Ota käyttöön esikoulutuspodeja ja kouluta LoRA-malleja omalla datallasi
Käynnistä oikea yhden solmun GPU-podi jatkoesikoulutukseen tai aja hallinnoitu LoRA-jälkikoulutus Flux-, Qwen Image- ja Wan 2.2 -malleille. Aineistot, laskutus, eteneminen, peruutus ja tuotokset pysyvät Hyperealissa.
Aloita tästä, jos olet uusi käyttäjä
Sinun ei tarvitse ymmärtää kaikkia GPU-asetuksia heti. Valitse tavoitteeseesi sopiva polku, valmistele yksi aineisto ja anna koulutuskonsolin ohjata käyttöönottoa.
Nyrkkisääntö: käytä LoRAa, kun haluat pienen uudelleenkäytettävän tyylin, hahmon, tuotteen tai liikkeen adapterin. Käytä esikoulutuspodeja, kun tarvitset täyden hallinnan koodiin, checkpointteihin ja ajonaikaan.
- 01Decision
Choose the result you want
Pick LoRA post-training if you want downloadable .safetensors weights. Pick a pretraining pod if you need to run your own training code on a GPU machine.
Choose LoRA or pretraining - 02/infra/storage
Prepare one dataset
For LoRA, upload a zip of images or short clips in Storage and mark it as kind=dataset. For pretraining, you can attach a dataset now or bring data in after the pod starts.
Upload in Storage - 03Dashboard
Open the training console
Go to Infrastructure -> Training. The top form launches a pretraining pod; the LoRA form starts a managed fine-tune and shows your credit hold before launch.
Open /infra/training - 04One click
Launch and watch progress
Click Deploy pretraining pod or Start training. Pretraining redirects to the pod page. LoRA runs appear in the Runs list with progress, cancel, refund, and output state.
Start the run - 05Finish
Finish the run safely
Download LoRA weights when the run completes. For pretraining pods, save checkpoints and stop or terminate the pod when you are done so hourly billing stops.
Download or stop - 06Päätös
Valitse haluamasi lopputulos
Valitse LoRA-jälkikoulutus, jos haluat ladattavat .safetensors-painot. Valitse esikoulutuspodi, jos sinun täytyy ajaa omaa koulutuskoodiasi GPU-koneella.
Valitse LoRA tai esikoulutus - 07/infra/storage
Valmistele yksi aineisto
LoRAa varten lataa Storageen zip-kuva- tai lyhyiden klippien paketti ja merkitse se tyyppiin kind=dataset. Esikoulutuksessa voit liittää aineiston nyt tai tuoda datan podin käynnistyttyä.
Lataa Storageen - 08Koontinäkymä
Avaa koulutuskonsooli
Siirry kohtaan Infrastructure -> Training. Yläosan lomake käynnistää esikoulutuspodin; LoRA-lomake aloittaa hallinnoidun hienosäädön ja näyttää krediittivarauksen ennen käynnistystä.
Avaa /infra/training - 09Yhdellä klikkauksella
Käynnistä ja seuraa etenemistä
Klikkaa Deploy pretraining pod tai Start training. Esikoulutus ohjaa podin sivulle. LoRA-ajot näkyvät Runs-listassa, jossa on eteneminen, peruutus, hyvitys ja tulostila.
Käynnistä ajo - 10Valmis
Päätä ajo turvallisesti
Lataa LoRA-painot, kun ajo valmistuu. Esikoulutuspodeissa tallenna checkpointit ja pysäytä tai lopeta podi, kun olet valmis, jotta tuntiveloitteisuus päättyy.
Lataa tai pysäytä
Mikä on käytössä nyt
Esikoulutuspodi
Ota käyttöön oma GPU-podi LLM-, multimodaali- tai jatkoesikoulutukseen omalla ajonaikakuvallasi ja aineistollasi.
- Own Docker image, GPU type, GPU count, disk, and volume size
- Optional owned dataset signed into HYPEREAL_DATASET_URL for 24 hours
- SSH, TensorBoard, API, and notebook ports opened automatically
- Oma Docker-kuva, GPU-tyyppi, GPU-määrä, levytila ja taltion koko
- Valinnainen oma aineisto, joka on allekirjoitettu HYPEREAL_DATASET_URL:iin 24 tunniksi
- SSH-, TensorBoard-, API- ja notebook-portit avataan automaattisesti
LoRA-jatkokoulutus
Kouluta valikoituja kuva- ja videomalleja yksityisillä aineistoilla ja lataa sitten tuloksena olevat painot.
- Flux Dev, Qwen Image, Wan 2.2 Image, and Wan 2.2 I2V trainers
- Trigger word, steps, learning rate, and LoRA rank controls
- Progress, cancel, refund, webhook reconciliation, and R2 output storage
- Flux Dev-, Qwen Image-, Wan 2.2 Image- ja Wan 2.2 I2V -kouluttimet
- Ohussanan, askelten, oppimisnopeuden ja LoRA-rankin hallinta
- Edistyminen, peruutus, hyvitys, webhook-sovitus ja R2-tulosvarastointi
Monisolmuisen esikoulutuksen klusteri
Suunnittele ja pyydä hajautettua koulutuskapasiteettia Mercury-topologialla ja runtime-vihjeillä.
