Izvietojiet iepriekšapmācības podus un trenējiet LoRA uz saviem datiem
Palaidiet īstu viena mezgla GPU podu turpinātai iepriekšapmācībai vai izmantojiet pārvaldītu LoRA pēcapmācību Flux, Qwen Image un Wan 2.2. Dati, norēķini, progress, atcelšana un rezultāti paliek Hypereal vidē.
Sāciet šeit, ja esat iesācējs
Jums nav jāizprot visi GPU iestatījumi uzreiz. Izvēlieties mērķim atbilstošo ceļu, sagatavojiet vienu datu kopu un ļaujiet apmācības konsolei vadīt palaišanu.
Parasti LoRA izmanto, ja nepieciešams neliels, atkārtoti lietojams stila, tēla, produkta vai kustības adapters. Iepriekšapmācības podus izmanto, ja nepieciešama pilnīga kontrole pār kodu, kontrolpunktiem un izpildlaiku.
- 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 - 06Lēmums
Izvēlieties vēlamo rezultātu
Izvēlieties LoRA pēcapmācību, ja vēlaties lejupielādējamos .safetensors svarus. Izvēlieties iepriekšapmācības podu, ja vēlaties palaist savu apmācības kodu uz GPU mašīnas.
Izvēlieties LoRA vai iepriekšapmācību - 07/infra/storage
Sagatavojiet vienu datu kopu
LoRA gadījumā augšupielādējiet attēlu vai īsu klipu zip failu Storage un atzīmējiet to kā kind=dataset. Iepriekšapmācībai varat datu kopu pievienot tagad vai pievienot datus pēc poda palaišanas.
Augšupielādēt Storage - 08Vadības panelis
Atveriet apmācības konsoli
Dodieties uz Infrastructure -> Training. Augšējā forma palaiž iepriekšapmācības podu; LoRA forma sāk pārvaldītu fine-tune un pirms palaišanas parāda jūsu kredītu rezervāciju.
Atvērt /infra/training - 09Viens klikšķis
Palaidiet un sekojiet progresam
Noklikšķiniet uz Deploy pretraining pod vai Start training. Iepriekšapmācība jūs pāradresēs uz poda lapu. LoRA darbi parādās Runs sarakstā ar progresu, atcelšanu, atmaksu un rezultāta statusu.
Sākt darbu - 10Pabeigt
Pabeidziet darbu droši
Lejupielādējiet LoRA svarus, kad darbs ir pabeigts. Iepriekšapmācības podiem saglabājiet kontrolpunktus un, kad esat pabeidzis, apturiet vai izdzēsiet podu, lai stundas norēķini tiktu pārtraukti.
Lejupielādēt vai apturēt
Kas šobrīd ir pieejams
Iepriekšapmācības pods
Izvietojiet īpašu GPU podu LLM, multimodālai vai turpinātai iepriekšapmācībai ar savu izpildlaika attēlu un datu kopu.
- 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
- Savs Docker attēls, GPU tips, GPU skaits, disks un sējuma lielums
- Papildu paša datu kopa, kas 24 stundas parakstīta ar HYPEREAL_DATASET_URL
- SSH, TensorBoard, API un notebook porti tiek atvērti automātiski
LoRA pēcapmācība
Apmāciet atlasītus attēlu un video LoRA modeļus uz privātām datu kopām, pēc tam lejupielādējiet iegūtos svarus.
- 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 un Wan 2.2 I2V trenažieri
- Trigera vārda, soļu, mācīšanās ātruma un LoRA ranga vadīklas
- Progress, atcelšana, atmaksa, webhook saskaņošana un R2 izvades glabāšana
Vairāku mezglu priekšapmācības klasteris
Plānojiet un pieprasiet sadalītas apmācības jaudu ar Mercury topoloģiju un izpildlaika norādēm.
