13 октября 2026 г. · Анатолий Крылов, редактор Тераферма

Видеокарта для диплома по машинному обучению: кейс магистранта на RTX 3090

Видеокарта для диплома по машинному обучению не обязательно должна стоять дома: магистрант обучил и сравнил три детектора дефектов на 6000 фото за 50 часов работы арендованной RTX 3090 (около 1 209 ₽ за весь семестр). Для большинства дипломов по компьютерному зрению и небольшим языковым моделям хватает карты с 24 ГБ. Ниже разберём план экспериментов, сколько памяти и часов ушло на каждый этап, ошибки и как повторить.

Это собирательный пример: герой придуман, но шаги, время работы и цены — реальные, по тарифам Терафермы.

Дмитрий учится в магистратуре на прикладной информатике. Тема диплома — «Обнаружение дефектов сварных швов на фотографиях с помощью нейросетей». Датасет он собрал вместе с заводом, где проходил практику: около 6000 размеченных фото швов с трещинами, порами и непроварами.

Проблема одна: у него ноутбук без видеокарты NVIDIA. Обучить детектор объектов на 6000 фото на процессоре заняло бы недели. Университетский сервер с GPU есть, но очередь на него расписана на месяц вперёд, а бесплатный Google Colab отключает сессию через несколько часов, иногда посреди эпохи.

Что нужно было сделать

План диплома требовал не одну модель, а сравнение:

1. Обучить 3 архитектуры детектора (две версии YOLO и RT-DETR).
2. Для каждой — подобрать гиперпараметры: размер картинки, аугментации, скорость обучения.
3. Проверить, как влияет размер датасета: обучить на 25%, 50% и 100% данных.
4. Сделать итоговые замеры на отложенной выборке и таблицы для пояснительной записки.

Всего набирается около 25 запусков обучения по 1–2 часа. Классическая учебная задача, для которой нужна не сверхмощная, а просто нормальная видеокарта на 30–60 часов за семестр.

Аренда, Colab, университет или своя карта

Прежде чем арендовать, Дмитрий сравнил варианты, которые были у него под рукой.

Вариант	Плюсы	Минусы для диплома
Ноутбук без NVIDIA	бесплатно	обучение на процессоре занимает недели
Бесплатный Google Colab	бесплатно, браузер	лимиты на время сессии, отключение посреди эпохи
Университетский сервер	бесплатно	очередь на месяц вперёд
Своя RTX 3090	всегда под рукой	покупка и новый блок питания ради одного семестра
Аренда с поминутной оплатой	сколько нужно и когда нужно	нужно следить за остановкой сервера

Для диплома решающими оказались два фактора: обучение не должно прерываться, а эксперименты нужно закончить к предзащите, а не когда освободится очередь.

Выбор видеокарты

Дмитрий взял RTX 3090 с 24 ГБ за 26 ₽ в час. Аргументы:

• 24 ГБ хватает для детекторов среднего размера на картинках 1024×1024 с нормальным размером батча;
• по скорости на таких задачах она лишь немного уступает более дорогим картам;
• для отладки кода он иногда брал RTX 3060 за 12 ₽: ошибки в коде одинаково падают на любой карте, а платить за мощность при отладке незачем.

Сколько видеопамяти занимает каждый этап

Этап	Видеопамять	Время одного запуска на RTX 3090
Отладка загрузчика и аугментаций на 200 фото	3–5 ГБ	5–10 минут
YOLO среднего размера, 1024×1024, батч 16	14–18 ГБ	1–1,5 часа
RT-DETR, 1024×1024, батч 8	16–20 ГБ	1,5–2 часа
Замеры на отложенной выборке	2–4 ГБ	несколько минут

Из таблицы видно, почему для отладки хватало RTX 3060 с 12 ГБ: маленький кусок данных и короткие прогоны помещаются в любую карту. А полное обучение на 1024×1024 уже требует 24 ГБ: на 12 ГБ пришлось бы уменьшать батч или разрешение, и сравнение архитектур стало бы нечестным.

Как была устроена работа

Код и данные — в git и облаке. Дмитрий держал код в репозитории, а датасет — архивом в облачном хранилище. Запуск нового сервера сводился к трём командам: скачать код, скачать данные, установить зависимости. Это занимало около 10 минут.

Обучение в фоне. Запуски шли через nohup в терминале Jupyter, логи писались в файл. Можно закрыть браузер, а обучение продолжится.

Чекпойнты каждую эпоху. Модель сохранялась после каждой эпохи, а лучшие веса Дмитрий сразу копировал к себе. После остановки сервера данные на нём удаляются, поэтому это главное правило.

Метрики — в отдельном файле. Каждый запуск дописывал строку в CSV: модель, параметры, mAP, время. Из этого файла потом выросли таблицы и графики для записки.

Пример команды обучения

Для детекторов YOLO Дмитрий использовал библиотеку Ultralytics. Один запуск выглядел так:

nohup yolo detect train data=welds.yaml model=yolov8m.pt imgsz=1024 batch=16 epochs=100 save_period=1 > run01.log 2>&1 &

Здесь save_period=1 сохраняет веса после каждой эпохи, а nohup и & позволяют закрыть браузер, не прерывая обучение. Номер запуска в имени лога помогал потом сопоставить логи со строками в CSV с метриками.

