告容量短缺并自动切换到最接近的可用 GPU——切换优先级是先匹配显存其次速度再次价格——同时告知你新的显存与小时费率你可以立即开始或重新选择。2. 免费 GPU 升级Free GPU Upgrades这是对预算型用户最友好的一条规则选择比 RTX PRO 6000 更便宜的 GPU你的任务即具备运行在 Ultralytics 托管基础设施上的资格。当该容量空闲时任务实际跑在 RTX PRO 6000 上却仍按你选择的 GPU 价格计费——也就是说任务可能以更快速度完成且花费更少。文档同时保证升级永远不会让你的运行更慢或更贵。3. 余额校验与计量结算在费用安全层面Cloud Training 文档 还明确了两条计费纪律训练启动要求余额为正且足以覆盖估算任务成本——每份估算至少预留15 分钟 GPU 时间多个任务并行时还会计入它们尚未结算的余额部分计费按实际 GPU 时间进行取消、失败、卡死Stuck等终态任务都会结算已发生的 GPU 用时仅云 GPU 尚未启动前的校验/启动失败不产生费用。源码侧印证显存够不够用与 batch 自动适配机制GPU 显存对训练最直接的影响就是 batch size。在仓库的本地训练实现中batch取值支持-1自动适配或浮点数表示占用可用显存的比例。相关机制在 ultralytics/utils/autobatch.py 中实现check_train_batch_size()会在训练前对模型做内存剖析估算能够利用指定比例显存的最优 batch size其默认比例为0.6即自动模式下通常按可用显存的 60% 来拟合 batch。在 ultralytics/engine/trainer.py 中当batch_size 1单 GPU 训练时会调用auto_batch()完成这一自动适配见if self.batch_size 1 and RANK -1分支而 ultralytics/cfg/default.yaml 中的batch: 16则提供了未开启自动模式时的基准值。这套显存越大 → 自动拟合的 batch 越大 → 单次迭代吞吐越高的链路正是云训练中高显存 GPU 能显著缩短训练时间的底层原因之一。平台云训练对话框把 Batch Size 的默认值设为-1 (auto)自动按可用显存适配范围 1–512与仓库中 autobatch 的语义一致。因此在云端选卡时更高的 VRAM 通常意味着更大的自动 batch这也是 48 GB / 80 GB 以上实例被标注为 Large batch training 或 Production training 的原因。实战把成本控制在预算内的四个步骤综合 Cloud Training 文档 的 Cost-Saving Strategies 与表格数据一套可落地的成本控制路径如下先用小卡验证再上大卡以 10–20 个 epochs 在 RTX 2000 Ada / RTX A4500$0.24–$0.25/hr这类低价实例上验证数据集与配置的正确性避免把昂贵的 GPU 时间浪费在报错排查上默认选 RTX PRO 6000大多数工作负载的推荐默认避免在选型上过度纠结同时记得利用免费 GPU 升级规则——选择更便宜的卡有时反而能以更低价格享受更快算力提前校验数据集在投入训练前修正标注问题例如低质量的标签数据集校验失败不会产生 GPU 费用尽早监控与止损若 loss 早早进入平台期及时取消任务——取消只结算已发生的 GPU 用时。结论docs/macros/platform-gpu-table.md虽以宏片段形式存在却是 Ultralytics 平台云训练选型的唯一事实来源26 种 GPU 的架构代际、显存、时价与推荐用途被四份平台文档统一引用。理解这张表的结构价格梯度、显存梯度、Pro 限制并配合平台文档中的计费公式、自动故障转移与免费升级机制即可在预算、速度与模型规模之间做出理性权衡。如需进一步阅读macros/platform-gpu-table.mdGPU 表格宏本身platform/train/cloud-training.md云端训练全流程、GPU 选择步骤与成本估算platform/account/billing.md套餐对比、余额与账单结算usage/cfg.md训练参数batch、imgsz 等的完整说明ultralytics/utils/autobatch.py自动 batch 适配的源码实现【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Ultralytics 平台云训练 GPU 实例选型与按小时定价全参考：从 RTX 2000 Ada 到 B300 的 26 种显卡对照指南
Ultralytics 平台云训练 GPU 实例选型与按小时定价全参考从 RTX 2000 Ada 到 B300 的 26 种显卡对照指南【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics导读本文围绕 Ultralytics 平台Ultralytics Platform云训练所开放的 26 种 NVIDIA GPU 实例系统梳理每款显卡的架构代际、显存容量、按小时价格与官方推荐的适用场景并结合仓库内 Cloud Training 与 Billing 文档讲清选卡如何影响账单显存不足怎么处理平台有哪些自动降级与免费升级机制。读完本文你将能够按数据集规模、模型大小与预算快速锁定合适的 GPU 实例并准确预估一次 YOLO 云训练的成本。