> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/models/hi/train/train-a-model.md).

# एक मॉडल प्रशिक्षित करें

Roboflow डैशबोर्ड में अत्याधुनिक तकनीक का उपयोग करके एक मॉडल ट्रेन करें।

## परिचय

आप Roboflow इंटरफ़ेस में कंप्यूटर विज़न मॉडल ट्रेन कर सकते हैं।

Roboflow ट्रेनिंग के दो विकल्प देता है:

* Roboflow Custom Train: हमारी प्रमुख ट्रेनिंग सेवा, प्रोडक्शन के लिए तैयार मॉडल बनाने हेतु आदर्श।
* [न्यूरल आर्किटेक्चर सर्च](https://docs.roboflow.com/models/hi/train/neural-architecture-search.md): नए मॉडल आर्किटेक्चर खोजें और साथ ही उन्हें फ़ाइन-ट्यून करें।

साथ ही, जब आप इमेज एनोटेशन के अपने पहले बैच को मंज़ूरी देते हैं, तो एक **Roboflow इंस्टेंट मॉडल** अपने आप ट्रेन हो जाता है। इन मॉडल का इस्तेमाल ऑटो-लेबलिंग या डिप्लॉयमेंट के लिए तुरंत किया जा सकता है।

Roboflow पर ट्रेन किए गए मॉडल को Inference—हमारे डिवाइस पर चलने वाले इन्फ़रेंस सर्वर—के साथ डिप्लॉय किया जा सकता है, या Workflows वाले Serverless Cloud API, Workflows के साथ Batch Processing, अथवा आपके मॉडल API एंडपॉइंट का इस्तेमाल करके क्लाउड में डिप्लॉय किया जा सकता है।

{% hint style="info" %}
Roboflow पर ट्रेन किए गए मॉडल के लाइसेंस के बारे में अधिक जानने के लिए हमारी [लाइसेंसिंग गाइड](https://roboflow.com/licensing) पढ़ें। हर आर्किटेक्चर के लाइसेंस और Roboflow पर डिप्लॉय करने में क्या शामिल है, यह जानने के लिए देखें [मॉडल लाइसेंस](https://docs.roboflow.com/models/hi/model-licenses.md) ।
{% endhint %}

### मॉडल आर्किटेक्चर

आप कौन-से आर्किटेक्चर ट्रेन कर सकते हैं, यह आपके प्रोजेक्ट के प्रकार पर निर्भर करता है। देखें [समर्थित मॉडल की तालिका](https://docs.roboflow.com/models/hi/supported-models.md).

* ऑब्जेक्ट डिटेक्शन: RF-DETR सबसे बेहतर सटीकता देता है।
* इंस्टेंस सेगमेंटेशन: RF-DETR Seg (Preview) सबसे बेहतर सटीकता देता है।
* कीपॉइंट डिटेक्शन: "Roboflow RF-DETR Pose" पहले हर ऑब्जेक्ट को खोजता है, फिर उसके कीपॉइंट का अनुमान लगाता है। आप हर चरण के लिए आकार चुनते हैं।
* सेमांटिक सेगमेंटेशन: RF-DETR, Nano से लेकर 2XL तक उपलब्ध है।

मॉडल के आकार आर्किटेक्चर के अनुसार अलग-अलग होते हैं (उदाहरण: RF-DETR में Nano, Small, Medium, Large, XL और 2XL उपलब्ध हैं)। Core, जिसमें Free Tier भी शामिल है, बड़े मॉडल आकारों को सपोर्ट करता है। [SAM3](https://docs.roboflow.com/models/hi/supported-models/sam3.md) मॉडल को ट्रेन करना Core पर उपलब्ध है, जहाँ [क्रेडिट-आधारित बिलिंग](https://docs.roboflow.com/platform/billing-and-plans#credits).