- 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
- Norādiet GPU skaitu, tīklu, orķestratoru, reģionu un glabātuvi
- Pārbaudiet topoloģiju, plānotāju, NCCL un izpildlaika norādes
- Pagaidām netiek reklamēta kā fiziska vairāku mezglu palaišana ar vienu klikšķi
Viena mezgla iepriekšapmācība un LoRA pēcapmācība ir pieejama ar vienu klikšķi. Daudzmezglu iepriekšapmācība paliek jaudas darbplūsma, līdz fiziskā klastera nodrošināšana tiks ieviesta no sākuma līdz beigām.
Atlasīti LoRA trenažieri
Flux Dev (LoRA)
Fotoreālistiski tēli, produkti, stili
Universāla izvēle. Apmāciet seju, produktu vai vizuālu stilu un izmantojiet svarus jebkur, kur darbojas Flux.
Qwen Image (LoRA)
Augstas precizitātes ilustrāciju un tēlu LoRA
Spēcīgs stilizētu ilustrāciju un Austrumāzijas tēlu līdzības jomā. Izmantojiet to pašu zip datu kopas plūsmu kā Flux.
Wan 2.2 Image (LoRA)
Stilizētas augstas izšķirtspējas attēlu LoRA
Augstas izšķirtspējas attēlu LoRA uz Wan 2.2 bāzes. Atgriež dubultus augstas un zemas trokšņainības svarus progresīvām darbplūsmām.
Wan 2.2 I2V (LoRA)
Attēla-uz-video kustības kontrole
Apmāciet uz īsiem video fragmentiem, lai nostiprinātu kustību, kameru vai tēlu animāciju. Flagmanis pielāgotam video.
Kredīti tiek aizturēti, kad sākat, un atdoti atpakaļ, ja iesniegšana neizdodas, augšupējais process neizdodas vai tiek atcelts pirms piegādes.
Pilna apmācības darbplūsma
Priekšapmācība un turpinātā priekšapmācība
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.
Izvēlieties GPU izpildlaiku
Izvēlieties GPU tipu, skaitu, Docker attēlu, disku, sējuma lielumu, ietvaru, precizitāti un secības garumu.
Pievienojiet datus
Izmantojiet īpašumā esošas glabātuves datu kopu vai pievienojiet to vēlāk. Datu kopas URL tiek parakstīti podam palaišanas brīdī.
Ieviest podu
Pirmā stunda tiek aizturēta iepriekš, pods tiek reģistrēts lokāli, un tālāk darbojas parastās poda dzīves cikla vadīklas.
Apmāciet un saglabājiet kontrolpunktus
Izmantojiet SSH, TensorBoard, API vai notebook piekļuvi, pēc tam rakstiet kontrolpunktus sadaļā HYPEREAL_OUTPUT_DIR.
LoRA pēcapmācība
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.
Augšupielādējiet datu kopu
Augšupielādējiet attēlu vai īsu klipu zip failu Storage un atzīmējiet to kā kind=dataset.
Izvēlieties trenažieri
Izvēlieties Flux, Qwen Image, Wan 2.2 Image vai Wan 2.2 I2V un iestatiet izvēles LoRA hiperparametrus.
Sāciet un uzraugiet
Hypereal aiztur kredītus, iesniedz izpildījumu, seko progresam un ļauj atcelt pirms piegādes.
Lejupielādējiet svarus
Pabeigti izpildījumi kopē izvades privātā R2 glabātuvē un nodrošina lejupielādējamus .safetensors svarus.
Ko izvieto komandas
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.
Turpināta LLM priekšapmācība
Palaižiet reproducējamu PyTorch, DeepSpeed vai Nanotron podu domēna datiem, tokenizer eksperimentiem vai kontrolpunkta turpināšanai.
Tēlu un produktu LoRA
Apmāciet konsekventas personas, talismanus, produktus, iepakojumu un zīmola stilu bez uzvedņu pārbūves no nulles.
Pielāgota video kustība
Apmāciet īsu klipu LoRA atkārtojamiem kameras kustību, tēlu animācijas vai zīmola kustību aktīviem.