Meet YOLO26: next-gen vision AI.

Link to this sectionGuida rapida di Modal per Ultralytics#

Questa guida fornisce un'introduzione completa all'esecuzione di Ultralytics YOLO26 su Modal, coprendo l'inferenza serverless su GPU e l'addestramento dei modelli.

Link to this sectionCos'è Modal?#

Modal è una piattaforma di cloud computing serverless per carichi di lavoro di AI e machine learning. Gestisce automaticamente il provisioning, il ridimensionamento e l'esecuzione: scrivi il codice Python in locale e Modal lo esegue nel cloud con accesso alla GPU. Questo lo rende ideale per eseguire modelli di deep learning come YOLO26 senza gestire l'infrastruttura.

Link to this sectionCosa imparerai#

  • Configurazione di Modal e autenticazione
  • Esecuzione dell'inferenza di YOLO26 su Modal
  • Utilizzo delle GPU per un'inferenza più rapida
  • Addestramento dei modelli YOLO26 su Modal

Link to this sectionPrerequisiti#

  • Un account Modal (registrati gratuitamente su modal.com)
  • Python 3.9 o superiore installato sulla tua macchina locale

Link to this sectionInstallazione#

Installa il pacchetto Python di Modal ed effettua l'autenticazione:

pip install modal
modal token new
Autenticazione

Il comando modal token new aprirà una finestra del browser per autenticare il tuo account Modal. Dopo l'autenticazione, potrai eseguire i comandi di Modal dal terminale.

Link to this sectionEsecuzione dell'inferenza di YOLO26#

Crea un nuovo file Python chiamato modal_yolo.py con il seguente codice:

"""
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")

Esegui l'inferenza:

modal run modal_yolo.py

Output previsto:

✓ 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.

Puoi monitorare l'esecuzione della tua funzione nella dashboard di Modal:

Modal Dashboard Function Calls

Link to this sectionUtilizzo della GPU per un'inferenza più rapida#

Aggiungi una GPU alla tua funzione specificando il parametro 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)
GPUMemoriaIdeale per
T416 GBInferenza, addestramento di piccoli modelli
A10G24 GBTask di addestramento medi
A10040 GBAddestramento su larga scala
H10080 GBMassime prestazioni

Link to this sectionAddestramento di YOLO26 su Modal#

Per l'addestramento, usa una GPU e i Volumes di Modal per l'archiviazione persistente. Crea un nuovo file Python chiamato 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()

Esegui l'addestramento:

modal run train_yolo.py
Persistenza dei volumi

I volumi Modal conservano i dati tra un'esecuzione e l'altra della funzione. I pesi addestrati vengono salvati in /data/runs/detect/train/weights/.

Congratulazioni! Hai configurato con successo Ultralytics YOLO26 su Modal. Per approfondire:

Link to this sectionFAQ#

Link to this sectionCome scelgo la GPU giusta per il mio carico di lavoro YOLO26?#

Per l'inferenza, una NVIDIA T4 (16 GB) è solitamente sufficiente ed economica. Per l'addestramento o modelli più grandi come YOLO26x, considera le GPU A10G o A100.

Link to this sectionQuanto costa eseguire YOLO26 su Modal?#

Modal utilizza un sistema di prezzi al secondo. Tariffe approssimative: CPU ~0,05 $/ora, T4 ~0,59 $/ora, A10G ~1,10 $/ora, A100 ~2,10 $/ora. Controlla il listino prezzi di Modal per le tariffe correnti.

Link to this sectionPosso usare il mio modello YOLO addestrato su misura?#

Sì! Carica i modelli personalizzati da un volume Modal:

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

Per maggiori informazioni sull'addestramento di modelli personalizzati, consulta la guida all'addestramento.

Contributors
RAraimbekovm1

Commenti