लागू होती है। RF-DETR Apache 2.0 लाइसेंस के तहत जारी किया गया है, इसलिए आप इसे बंद-स्रोत वाले व्यावसायिक उत्पादों में—स्वयं होस्ट किए गए डिप्लॉयमेंट समेत—लाइसेंस शुल्क दिए बिना या अपना कोड ओपन-सोर्स किए बिना शामिल कर सकते हैं। RF-DETR XL और 2XL डिटेक्शन, RF-DETR सेमांटिक सेगमेंटेशन और RF-DETR Pose कीपॉइंट मॉडल Roboflow Platform Model License (PML 1.0) का इस्तेमाल करते हैं: Roboflow पर डिप्लॉय करने पर व्यावसायिक उपयोग शामिल है, जबकि व्यावसायिक स्व-होस्टिंग के लिए Enterprise ऐड-ऑन ज़रूरी है। YOLO आर्किटेक्चर (उदाहरण: YOLO11, YOLO26) AGPL-3.0 के तहत हैं: Roboflow पर इन्हें डिप्लॉय करने पर हर उपयोगकर्ता के लिए व्यावसायिक लाइसेंस शामिल होता है, जबकि व्यावसायिक स्व-होस्टिंग के लिए Enterprise ऐड-ऑन ज़रूरी है। देखें [मॉडल लाइसेंस](https://docs.roboflow.com/models/hi/model-licenses.md).

[न्यूरल आर्किटेक्चर सर्च](https://docs.roboflow.com/models/hi/train/neural-architecture-search.md) (NAS), ऑब्जेक्ट डिटेक्शन, इंस्टेंस सेगमेंटेशन और सेमांटिक सेगमेंटेशन के लिए किसी एक आर्किटेक्चर के बजाय उपलब्ध है। यह कई मॉडल कॉन्फ़िगरेशन को ट्रेन और मूल्यांकित करता है, फिर आपकी सटीकता और लेटेंसी की ज़रूरतों के अनुसार सबसे उपयुक्त विकल्प सुझाता है। NAS के लिए कम से कम 15 वैलिडेशन इमेज ज़रूरी हैं। देखें [NAS ट्रेनिंग चार्ट](https://docs.roboflow.com/models/hi/evaluate/training-results.md#nas-training-charts).

### चेकपॉइंट

चेकपॉइंट से ट्रेनिंग करने पर [ट्रांसफ़र लर्निंग](https://blog.roboflow.com/what-is-transfer-learning/): मॉडल की शुरुआत आपके चुने हुए मॉडल के वेट्स से होती है, जिससे ट्रेनिंग का समय कम हो सकता है और स्कोर बेहतर हो सकते हैं। ऑब्जेक्ट डिटेक्शन के लिए तीन विकल्प हैं:

* पिछला चेकपॉइंट: अपने मॉडल के पुराने संस्करण से शुरुआत करें (ऑब्जेक्ट डिटेक्शन, इंस्टेंस सेगमेंटेशन और कीपॉइंट डिटेक्शन)। ट्रेनिंग तेज़ होती है। इसका इस्तेमाल तभी करें, जब वह मॉडल पहले से अच्छा प्रदर्शन कर रहा हो।
* पब्लिक चेकपॉइंट: डिफ़ॉल्ट विकल्प, जिसे Microsoft COCO पर ट्रेन किया गया है। इसे अपना पहला मॉडल बनाने के लिए या तब इस्तेमाल करें, जब पिछली ट्रेनिंग से अपेक्षित नतीजे न मिले हों। Universe प्रोजेक्ट से भी ट्रेनिंग की जा सकती है (केवल ऑब्जेक्ट डिटेक्शन), जब आप उसे [Universe में स्टार कर दें](https://blog.roboflow.com/launch-universe-model-checkpoint/).
* रैंडम इनिशियलाइज़ेशन: बिना ट्रांसफ़र लर्निंग के, रैंडम वेट्स से शुरुआत करें। यह उन्नत उपयोगकर्ताओं के लिए है; ज़्यादातर उपयोगकर्ताओं को इससे खराब नतीजे मिलते हैं।

क्लासिफ़िकेशन और सेमांटिक सेगमेंटेशन के लिए एक ही चेकपॉइंट है, जिसे ImageNet पर ट्रेन किया गया है।

