Ultralytics YOLO27 : Rejoins la liste d’attente.
Get Started

Guide de démarrage rapide de Modal pour Ultralytics#

Ce guide présente de façon exhaustive l’exécution de Ultralytics YOLO26 sur Modal, notamment l’inférence GPU sans serveur et l’entraînement de modèles.

Qu’est-ce que Modal ?#

Modal est une plateforme de cloud computing sans serveur destinée aux charges de travail d’IA et d’apprentissage automatique. Elle gère automatiquement le provisionnement, la mise à l’échelle et l’exécution : tu écris du code Python localement, puis Modal l’exécute dans le cloud avec un accès au GPU. Cette solution est idéale pour exécuter des modèles d’apprentissage profond comme YOLO26 sans gérer l’infrastructure.

Ce que tu vas apprendre#

  • Configurer Modal et s’authentifier
  • Exécuter l’inférence YOLO26 sur Modal
  • Utiliser des GPU pour accélérer l’inférence
  • Entraîner des modèles YOLO26 sur Modal

Prérequis#

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

Installation#

Installe le package Modal pour Python :

pip install modal

Authentifie ensuite la 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 pourras exécuter des commandes Modal depuis le terminal.

Exécuter l’inférence YOLO26#

Crée un fichier Python nommé 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

Résultat attendu :

✓ 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 accélérer l’inférence#

Ajoute un GPU à ta fonction en indiquant 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 petits modèles
A10G24 GBTâches d’entraînement de taille moyenne
A10040 GBEntraînement à grande échelle
H10080 GBPerformances maximales

Entraîner YOLO26 sur Modal#

Pour l’entraînement, utilise un GPU et les Volumes Modal afin de disposer d’un stockage persistant. Crée un fichier Python nommé 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()

Lance l’entraînement :

modal run train_yolo.py
Persistance des volumes

Les volumes Modal conservent les données entre les exécutions de fonctions. Les poids entraînés sont enregistrés dans /data/runs/train/weights/.

Félicitations ! Tu as configuré Ultralytics YOLO26 sur Modal avec succès. Pour approfondir tes connaissances :

FAQ#

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

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

  • Oui, tu peux exécuter ton propre modèle YOLO entraîné sur mesure sur Modal en chargeant le fichier de poids depuis un volume Modal :

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

    Pour en savoir plus sur l’entraînement de modèles personnalisés, consulte le guide d’entraînement.

Contributeurs
RAraimbekovm3GLglenn-jocher1

Commentaires