Сколько это стоило за семестр

Этап	Карта	Часы	Стоимость
Отладка кода и загрузчика данных	RTX 3060	6	≈ 72 ₽
Подбор гиперпараметров (12 коротких запусков)	RTX 3090	14	≈ 364 ₽
Сравнение трёх архитектур	RTX 3090	12	≈ 312 ₽
Эксперимент с размером датасета (9 запусков)	RTX 3090	13	≈ 338 ₽
Финальное обучение и замеры	RTX 3090	5	≈ 130 ₽
Итого		50 часов	≈ 1 209 ₽

Весь диплом обошёлся в стоимость пары походов в кафе. Своя видеокарта с 24 ГБ стоила бы в десятки раз дороже, а университетская очередь растянула бы эксперименты на весь семестр.

Из 50 часов только 5 ушли на финальное обучение, которое попало в записку. Остальное ушло на отладку, подбор параметров и эксперименты, без которых не было бы глав про сравнение архитектур и влияние размера данных. Закладывайте в бюджет диплома именно эту пропорцию, а не время одного «удачного» запуска.

Ошибки, на которых он потерял время

Забытый сервер на выходных. Однажды Дмитрий запустил обучение в пятницу, оно закончилось через два часа, а сервер простоял до понедельника. Это стоило больше, чем всё обучение. Теперь кабинет Терафермы присылает напоминание, если сервер простаивает больше двух часов, а в Telegram-боте его видно сразу.

Обучение на неправильном разбиении. В первой версии фото одного и того же шва попадали и в обучающую, и в тестовую выборку, и метрики выходили подозрительно хорошими. Научный руководитель заметил это на предзащите. Пришлось переразбить данные по швам и перезапустить эксперименты. Урок: разбиение проверяют до обучения, а не после.

Слишком большой батч. Модель с батчем 32 падала с ошибкой нехватки видеопамяти. На RTX 3090 стабильно работал батч 16, а для сравнения архитектур важнее одинаковые условия, чем максимальный батч.

Несовпадение версий библиотек. Через месяц после начала работы новый сервер поставил более свежую версию библиотеки, и старые конфиги перестали запускаться. Дмитрий зафиксировал версии в requirements.txt, и все следующие запуски шли в одинаковом окружении, что важно и для воспроизводимости результатов в записке.

Как уложить эксперименты в бюджет

Сначала короткие прогоны. Подбор гиперпараметров Дмитрий делал на 10–20 эпохах вместо 100: порядок результатов на коротких прогонах почти всегда сохраняется. Полные 100 эпох запускались только для финальных вариантов.

Ранняя остановка. Если метрика на валидации не растёт 10–15 эпох подряд, обучение прекращается само. На части запусков это сэкономило треть времени.

Фиксированный seed и одно разбиение. Все сравнения шли на одних и тех же данных и с одинаковым начальным состоянием. Иначе разница между архитектурами тонет в случайном шуме, и запуски приходится повторять.

Очередь на ночь. Несколько запусков подряд Дмитрий собирал в один скрипт: вечером запустил, утром забрал метрики и остановил сервер. Главное, чтобы последней строкой скрипта не было ожидания: после окончания очереди сервер простаивает, а оплата идёт.

Что написать в записке. В разделе про методику Дмитрий указал карту, объём видеопамяти, время обучения каждой модели и версии библиотек. Это помогает воспроизвести результаты и снимает вопросы комиссии о том, на чём считались эксперименты.

Сколько стоят дипломы другого типа

Детектор дефектов — типичная, но не единственная тема. Ориентиры по другим дипломам, с учётом экспериментов и повторных запусков:

Тема диплома	Карта	GPU-часы за семестр	Стоимость
Классификация изображений, дообучение ResNet или ViT	RTX 3090	15–25	≈ 520 ₽
Классификация текстов, дообучение BERT	RTX 3090	10–20	≈ 390 ₽
Сегментация медицинских снимков	RTX 3090	40–80	≈ 1 560 ₽
Дообучение LLM 7–8B через QLoRA	RTX 4090	20–40	≈ 1 440 ₽
Распознавание речи, дообучение Whisper	RTX 4090	20–40	≈ 1 440 ₽

Суммы посчитаны по середине диапазона. Точнее оценить свой проект можно пробным запуском на 50–100 шагов: умножьте время шага на число шагов во всех запланированных экспериментах. Какие карты лучше подходят для обучения разных моделей, сравнивается в рейтинге видеокарт для обучения нейросетей.

Что получилось

Лучшая модель находила дефекты с mAP@0.5 около 0,8 на отложенной выборке. Защита прошла на «отлично», а таблица сравнения архитектур и график зависимости качества от размера датасета стали основой главы с результатами. Завод, где проходила практика, взял модель на пробную эксплуатацию.

Кому подойдёт такой подход

• Студентам бакалавриата и магистратуры с дипломами и курсовыми по машинному обучению.
• Аспирантам и исследователям, которым нужны серии экспериментов для статьи.
• Участникам соревнований вроде Kaggle и хакатонов, где важно быстро проверить много идей.
• Преподавателям, которым нужны машины для практических занятий: каждому студенту — свой сервер на пару часов.

Не подойдёт, если тема требует обучения большой модели с нуля или работы с закрытыми данными предприятия, которые нельзя выносить за его периметр. В первом случае бюджет выходит далеко за рамки студенческого, во втором данные придётся обезличить или считать на сервере заказчика.

Как повторить

1. Зарегистрируйтесь и пополните баланс: сейчас это криптовалюта от 500 ₽, оплата российской картой — скоро. Сумму на семестр прикиньте по таблице выше.
2. Выберите в каталоге RTX 3090 или RTX 3060 и шаблон PyTorch.
3. Держите код в git, данные — в облаке, чекпойнты скачивайте после каждого запуска.
4. Останавливайте сервер, когда обучение закончилось.

Сколько видеопамяти нужно под вашу модель, подскажет VRAM-калькулятор, а общий расчёт стоимости обучения есть в статье Сколько стоит обучить нейросеть.