GPU 参考表的定位一份被四处复用的平台级宏docs/macros/platform-gpu-table.md是 Ultralytics 文档体系中的一个Markdown 宏macro片段——它本身不含叙述性文字而是以单一数据表格的形式集中维护平台全部可租用 GPU 的规格与价格。该文件并不需要读者单独访问而是通过{% include macros/platform-gpu-table.md %}指令被嵌入到多个平台页面中实现一处维护、多处同步平台训练总览第 78 行 include平台主页第 375 行 includeCloud Training 云训练指南第 134 行位于Step 5: Select GPU小节Billing 账单与额度指南第 211 行位于Training Costs小节也就是说你在平台训练对话框中选择 GPU或者在账单页核对Training Costs时看到的显卡价格表其数据源都来自同一个宏文件。这也是理解本文的起点这份表不是某次促销而是平台云训练实例的标准定价与规格基准。26 种云训练 GPU 完整规格与定价表下表完整取自 docs/macros/platform-gpu-table.md按每小时价格从低到高排列GPUGenerationVRAMCost/HourBest ForRTX 2000 AdaAda16 GB$0.24Small datasets, testingRTX A4500Ampere20 GB$0.25Small-medium datasetsRTX 4000 AdaAda20 GB$0.26Medium datasetsRTX A5000Ampere24 GB$0.27Medium datasetsL4Ada24 GB$0.39Inference optimizedA40Ampere48 GB$0.44Larger batch sizesRTX 3090Ampere24 GB$0.46General trainingRTX A6000Ampere48 GB$0.49Large modelsRTX PRO 4000Blackwell24 GB$0.57Budget BlackwellRTX PRO 4500Blackwell32 GB$0.64Great price/performanceRTX 4090Ada24 GB$0.69Best price/performanceRTX 6000 AdaAda48 GB$0.77Large batch trainingL40SAda48 GB$0.86Large batch trainingRTX PRO 5000Blackwell48 GB$0.96Large batch trainingRTX 5090Blackwell32 GB$0.99Latest consumer generationL40Ada48 GB$0.99Large modelsA100 PCIeAmpere80 GB$1.39Production trainingA100 SXMAmpere80 GB$1.49Production trainingRTX PRO 6000Blackwell96 GB$2.09Recommended defaultH100 PCIeHopper80 GB$2.89High-performance trainingH100 NVLHopper94 GB$3.19Maximum performanceH100 SXMHopper80 GB$3.29Fastest trainingH200 NVLHopper143 GB$3.39Maximum memoryH200 SXMHopper141 GB$4.39Maximum performanceB200Blackwell180 GB$5.89Large models (Pro)B300Blackwell288 GB$7.39Largest models (Pro)关于可用范围的限制需要特别注意访问权限的差异。根据 Billing 文档 的说明B200 与 B300表中 Pro 标注仅对 Pro 或 Enterprise 套餐开放其余全部 24 种 GPU 在 Free、Pro、Enterprise 所有套餐上均可使用。这与 Billing 文档 中套餐描述的 GPU 数量相互印证Free 套餐提供24 种云 GPU覆盖 $0.24–$4.39/hr包含 RTX 5090、H100 与 H200Pro 套餐提供26 种 GPU在 Free 基础上解锁 B200、B300 这两款旗舰。读表指南四列信息分别说明什么Generation架构代际决定能效上限表中共出现四代 NVIDIA 架构对应四档定位AmpereRTX 3090、RTX A4500/A5000/A6000、A40、A100 PCIe/SXM——表中定价最经济的专业/数据中心级选择A100 系列负责生产级训练Ada LovelaceRTX 2000/4000 Ada、RTX 4090、RTX 6000 Ada、L4、L40/L40S——消费级与专业级覆盖面最广的一代L4 面向推理优化、L40S 面向大 batch 训练的定位差异清晰HopperH100 PCIe/NVL/SXM、H200 NVL/SXM——面向高性能与超大规模显存需求的数据中心代际BlackwellRTX PRO 4000/4500/5000/6000、RTX 5090、B200/B300——最新代际从入门级 Blackwell 到 288 GB 的 B300 都有覆盖。