Implementirajte podove za pretreniranje i trenirajte LoRA modele na vlastitim podacima
Pokrenite pravi jednodijelni GPU pod za kontinuirano pretreniranje ili koristite upravljano LoRA naknadno treniranje za Flux, Qwen Image i Wan 2.2. Skupovi podataka, naplata, napredak, otkazivanje i izlazi ostaju unutar Hypereala.
Ovdje počnite ako ste novi
Ne morate odmah razumjeti svaku GPU postavku. Odaberite put koji odgovara vašem cilju, pripremite jedan skup podataka, a zatim prepustite konzoli za treniranje da vas vodi kroz pokretanje.
Opće pravilo: koristite LoRA kada želite mali, ponovno upotrebljiv adapter za stil, lik, proizvod ili pokret. Koristite podove za pretreniranje kada trebate potpunu kontrolu nad kodom, checkpointovima i runtimeom.
- 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 - 06Odluka
Odaberite rezultat koji želite
Odaberite LoRA naknadno treniranje ako želite preuzeti .safetensors težine. Odaberite pod za pretreniranje ako trebate pokrenuti vlastiti trening kod na GPU stroju.
Odaberite LoRA ili pretreniranje - 07/infra/storage
Pripremite jedan skup podataka
Za LoRA, učitajte zip sa slikama ili kratkim isječcima u Storage i označite ga kao kind=dataset. Za pretreniranje, skup podataka možete priložiti sada ili unijeti podatke nakon što se pod pokrene.
Učitaj u Storage - 08Nadzorna ploča
Otvorite konzolu za treniranje
Idite na Infrastruktura -> Treniranje. Gornji obrazac pokreće pod za pretreniranje; LoRA obrazac pokreće upravljani fine-tune i prikazuje zadržavanje kredita prije pokretanja.
Otvori /infra/training - 09Jedan klik
Pokrenite i pratite napredak
Kliknite Implementiraj pod za pretreniranje ili Pokreni treniranje. Pretreniranje vas preusmjerava na stranicu poda. LoRA izvršavanja pojavljuju se na popisu Runova s napretkom, otkazivanjem, povratom novca i statusom izlaza.
Pokreni izvršavanje - 10Završi
Sigurno dovršite izvršavanje
Preuzmite LoRA težine kada se izvršavanje dovrši. Za podove za pretreniranje spremite checkpointove i zaustavite ili prekinite pod kada završite kako bi se satna naplata zaustavila.
Preuzmi ili zaustavi
Što je danas dostupno
Pod za pretreniranje
Implementirajte namjenski GPU pod za LLM, multimodalno ili kontinuirano pretreniranje s vašom runtime slikom i skupom podataka.
- 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
- Vlastita Docker slika, vrsta GPU-a, broj GPU-ova, disk i veličina volumena
- Opcionalni vlastiti skup podataka potpisan u HYPEREAL_DATASET_URL na 24 sata
- SSH, TensorBoard, API i notebook portovi otvoreni automatski
LoRA naknadno treniranje
Trenirajte odabrane LoRA modele za slike i video nad privatnim skupovima podataka, a zatim preuzmite dobivene težine.
- 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
- Treneri za Flux Dev, Qwen Image, Wan 2.2 Image i Wan 2.2 I2V
- Kontrole za trigger riječ, korake, stopu učenja i LoRA rank
- Napredak, otkazivanje, povrat novca, usklađivanje webhookova i R2 pohrana izlaza
Pretraining klaster s više čvorova
Planirajte i zatražite distribuirani kapacitet za treniranje uz Mercury topologiju i runtime napomene.
- 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
- Ponuda za broj GPU-ova, mrežu, orkestrator, regiju i pohranu
- Pregled topologije, planera, NCCL-a i runtime napomena
- Još nije promovirano kao fizičko pokretanje više čvorova jednim klikom
Jednodijelno pretreniranje i LoRA naknadno treniranje dostupni su jednim klikom. Višedijelno pretreniranje ostaje proces vezan uz kapacitet dok fizičko dodjeljivanje klastera ne bude implementirano od početka do kraja.
Odabrani LoRA treneri
Flux Dev (LoRA)
Fotorealistični likovi, proizvodi, stilovi
Univerzalni izbor. Trenirajte lice, proizvod ili vizualni stil i koristite težine gdje god radi Flux.
Qwen Image (LoRA)
Visokovjerodostojne ilustracije i LoRA modeli za likove
Vrlo dobar za stilizirane ilustracije i nalik istočnoazijskim likovima. Koristi isti tok rada s komprimiranim skupom podataka kao Flux.
Wan 2.2 Image (LoRA)
Stilizirani LoRA modeli za slike visoke rezolucije
LoRA za slike visoke rezolucije na osnovi Wan 2.2. Vraća dvostruke težine za visoku i nisku razinu šuma za napredne tijekove rada.
Wan 2.2 I2V (LoRA)
Kontrola pokreta od slike do videa
Trenirajte na kratkim video isječcima kako biste učvrstili pokret, kameru ili animaciju lika. Vodeći izbor za prilagođeni video.
Krediti se zadržavaju kada započnete i vraćaju se pri neuspjehu slanja, neuspjehu upstreama ili otkazivanju prije isporuke.
Potpuni tijek rada treniranja
Pretraining i kontinuirani pretraining
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.
Odaberite GPU runtime
Odaberite tip GPU-a, broj, Docker sliku, disk, veličinu volumena, framework, preciznost i duljinu sekvence.
Priložite podatke
Upotrijebite skup podataka u vlastitoj pohrani ili ga priložite kasnije. URL-ovi skupa podataka potpisuju se za pod pri pokretanju.
Implementirajte pod
Prvi sat se zadržava unaprijed, pod se lokalno evidentira i preuzima se standardna kontrola životnog ciklusa poda.
Trenirajte i spremajte kontrolne točke
Koristite SSH, TensorBoard, API ili pristup bilježnici, a zatim zapisujte kontrolne točke u HYPEREAL_OUTPUT_DIR.
LoRA naknadno treniranje
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.
Prenesite skup podataka
Prenesite zip sa slikama ili kratkim isječcima u Storage i označite ga kao kind=dataset.
Odaberite trenera
Odaberite Flux, Qwen Image, Wan 2.2 Image ili Wan 2.2 I2V i postavite opcionalne LoRA hiperparametre.
Pokrenite i nadzirite
Hypereal zadržava kredite, šalje pokretanje, prati napredak i omogućuje vam otkazivanje prije isporuke.
Preuzmite težine
Dovršena pokretanja kopiraju izlaze u privatnu R2 pohranu i omogućuju preuzimanje .safetensors težina.
Što timovi implementiraju
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.
Kontinuirani LLM pretraining
Pokrenite reproducibilan PyTorch, DeepSpeed ili Nanotron pod za domenske podatke, eksperimente s tokenizerom ili nastavak kontrolne točke.
LoRA modeli za likove i proizvode
Trenirajte dosljedne osobe, maskote, proizvode, pakiranja i kućne stilove bez ponovnog sastavljanja promptova od nule.
Prilagođeni video pokret
Trenirajte LoRA modele za kratke isječke za ponovljive pokrete kamere, animaciju likova ili branded motion materijale.