### क्रेडिट सीमा तय करें

आप यह सीमित कर सकते हैं कि एक ट्रेनिंग रन में कितने क्रेडिट खर्च हों। सीमा तय करने के लिए ऐसा प्लान ज़रूरी है जिसमें [उपयोग-आधारित बिलिंग](https://docs.roboflow.com/platform/billing-and-plans#credits)हो। बिना सीमा के चलाने के लिए सीमा वाला फ़ील्ड खाली छोड़ दें।

रन के सीमा तक पहुँचने पर Roboflow उसे रोक देता है और मॉडल के वेट्स बनाए रखता है—ठीक वैसे ही जैसे [ट्रेनिंग को समय से पहले रोकने](https://docs.roboflow.com/models/hi/train/cancel-a-training-job.md)पर होता है। जॉब चलते समय ट्रेनिंग में दिखता है कि तय सीमा के कितने क्रेडिट इस्तेमाल हो चुके हैं।

हर मॉडल की न्यूनतम क्रेडिट सीमा होती है: सबसे कम अवधि वाले रन की लागत, जिससे फिर भी मॉडल तैयार हो सकता है। इससे कम सीमा स्वीकार नहीं की जाएगी। अनुमानित लागत से कम सीमा तय की जा सकती है, लेकिन संभव है कि रन पूरा होने से पहले ही रुक जाए।

[न्यूरल आर्किटेक्चर सर्च](https://docs.roboflow.com/models/hi/train/neural-architecture-search.md) ट्रेनिंग और आर्किटेक्चर सर्च के लिए अलग-अलग बिलिंग करता है, इसलिए इसकी दो सीमाएँ होती हैं। एक सीमा तय करने पर दूसरा चरण बिना सीमा के चलता है।

अगर क्रेडिट सीमा पूरी होने से पहले ही कोई रन रुक जाता है, तो आप उसे जारी रख सकते हैं। नया रन सीमा के भीतर बचे हुए क्रेडिट खर्च कर सकता है। अगर बचे हुए क्रेडिट मॉडल की न्यूनतम आवश्यकता से कम हों, तो इसके बजाय नया प्रशिक्षण शुरू करें।

### अवधि और लागत

प्रशिक्षण का मूल्य ट्रेन जॉब की अवधि के आधार पर तय होता है। देखें [क्रेडिट पेज](https://www.roboflow.com/credits)। विद्यार्थी और शोधकर्ता [अतिरिक्त क्रेडिट के लिए आवेदन कर सकते हैं](https://roboflow.com/contribute).

बड़े डेटासेट और बड़ी इमेज को प्रशिक्षित करने में अधिक समय लगता है। प्रशिक्षण पूरा होने पर आपको ईमेल मिलेगा; अधिकांश मामलों में यह 24 घंटे के भीतर पूरा हो जाता है।

इनके साथ प्रशिक्षित Action Recognition संस्करणों [Cosmos 3 Edge](https://docs.roboflow.com/models/hi/supported-models/cosmos-3-edge.md) का अनुमान इमेज के बजाय वीडियो के आधार पर लगाया जाता है। अनुमान में संस्करण के वीडियो, हर वीडियो की अवधि और रन की वीडियो सैंपलिंग सेटिंग शामिल होती हैं, इसलिए इन सेटिंग को बदलने से अनुमान भी बदलता है। अगर संस्करण में वीडियो का विवरण उपलब्ध नहीं है, तो अनुमान नहीं दिया जाता। V-JEPA 2.1 प्रशिक्षणों के लिए कोई अनुमान नहीं दिखाया जाता।

### एक संस्करण पर कई मॉडल प्रशिक्षित करें

एक ही डेटासेट संस्करण पर एक से अधिक मॉडल प्रशिक्षित करके, समान डेटा के आधार पर अलग-अलग आर्किटेक्चर या आकारों की तुलना की जा सकती है। हर प्रशिक्षण स्वतंत्र रूप से चलता है और उसका मूल्यांकन किया जाता है। संस्करण पेज पर सभी प्रशिक्षण सूचीबद्ध होते हैं, ताकि आप उनके बीच स्विच कर सकें।