一个值得注意的观察点Blackwell 代际内部跨度极大——$0.57/hr 的 RTX PRO 4000 与 $7.39/hr 的 B300 同属 Blackwell因此选新架构并不等于选最贵仍需结合显存与用途判断。VRAM决定 batch 与模型规模的上限表中显存从 16 GB 到 288 GB 可分为几个梯度结合 Cloud Training 文档 可对应不同的训练诉求显存梯度代表实例典型定位依据表内 Best For16–20 GBRTX 2000 Ada、A4500、RTX 4000 Ada小数据集、冒烟测试、中小数据集起步24 GBA5000、L4、RTX 3090、A6000 之外的主流 24 GB 卡通用训练、推理优化、性价比训练32 GBRTX PRO 4500、RTX 5090高性价比、最新消费级48 GBA40、A6000、RTX 6000 Ada、L40/L40S、RTX PRO 5000更大 batch、更大模型、大 batch 训练80–96 GBA100 系列、H100 系列、RTX PRO 6000生产训练、推荐默认、高性能训练141–180 GBH200 NVL/SXM、B200高显存负载、大模型Pro288 GBB300最大规模模型Pro显存的意义在于更大的显存可以容纳更大的 batch size、更大的图像分辨率或更大的模型。这与平台训练对话框的 Batch Size 参数-1表示按可用显存自动适配范围 1–512直接相关也与 Cloud Training 文档 的提示一致——当图像尺寸超过 1280 时显存占用、训练时间与费用都会大幅上升。Cost/Hour计费的核心单价表中的时价即云训练计费的GPU Rate。价格从 $0.24/hrRTX 2000 Ada一路排到 $7.39/hrB300跨度约 30 倍。但正如后文将说明的更高的时价往往意味着更短的训练时长因此不能只看单价还要结合价格/性能与任务 deadline 来权衡。Best For官方标注的推荐用途最后一列是平台给出的首选场景标注例如 Small datasets, testing、Inference optimized、Large batch training、Production training 等。它在速查时最具参考价值如果你的任务是典型的小数据集调通流程完全没有必要选择表中高端的 Hopper/Blackwell 数据中心卡。场景化选卡建议平台文档给出的推荐组合Cloud Training 文档 的 GPU Selection 提示给出了一套可直接照搬的选卡策略可作为默认决策树场景推荐 GPU理由大多数任务的默认选择RTX PRO 600096 GB Blackwell$2.09/hr平台标注的 Recommended default大批量或较大模型A100 SXM80 GB HBM2e$1.49/hr显存与带宽适合大 batch时间敏感的训练H100 PCIe / H100 SXM / H100 NVL80–94 GB Hopper$2.89–$3.29/hr全套餐可用训练最快梯队高显存负载H200 NVL / H200 SXM141–143 GB Hopper$3.39–$4.39/hr全套餐可用的最大显存梯队尖端/超大模型工作负载B200 / B300180–288 GB Blackwell仅限 Pro 或 Enterprise 套餐预算敏感时的替代思路如果希望控制成本可参考表内 Best For 的定位选择低价位替代例如小数据集验证用 RTX 2000 Ada$0.24/hr或 RTX A4500$0.25/hr中等规模训练用 RTX A5000 / RTX 4000 Ada$0.26–$0.27/hr追求性价比训练则看 RTX 4090$0.69/hr标称 Best price/performance或 RTX PRO 4500$0.64/hr标称 Great price/performance。另外平台文档还明确提醒预算不足以承担大显存卡时遇到显存溢出Out of memory应降低 batch size 或换用更大显存的 GPU。GPU 如何决定账单计费模型与成本估算基本公式Cloud Training 文档 与 Billing 文档 给出的计费规则完全一致Total Cost GPU Rate × Training Time (hours)示例来自 Billing 文档在 RTX PRO 6000 上训练 2.5 小时$2.09 × 2.5 $5.23账单按实际 GPU 用时结算而非估算值。平台在训练启动前依据模型大小、数据集大小、epochs、图像尺寸、batch size 与 GPU 型号给出总时长与费用的估算并在训练对话框中以成本卡片形式展示同时显示预计每 epoch 秒数与数据集图片数实际用量按量计费。影响成本的关键因素Cloud Training 文档 的成本影响因子表是估算费用的核心依据因子影响数据集大小图片越多训练越久计算量大致随数据集线性增长模型大小m/l/x 等大模型比 n/s 训练更慢epochs 数量对训练时间构成直接乘数图像尺寸imgsz 越大计算量越大——1280px 的成本约为 640px 的数倍batch size更大的 batch 训练效率更高GPU 速度更快的 GPU 缩短训练时长部分抵消其更高的时价优化器MuSGD耗时约为其他优化器的两倍启动开销实例初始化、数据下载与预热最多约 5 分钟随数据集规模增大真实成本量级参考Cloud Training 文档 给出了三组基于真实云训练的估算示例可帮助你建立价格直觉场景GPU预估成本500 张图片、YOLO26n、50 epochsRTX 4090~$0.031000 张图片、YOLO26n、100 epochsRTX PRO 6000~$0.235000 张图片、YOLO26s、100 epochsH100 SXM~$1.56需要说明上述为估算值实际费用取决于数据加载速度、GPU 预热与模型收敛行为等多种因素训练对话框中的实时估算才是更准确的参考。