企业官网建设流程全解析

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 include）
• Cloud 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：

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 H200），Pro 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：

• Ampere（RTX 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 Lovelace（RTX 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；
• Hopper（H100 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；
• Blackwell（RTX 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/hr（RTX 2000 Ada）一路排到 $7.39/hr（B300），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：

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：

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：

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 Failover）

Cloud 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：

1. 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；
2. 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；
3. 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；
4. 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.md：GPU 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