### Agent से प्रशिक्षण शुरू करें

आप प्रशिक्षण शुरू कर सकते हैं [Roboflow Agent](https://docs.roboflow.com/agents/roboflow-agent)से: प्रोजेक्ट टैब खोलें और "Train" पर क्लिक करें, या चैट में अनुरोध करें। आपके पास Train Model और List Versions अनुमतियाँ होनी चाहिए।

चैट अनुरोध पर प्रशिक्षण शुरू करने से पहले, Agent उस खास सेटअप के लिए अनुमानित अवधि और क्रेडिट लागत दिखाता है: सामान्य लागत, क्योंकि प्रशिक्षण अक्सर जल्दी रुक जाता है, और सभी epochs पर पूरा रन करने की लागत। आपकी पुष्टि के बिना कुछ भी शुरू नहीं होता। अगर रन शुरू होने से पहले पूरे रन का अनुमान बदलता है, तो Agent नए आँकड़े की पुष्टि माँगता है। कुछ मॉडल (जैसे PatchCore, FoundAD) के लिए शुरू करने से पहले अनुमान उपलब्ध नहीं होता। इनके लिए Agent बताता है कि लागत अज्ञात है और शुरू करने से पहले आपकी पुष्टि माँगता है। अगर संस्करण अभी निर्यात नहीं किया गया है, तो Agent पहले उसे निर्यात करता है और निर्यात तैयार होने पर प्रशिक्षण शुरू होता है। अगर प्रोजेक्ट में कोई संस्करण नहीं है, तो आप इसी स्क्रीन से एक बना सकते हैं।

संस्करण बनाने या प्रशिक्षण शुरू करने से पहले, Agent train, valid और test splits की जाँच करता है। अगर इमेज गलत splits में हैं, तो Agent पूछता है कि क्या आप उन्हें फिर से संतुलित करना चाहते हैं और नई संख्याएँ दिखाता है। वह उन्हें तभी संतुलित करता है जब आप हाँ कहते हैं। अगर आप नहीं कहते, तो प्रशिक्षण शुरू नहीं होता।

मॉडलों की तुलना करने के लिए Agent से एक डेटासेट संस्करण पर कई मॉडल प्रशिक्षित करने को कहें। हर रन के लिए इनपुट आकार, प्रीप्रोसेसिंग, ऑगमेंटेशन और हाइपरपैरामीटर सेट करें या मॉडल की डिफ़ॉल्ट सेटिंग बनाए रखें। जब केवल मॉडल या सेटिंग बदलती है, तो Agent उसी संस्करण का फिर से उपयोग करता है; डेटा बदलने पर नया संस्करण बनाता है। वह सभी अनुमान एक साथ दिखाता है और एक बार पूछता है कि रन एक ही समय पर प्रशिक्षित हों या एक के बाद एक।

## वेब ऐप

प्रोजेक्ट नेविगेशन में "Train" खोलें और "Custom Training" पर क्लिक करें।

<figure><img src="https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-2d1f17a9d0b43e75da368beb4042aae04ffb3c74%2Fimage%20(469).png?alt=media" alt=""><figcaption></figcaption></figure>

<figure><img src="https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-1be2ba90f2fff0ea791352cb97bf033c4215651e%2Fimage%20(470).png?alt=media" alt=""><figcaption></figcaption></figure>

