Guide de démarrage rapide de Modal pour Ultralytics

Ce guide offre une introduction complète à l'utilisation Ultralytics sur Modal, couvrant GPU sans serveur et l'entraînement des modèles.

Qu'est-ce que Modal ?

Modal est une plateforme de cloud computing sans serveur destinée aux charges de travail liées à l'IA et à l'apprentissage automatique. Elle gère automatiquement l'approvisionnement, la mise à l'échelle et l'exécution : vous écrivez Python localement et Modal l'exécute dans le cloud avec GPU . Cela en fait la solution idéale pour exécuter des modèles d'apprentissage profond tels que YOLO26 sans avoir à gérer d'infrastructure.

Ce que vous allez apprendre

• Configuration de Modal et authentification
• Exécution de l'inférence YOLO26 sur Modal
• Utilisation des GPU pour accélérer l'inférence
• Entraînement des modèles YOLO26 sur Modal

Prérequis

• Un compte Modal (inscrivez-vous gratuitement sur modal.com)
• Python .9 ou une version ultérieure installée sur votre ordinateur

Installation

Installez le Python Modal et authentifiez-vous :

pip install modal

modal token new

Exécution de l'inférence YOLO26

Créez un nouveau Python nommé modal_yolo.py 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")

Lancez 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.

Vous pouvez suivre l'exécution de vos fonctions dans le tableau de bord Modal :

Utilisation GPU accélérer l'inférence

Ajoutez un GPU votre fonction en spécifiant le gpu paramètre :

@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)

Entraînement de YOLO26 sur Modal

Pour l'entraînement, utilisez un GPU Modal Volumes pour le stockage persistant. Créez un nouveau 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()

Entraînement à la course à pied :

modal run train_yolo.py

Félicitations ! Vous avez réussi à configurer Ultralytics sur Modal. Pour en savoir plus :

• Consultez la documentationUltralytics pour découvrir ses fonctionnalités avancées
• Découvrez comment entraîner des modèles personnalisés à partir de vos propres ensembles de données
• Consultez la documentation de Modal pour découvrir les fonctionnalités avancées de la plateforme

FAQ

Comment choisir le GPU adapté GPU ma charge de travail YOLO26 ?

Pour l'inférence, une carte NVIDIA (16 Go) est généralement suffisante et offre un bon rapport qualité-prix. Pour l'entraînement ou les modèles plus volumineux comme YOLO26x, envisagez les cartes graphiques A10G ou A100.

Combien coûte l'exécution de YOLO26 sur Modal ?

Modal propose une tarification à la seconde. Tarifs approximatifs : CPU 0,05 $/h, T4 ~0,59 $/h, A10G ~1,10 $/h, A100 ~2,10 $/h. Consultez la grille tarifaire de Modal pour connaître les tarifs en vigueur.

Puis-je utiliser mon propre YOLO personnalisé ?

Oui ! Charger des modèles personnalisés à partir d'un volume modal :

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

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

📅 Créé il y a 0 jours ✏️ Mis à jour il y a 0 jours

Commentaires