Ultralytics 向け Modal クイックスタートガイド#
このガイドでは、Ultralytics YOLO26 を Modal 上で実行する方法を包括的に紹介し、サーバーレス GPU 推論とモデルのトレーニングを解説します。
Modal とは何ですか？#
Modal は、AI および機械学習のワークロード向けのサーバーレスクラウドコンピューティングプラットフォームです。プロビジョニング、スケーリング、実行を自動で処理するため、ローカルで Python コードを記述するだけで、Modal が GPU にアクセスできるクラウド環境でコードを実行します。インフラストラクチャを管理せずに、YOLO26 などのディープラーニングモデルを実行するのに適しています。
このガイドで学べること#
- Modal のセットアップと認証
- Modal で YOLO26 推論を実行する
- 推論を高速化するための GPU の使用
- Modal で YOLO26 モデルをトレーニングする
前提条件#
- Modal アカウント（modal.comで無料登録できます）
- ローカルマシンに Python 3.9 以降がインストールされていること
インストール#
Modal Python パッケージをインストールします。
pip install modal次に、Modal アカウントを使用して CLI を認証します。
modal token newmodal token new コマンドを実行するとブラウザーウィンドウが開き、Modal アカウントを認証できます。認証後は、ターミナルから Modal コマンドを実行できます。
YOLO26 推論の実行#
次のコードを使用して推論を実行するため、modal_yolo.py という名前の Python ファイルを新規作成します。
"""
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")推論を実行します。
modal run modal_yolo.py出力例:
✓ 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.Modal ダッシュボードで関数の実行状況をモニタリングできます。
推論を高速化するための GPU の使用#
gpu パラメーターを指定して、関数に GPU を追加します。
@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)| GPU | メモリ | 最適な用途 |
|---|---|---|
| T4 | 16 GB | 推論、小規模モデルのトレーニング |
| A10G | 24 GB | 中規模のトレーニングジョブ |
| A100 | 40 GB | 大規模なトレーニング |
| H100 | 80 GB | 最大限のパフォーマンス |
Modal で YOLO26 をトレーニングする#
トレーニングには GPU と、永続ストレージとして Modal の Volumes を使用します。train_yolo.py という名前の Python ファイルを新規作成します。
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()トレーニングを実行します。
modal run train_yolo.pyModal Volumes は、関数の実行間でデータを保持します。トレーニング済みの重みは /data/runs/train/weights/ に保存されます。
これで Modal 上の Ultralytics YOLO26 のセットアップが完了しました。さらに学習するには、次をご覧ください。
- Ultralytics YOLO26 のドキュメントで高度な機能をご確認ください
- 独自のデータセットを使ったカスタムモデルのトレーニングについて学びましょう
- コンテナ化されたデプロイには、Docker クイックスタートをお試しください
- 高度なプラットフォーム機能については、Modal のドキュメントをご覧ください
よくある質問#
推論には、通常 NVIDIA T4（16 GB）で十分で、コスト効率にも優れています。トレーニングや YOLO26x のような大規模モデルには、A10G または A100 GPU をご検討ください。
Modal は秒単位の従量課金制です。料金の目安は、CPU が ~$0.05/時間、T4 が ~$0.59/時間、A10G が ~$1.10/時間、A100 が ~$2.10/時間です。最新の料金はModal の料金をご確認ください。
はい。Modal Volume から重みファイルを読み込むことで、独自にトレーニングしたカスタム YOLO モデルを Modal 上で実行できます。
model = YOLO("/data/my_custom_model.pt")カスタムモデルのトレーニングについて詳しくは、トレーニングガイドをご覧ください。