1. प्रशिक्षण इंजन चुनें: एक आर्किटेक्चर या NAS।
2. आर्किटेक्चर और उसका आकार चुनें। सूची में केवल वही आर्किटेक्चर दिखते हैं जिन्हें आपका प्रोजेक्ट प्रकार सपोर्ट करता है। आपके Workspace को पहुँच मिलने तक SAM3 के लिए "Request Feature" बटन दिखता है।
3. अपना डेटा चुनें। पहले से कोई संस्करण होना ज़रूरी नहीं है: "Current Dataset" आपकी सबसे नई इमेज और एनोटेशन का उपयोग करता है, और प्रशिक्षण शुरू होने पर Roboflow कार्ड पर दिए गए नाम और splits के साथ संस्करण बनाता है। सेव किया गया संस्करण उसमें फ़्रीज़ किए गए डेटा का उपयोग करता है।
4. वैकल्पिक रूप से "Customize Training Recipe" में बदलाव करें। इसमें "Training Preprocessing", "Online Augmentations", "Checkpoint", "Hyperparameters" और NAS के लिए "Latency Band" शामिल हैं।
5. वैकल्पिक रूप से "Credit Cap" डालें (NAS के लिए "Training Credit Cap" और "Search Credit Cap")। इनपुट के नीचे मॉडल की न्यूनतम आवश्यकता दिखाई जाती है। देखें [क्रेडिट सीमा तय करें](#set-a-credit-cap).
6. प्रशिक्षण सारांश में अनुमानित अवधि और क्रेडिट लागत देखें, फिर "Start Training" पर क्लिक करें।

<figure><img src="https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-08cf55061739c4354386d454051aaa68ffbf5b02%2Fimage%20(472).png?alt=media" alt=""><figcaption></figcaption></figure>

<figure><img src="https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-18d9396cb8b4f7bf0e73319da14e3cb287251177%2FScreenshot%202025-05-14%20at%2014.12.53.png?alt=media" alt=""><figcaption></figcaption></figure>

किसी सेव किए गए संस्करण की सेटिंग से शुरुआत करने के लिए, उसके कार्ड पर "Reuse Preprocessing and Augmentations" पर क्लिक करें (या baked training के लिए "Copy Preprocessing and Augmentations to Current Dataset" पर)। इससे उसकी प्रीप्रोसेसिंग, ऑगमेंटेशन, क्लास रीमैपिंग और टैग फ़िल्टर "Current Dataset" में कॉपी हो जाते हैं, जहाँ आप उनमें बदलाव कर सकते हैं।

सेव किए गए संस्करण के साथ, recipe में प्रीप्रोसेसिंग और ऑगमेंटेशन की पंक्तियाँ लॉक रहती हैं, क्योंकि संस्करण बनाते समय वे लागू की गई थीं। अन्यथा, "Training Preprocessing" और "Online Augmentations" केवल उसी रन पर लागू होते हैं और संस्करण में कोई बदलाव नहीं करते। मॉडल द्वारा उपयोग की गई सेटिंग देखने के लिए, संस्करण पेज पर उसे चुनें और उसका "Training Recipe" कार्ड खोलें।

YOLO और RF-DETR ऑब्जेक्ट डिटेक्शन और इंस्टेंस सेगमेंटेशन मॉडल के लिए, "Online Augmentations" चुने गए मॉडल के लिए सुझाए गए चरणों के सेट से शुरू होता है। इसमें बदलाव करने के बाद, वापस सुझाई गई सेटिंग पर जाने के लिए "Reset to Recommended" पर क्लिक करें। ऑब्जेक्ट डिटेक्शन और इंस्टेंस सेगमेंटेशन में "Affine" चरण भी उपलब्ध है (यादृच्छिक ज़ूम, शिफ्ट, रोटेशन, शीयर और पर्सपेक्टिव)। ऑब्जेक्ट डिटेक्शन में "Mosaic" के लिए "Expanded canvas" विकल्प भी है, जो चार इमेज को प्रशिक्षण आकार से दोगुने आकार के कैनवास पर रखता है। प्रशिक्षण आकार में वापस क्रॉप करने के लिए इसे "Affine" के साथ उपयोग करें।

## HTTP API

प्रोजेक्ट के लिए डेटासेट संस्करण जनरेट हो जाने के बाद, आप उस पर प्रशिक्षण जॉब को कतार में डाल सकते हैं। API key में यह `training-job:create` scope होना आवश्यक है।

