YOLO Vision 2026 :

Guide de démarrage rapide de Modal pour Ultralytics#

Ce guide fournit une introduction complète à l'exécution de Ultralytics YOLO26 sur Modal, couvrant l'inférence GPU sans serveur et l'entraînement de modèles.

Qu'est-ce que Modal ?#

Modal est une plateforme de cloud computing sans serveur pour les charges de travail d'IA et de machine learning. Elle gère le provisionnement, la mise à l'échelle et l'exécution automatiquement — tu écris du code Python localement et Modal l'exécute dans le cloud avec un accès GPU. Cela la rend idéale pour exécuter des modèles de deep learning comme YOLO26 sans avoir à gérer d'infrastructure.

Ce que tu vas apprendre#

  • Configuration de Modal et authentification
  • Exécuter l'inférence YOLO26 sur Modal
  • Utiliser des GPU pour une inférence plus rapide
  • Entraîner des modèles YOLO26 sur Modal

Prérequis#

  • Un compte Modal (inscris-toi gratuitement sur modal.com)
  • Python 3.9 ou version ultérieure installé sur ta machine locale

Installation#

Installe le package Python de Modal :

pip install modal

Ensuite, authentifie l'interface CLI avec ton compte Modal :

modal token new
Authentification

La commande modal token new ouvrira une fenêtre de navigateur pour authentifier ton compte Modal. Après l'authentification, tu peux exécuter des commandes Modal depuis le terminal.

Exécuter l'inférence YOLO26#

Crée un nouveau fichier Python appelé modal_yolo.py pour exécuter l'inférence avec le code suivant :

"""
Modal + Ultralytics YOLO26 Quickstart
Run: modal run modal_yolo.py.
"""

import modal

app = modal.App("ultralytics-yolo")

image = modal.Image.debian_slim(python_version="3.11").apt_install("libgl1", "libglib2.0-0").pip_install("ultralytics")

@app.function(image=image)
def predict(image_url: str):
    """Run YOLO26 inference on an image URL."""
    from ultralytics import YOLO

    model = YOLO("yolo26n.pt")
    results = model(image_url)

    for r in results:
        print(f"Detected {len(r.boxes)} objects:")
        for box in r.boxes:
            print(f"  - {model.names[int(box.cls)]}: {float(box.conf):.2f}")

@app.local_entrypoint()
def main():
    """Test inference with sample image."""
    predict.remote("https://ultralytics.com/images/bus.jpg")

Exécute l'inférence :

modal run modal_yolo.py

Sortie attendue :

✓ Initialized. View run at https://modal.com/apps/your-username/main/ap-xxxxxxxx
✓ Created objects.
├── 🔨 Created mount modal_yolo.py
└── 🔨 Created function predict.
Downloading https://github.com/ultralytics/assets/releases/download/v8.4.0/yolo26n.pt to 'yolo26n.pt'...
Downloading https://ultralytics.com/images/bus.jpg to 'bus.jpg'...
image 1/1 /root/bus.jpg: 640x480 4 persons, 1 bus, 377.8ms
Speed: 5.8ms preprocess, 377.8ms inference, 0.3ms postprocess per image at shape (1, 3, 640, 480)

Detected 5 objects:
  - bus: 0.92
  - person: 0.91
  - person: 0.91
  - person: 0.87
  - person: 0.53
✓ App completed.

Tu peux surveiller l'exécution de ta fonction dans le tableau de bord Modal :

Modal Dashboard Function Calls

Utiliser un GPU pour une inférence plus rapide#

Ajoute un GPU à ta fonction en spécifiant le paramètre gpu :

@app.function(image=image, gpu="T4")  # Options: "T4", "A10G", "A100", "H100"
def predict_gpu(image_url: str):
    """Run YOLO26 inference on GPU."""
    from ultralytics import YOLO

    model = YOLO("yolo26n.pt")
    results = model(image_url)
    print(results[0].boxes)
GPUMémoireIdéal pour
T416 GBInférence, entraînement de petit modèle
A10G24 GBTâches d'entraînement moyennes
A10040 GBEntraînement à grande échelle
H10080 GBPerformance maximale

Entraîner YOLO26 sur Modal#

Pour l'entraînement, utilise un GPU et les Volumes Modal pour un stockage persistant. Crée un nouveau fichier Python appelé train_yolo.py :

import modal

app = modal.App("ultralytics-training")

volume = modal.Volume.from_name("yolo-training-vol", create_if_missing=True)

image = modal.Image.debian_slim(python_version="3.11").apt_install("libgl1", "libglib2.0-0").pip_install("ultralytics")

@app.function(image=image, gpu="T4", timeout=3600, volumes={"/data": volume})
def train():
    """Train YOLO26 model on Modal."""
    from ultralytics import YOLO

    model = YOLO("yolo26n.pt")
    model.train(data="coco8.yaml", epochs=3, imgsz=640, project="/data/runs")

@app.local_entrypoint()
def main():
    train.remote()

Exécute l'entraînement :

modal run train_yolo.py
Persistance des volumes

Les Volumes Modal persistent les données entre les exécutions de fonctions. Les poids entraînés sont sauvegardés dans /data/runs/train/weights/.

Félicitations ! Tu as configuré avec succès Ultralytics YOLO26 sur Modal. Pour aller plus loin :

FAQ#

  • Pour l'inférence, un NVIDIA T4 (16 Go) est généralement suffisant et rentable. Pour l'entraînement ou les modèles plus grands comme YOLO26x, envisage des GPU A10G ou A100.

  • Modal utilise une tarification à la seconde. Tarifs approximatifs : CPU ~$0,05/h, T4 ~$0,59/h, A10G ~$1,10/h, A100 ~$2,10/h. Consulte la tarification Modal pour connaître les tarifs actuels.

  • Oui, tu peux exécuter ton propre modèle YOLO personnalisé sur Modal en chargeant le fichier de poids à partir d'un volume Modal :

    model = YOLO("/data/my_custom_model.pt")

    Pour plus d'informations sur l'entraînement de modèles personnalisés, consulte le guide d'entraînement.

Contributeurs
RAraimbekovm2GLglenn-jocher1

Commentaires