- Quote GPU count, network, orchestrator, region, and storage
- Inspect topology, scheduler, NCCL, and runtime hints
- Not marketed as one-click physical multi-node launch yet
- Arvioi GPU-määrä, verkko, orkestroija, alue ja tallennus
- Tarkastele topologiaa, ajoitinta, NCCL:ää ja runtime-vihjeitä
- Ei vielä markkinoida yhden napsautuksen fyysisenä monisolmuisena käynnistyksenä
Yhden solmun esikoulutus ja LoRA-jälkikoulutus ovat yhden klikkauksen toimintoja. Monisolmuinen esikoulutus pysyy kapasiteettityönkulussa, kunnes fyysinen klusterin provisiointi on kytketty päästä päähän.
Valikoidut LoRA-kouluttimet
Flux Dev (LoRA)
Fotorealistiset hahmot, tuotteet, tyylit
Yleiskäyttöinen valinta. Kouluta kasvot, tuote tai visuaalinen tyyli ja käytä painoja missä tahansa, missä Flux toimii.
Qwen Image (LoRA)
Tarkat kuvitus- ja hahmo-LoRAt
Vahva tyylitellyssä kuvituksessa ja itäaasialaisten hahmojen samankaltaisuudessa. Käytä samaa pakatun aineiston työnkulkua kuin Fluxilla.
Wan 2.2 Image (LoRA)
Tyylitellyt korkearesoluutioiset kuva-LoRAt
Korkearesoluutioinen kuva-LoRA Wan 2.2 -pohjan päällä. Palauttaa sekä korkean että matalan kohinan painot kehittyneisiin työnkulkuihin.
Wan 2.2 I2V (LoRA)
Kuvan videoon liikkeen hallinta
Kouluta lyhyillä videoleikkeillä liikkeen, kameran tai hahmoanimaation lukitsemiseksi. Lippulaiva räätälöityyn videoon.
Krediitit pidätetään, kun aloitat, ja hyvitetään takaisin lähetyksen epäonnistuessa, upstream-virheessä tai peruutuksessa ennen toimitusta.
Täydellinen koulutustyönkulku
Esikoulutus ja jatkoesikoulutus
Pick GPU runtime
Choose GPU type, count, Docker image, disk, volume size, framework, precision, and sequence length.
Attach data
Use an owned storage dataset or attach it later. Dataset URLs are signed for the pod at launch.
Deploy pod
The first hour is held up front, the pod is recorded locally, and normal pod lifecycle controls take over.
Train and checkpoint
Use SSH, TensorBoard, API, or notebook access, then write checkpoints under HYPEREAL_OUTPUT_DIR.
Valitse GPU-ajoympäristö
Valitse GPU-tyyppi, määrä, Docker-image, levy, volyymin koko, framework, tarkkuus ja sekvenssipituus.
Liitä data
Käytä omistamaasi tallennusaineistoa tai liitä se myöhemmin. Aineiston URL-osoitteet allekirjoitetaan podia varten käynnistyksessä.
Ota pod käyttöön
Ensimmäinen tunti pidätetään etukäteen, podi kirjataan paikallisesti, ja tavalliset podin elinkaaren hallintatoiminnot astuvat voimaan.
Kouluta ja tee checkpoint
Käytä SSH:ta, TensorBoardia, API:a tai notebook-käyttöä, ja kirjoita sitten checkpointit hakemistoon HYPEREAL_OUTPUT_DIR.
LoRA-jatkokoulutus
Upload dataset
Upload a zip of images or short clips to Storage and mark it as kind=dataset.
Choose trainer
Pick Flux, Qwen Image, Wan 2.2 Image, or Wan 2.2 I2V and set optional LoRA hyperparameters.
Start and monitor
Hypereal holds credits, submits the run, tracks progress, and lets you cancel before delivery.
Download weights
Completed runs copy outputs into private R2 storage and expose downloadable .safetensors weights.
Lataa aineisto
Lataa zip-kuvapaketti tai lyhyitä klippejä Storageen ja merkitse se kind=datasetiksi.
Valitse kouluttaja
Valitse Flux, Qwen Image, Wan 2.2 Image tai Wan 2.2 I2V ja aseta halutessasi LoRA-hyperparametrit.
Aloita ja seuraa
Hypereal pidättää krediitit, lähettää ajon, seuraa etenemistä ja antaa sinun peruuttaa ennen toimitusta.
Lataa painot
Valmiit ajot kopioivat tulokset yksityiseen R2-tallennukseen ja tarjoavat ladattavat .safetensors-painot.
Mitä tiimit ottavat käyttöön
Continued LLM pretraining
Spin up a reproducible PyTorch, DeepSpeed, or Nanotron pod for domain data, tokenizer experiments, or checkpoint continuation.
Character and product LoRAs
Train consistent people, mascots, products, packaging, and house styles without rebuilding prompts from scratch.
Custom video motion
Train short-clip LoRAs for repeatable camera moves, character animation, or branded motion assets.
LLM:n jatkoesikoulutus
Käynnistä toistettavasti PyTorch-, DeepSpeed- tai Nanotron-podi toimialadatalle, tokenizer-kokeille tai checkpointin jatkamiselle.
Hahmo- ja tuotekohtaiset LoRAt
Kouluta yhtenäisiä ihmisiä, maskotteja, tuotteita, pakkauksia ja brändityylejä ilman että promptit rakennetaan uudelleen alusta.
Mukautettu videoliike
Kouluta lyhyen klipin LoRAt toistettaviin kameraliikkeisiin, hahmoanimaatioon tai brändättyihin liikemateriaaleihin.