### प्रशिक्षण जॉब शुरू करें

डेटासेट संस्करण पर प्रशिक्षण जॉब को कतार में डालता है। प्रशिक्षण बैकग्राउंड में चलता है: `204` response का अर्थ है कि जॉब कतार में है, पूरा नहीं हुआ है। response में training ID नहीं होता। प्रगति देखने के लिए, बार-बार अनुरोध करें [प्रशिक्षण के नतीजे प्राप्त करें](https://docs.roboflow.com/models/hi/evaluate/training-results.md#http-api)या [संस्करण के प्रशिक्षणों की सूची देखें](https://docs.roboflow.com/models/hi/model-ids.md#http-api) ताकि नया प्रशिक्षण ढूँढ़ सकें।

अगर संस्करण प्रशिक्षण के लिए तैयार नहीं है, तो `400` error में एक `remedy` शामिल होता है, जो समस्या का समाधान बताता है। इससे कोई स्क्रिप्ट या एजेंट संदेश पढ़े बिना कार्रवाई कर सकता है। प्लान की सीमाएँ वेब ऐप की तरह ही लागू होती हैं।

{% openapi src="/files/bdbba635d9979e1a28c9774caf0886daa15f2e2a" path="/{workspace}/{project}/{version}/train" method="post" %}
[trainings.yaml](https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-4028116544554a08ca7a36c2a7e2a8ecde4e69e3%2Ftrainings.yaml?alt=media)
{% endopenapi %}

### प्रशिक्षण शुरू करें और उसकी ID प्राप्त करें

Start a Training Job वाले ही फ़ील्ड लेता है और नया `trainingId`लौटाता है। जब किसी संस्करण में कई प्रशिक्षण हो सकते हों और आप बाद में इस प्रशिक्षण को रोकना, रद्द करना या इसकी जानकारी पढ़ना चाहें, तो इसका उपयोग करें।

{% openapi src="/files/bdbba635d9979e1a28c9774caf0886daa15f2e2a" path="/{workspace}/{project}/{version}/v2/trainings" method="post" %}
[trainings.yaml](https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-4028116544554a08ca7a36c2a7e2a8ecde4e69e3%2Ftrainings.yaml?alt=media)
{% endopenapi %}

## Python SDK

`Version.train()` Roboflow प्लेटफ़ॉर्म पर ट्रेनिंग शेड्यूल करता है। जॉब कतार में लगते ही कॉल लौट आता है — ट्रेनिंग स्वयं एसिंक्रोनस रूप से चलती है।

```python
import roboflow

rf = roboflow.Roboflow(api_key="YOUR_API_KEY")
project = rf.workspace().project("my-detector")

# यदि आपके पास अभी तक प्रीप्रोसेसिंग और ऑगमेंटेशन वाला वर्ज़न नहीं है, तो एक बनाएँ।
new_version = project.generate_version({
    "preprocessing": {
        "auto-orient": True,
        "resize": {"width": 640, "height": 640, "format": "Stretch to"},
    },
    "augmentation": {},
})
version = project.version(new_version)

# ट्रेनिंग शेड्यूल करें।
model = version.train(
    model_type="rfdetr-nano",   # पूरी सूची को त्रुटि के रूप में पाने के लिए अमान्य मान दें
    checkpoint=None,             # वैकल्पिक: पिछले चेकपॉइंट से फिर शुरू करें
    epochs=100,                  # वैकल्पिक: डिफ़ॉल्ट मान मॉडल के प्रकार पर निर्भर करते हैं
    plot_in_notebook=False,      # ट्रेनिंग की प्रगति का प्लॉट दिखाएँ (केवल नोटबुक में)
)
```

### पैरामीटर

* `model_type` (str) - आर्किटेक्चर पहचानकर्ता। सामान्य मान: `rfdetr-nano`, `rfdetr-base`, `yolov8`, `yolov11`। प्रोजेक्ट के प्रकार पर निर्भर करता है। पूरी सूची को त्रुटि के रूप में पाने के लिए अमान्य मान दें।
* `speed` (str, वैकल्पिक) - `"fast"` (डिफ़ॉल्ट) या `"accurate"`। सटीक ट्रेनिंग एक सशुल्क सुविधा है।
* `checkpoint` (str, वैकल्पिक) - फिर से शुरू करने के लिए चेकपॉइंट का आईडी।
* `epochs` (int, वैकल्पिक) - एपोक की संख्या। डिफ़ॉल्ट मान मॉडल के प्रकार पर निर्भर करते हैं।
* `plot_in_notebook` (bool, डिफ़ॉल्ट `False`) - ट्रेनिंग की प्रगति इनलाइन दिखाएँ (केवल नोटबुक में)।