平台在 GPU 层面的两套自动保护机制在选卡与计费之外平台文档还描述了两套对用户成本影响很大的自动化机制值得在选卡前了解1. 实时容量与自动故障转移Live Capacity Automatic FailoverCloud Training 文档 说明训练对话框中的 GPU 选择器反映的是实时云库存容量不足的选项会被标记。当任务无法在所选 GPU 上被调度时平台会报告容量短缺并自动切换到最接近的可用 GPU——切换优先级是先匹配显存其次速度再次价格——同时告知你新的显存与小时费率你可以立即开始或重新选择。2. 免费 GPU 升级Free GPU Upgrades这是对预算型用户最友好的一条规则选择比 RTX PRO 6000 更便宜的 GPU你的任务即具备运行在 Ultralytics 托管基础设施上的资格。当该容量空闲时任务实际跑在 RTX PRO 6000 上却仍按你选择的 GPU 价格计费——也就是说任务可能以更快速度完成且花费更少。文档同时保证升级永远不会让你的运行更慢或更贵。3. 余额校验与计量结算在费用安全层面Cloud Training 文档 还明确了两条计费纪律训练启动要求余额为正且足以覆盖估算任务成本——每份估算至少预留15 分钟 GPU 时间多个任务并行时还会计入它们尚未结算的余额部分计费按实际 GPU 时间进行取消、失败、卡死Stuck等终态任务都会结算已发生的 GPU 用时仅云 GPU 尚未启动前的校验/启动失败不产生费用。源码侧印证显存够不够用与 batch 自动适配机制GPU 显存对训练最直接的影响就是 batch size。在仓库的本地训练实现中batch取值支持-1自动适配或浮点数表示占用可用显存的比例。相关机制在 ultralytics/utils/autobatch.py 中实现check_train_batch_size()会在训练前对模型做内存剖析估算能够利用指定比例显存的最优 batch size其默认比例为0.6即自动模式下通常按可用显存的 60% 来拟合 batch。在 ultralytics/engine/trainer.py 中当batch_size 1单 GPU 训练时会调用auto_batch()完成这一自动适配见if self.batch_size 1 and RANK -1分支而 ultralytics/cfg/default.yaml 中的batch: 16则提供了未开启自动模式时的基准值。这套显存越大 → 自动拟合的 batch 越大 → 单次迭代吞吐越高的链路正是云训练中高显存 GPU 能显著缩短训练时间的底层原因之一。平台云训练对话框把 Batch Size 的默认值设为-1 (auto)自动按可用显存适配范围 1–512与仓库中 autobatch 的语义一致。因此在云端选卡时更高的 VRAM 通常意味着更大的自动 batch这也是 48 GB / 80 GB 以上实例被标注为 Large batch training 或 Production training 的原因。实战把成本控制在预算内的四个步骤综合 Cloud Training 文档 的 Cost-Saving Strategies 与表格数据一套可落地的成本控制路径如下先用小卡验证再上大卡以 10–20 个 epochs 在 RTX 2000 Ada / RTX A4500$0.24–$0.25/hr这类低价实例上验证数据集与配置的正确性避免把昂贵的 GPU 时间浪费在报错排查上默认选 RTX PRO 6000大多数工作负载的推荐默认避免在选型上过度纠结同时记得利用免费 GPU 升级规则——选择更便宜的卡有时反而能以更低价格享受更快算力提前校验数据集在投入训练前修正标注问题例如低质量的标签数据集校验失败不会产生 GPU 费用尽早监控与止损若 loss 早早进入平台期及时取消任务——取消只结算已发生的 GPU 用时。结论docs/macros/platform-gpu-table.md虽以宏片段形式存在却是 Ultralytics 平台云训练选型的唯一事实来源26 种 GPU 的架构代际、显存、时价与推荐用途被四份平台文档统一引用。理解这张表的结构价格梯度、显存梯度、Pro 限制并配合平台文档中的计费公式、自动故障转移与免费升级机制即可在预算、速度与模型规模之间做出理性权衡。如需进一步阅读macros/platform-gpu-table.mdGPU 表格宏本身platform/train/cloud-training.md云端训练全流程、GPU 选择步骤与成本估算platform/account/billing.md套餐对比、余额与账单结算usage/cfg.md训练参数batch、imgsz 等的完整说明ultralytics/utils/autobatch.py自动 batch 适配的源码实现【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考