### ट्रेनिंग के बाद

ट्रेनिंग पूरी होने पर, `Version`का `.model` प्रॉपर्टी होस्ट किए गए मॉडल को लौटाती है:

```python
predictions = version.model.predict("photo.jpg", confidence=40, overlap=30).json()
```

देखें [किसी इमेज पर मॉडल चलाएँ](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api#python-sdk) पूरे इन्फ़रेंस संदर्भ के लिए।

## CLI

आप कमांड लाइन से मॉडल ट्रेनिंग शुरू कर सकते हैं। ट्रेनिंग Roboflow के क्लाउड इन्फ़्रास्ट्रक्चर पर चलती है।

### कमांड

```bash
roboflow train start -p <project> -v <version> -t <model-type>
```

या संक्षिप्त रूप का उपयोग करें ( `start`):

```bash
roboflow train -p <project> -v <version> -t <model-type>
```

#### विकल्प

| फ़्लैग            | विवरण                                         |
| ----------------- | --------------------------------------------- |
| `-p`, `--project` | प्रोजेक्ट ID (ज़रूरी)                         |
| `-v`, `--version` | वर्शन नंबर (ज़रूरी)                           |
| `-t`, `--type`    | मॉडल का प्रकार, जैसे `yolov8n`, `rfdetr-nano` |
| `--checkpoint`    | ट्रेनिंग फिर से शुरू करने के लिए चेकपॉइंट     |
| `--speed`         | ट्रेनिंग की गति का प्रीसेट                    |
| `--epochs`        | ट्रेनिंग एपोक की संख्या                       |

### उदाहरण

किसी खास मॉडल प्रकार के साथ ट्रेनिंग शुरू करें:

```bash
roboflow train start -p my-detector -v 3 -t yolov8n
```

किसी चेकपॉइंट से फिर से शुरू करें:

```bash
roboflow train start -p my-detector -v 3 -t yolov8n --checkpoint my-checkpoint
```

### JSON आउटपुट

```bash
roboflow train start -p my-detector -v 3 -t yolov8n --json
```

```json
{
  "status": "training_started",
  "project": "my-detector",
  "version": 3
}
```

## MCP सर्वर

अपने AI एजेंट को इससे कनेक्ट करें [MCP सर्वर](https://docs.roboflow.com/agents/mcp-server) और यह इन टूल का उपयोग करके मॉडल को ट्रेन कर सकता है:

<table data-search="false"><thead><tr><th width="290">टूल</th><th>विवरण</th></tr></thead><tbody><tr><td><code>trainings_describe_recipe</code></td><td>मॉडल प्रकार के ट्यूनिंग विकल्पों का विवरण दें और सबमिट करने के लिए तैयार रेसिपी लौटाएँ।</td></tr><tr><td><code>trainings_create</code></td><td>डेटासेट वर्शन पर ट्रेनिंग रन शुरू करें।</td></tr><tr><td><code>trainings_get</code></td><td>ट्रेनिंग की स्थिति, उससे बने मॉडल और मेट्रिक्स प्राप्त करें।</td></tr><tr><td><code>trainings_list</code></td><td>डेटासेट संस्करण पर प्रशिक्षण रन की सूची देखें।</td></tr></tbody></table>

## अगले चरण

* [प्रशिक्षण जॉब रोकें या रद्द करें](https://docs.roboflow.com/models/hi/train/cancel-a-training-job.md).
* देखें कि आपके मॉडल ने कैसा प्रदर्शन किया और प्रशिक्षण रन की तुलना करें। देखें [प्रशिक्षित मॉडलों का मूल्यांकन करें](https://docs.roboflow.com/models/hi/evaluate/evaluate-trained-models.md).
* अपने मॉडल को इसके साथ डिप्लॉय करें [सर्वरलेस क्लाउड API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api).
