Ultralytics용 Modal 빠른 시작 가이드#
이 가이드에서는 서버리스 GPU 추론과 모델 학습을 포함하여 Modal에서 Ultralytics YOLO26을 실행하는 방법을 종합적으로 소개합니다.
Modal이란 무엇인가요?#
Modal은 AI 및 머신 러닝 워크로드를 위한 서버리스 클라우드 컴퓨팅 플랫폼입니다. 프로비저닝, 확장, 실행을 자동으로 처리하므로 로컬에서 Python 코드를 작성하면 Modal이 GPU 액세스가 가능한 클라우드에서 코드를 실행합니다. 따라서 인프라를 직접 관리하지 않고도 YOLO26과 같은 딥 러닝 모델을 실행하는 데 적합합니다.
학습 내용#
- Modal 설정 및 인증
- Modal에서 YOLO26 추론 실행
- 더 빠른 추론을 위한 GPU 사용
- Modal에서 YOLO26 모델 학습
필수 조건#
- Modal 계정(modal.com에서 무료 가입)
- 로컬 컴퓨터에 Python 3.9 이상 설치
설치#
Modal Python 패키지를 설치합니다:
pip install modal그런 다음 Modal 계정으로 CLI를 인증합니다:
modal token newmodal token new 명령을 실행하면 Modal 계정을 인증할 수 있는 브라우저 창이 열립니다. 인증이 완료되면 터미널에서 Modal 명령을 실행할 수 있습니다.
YOLO26 추론 실행#
다음 코드를 사용하여 추론을 실행할 새 Python 파일 modal_yolo.py을 생성합니다:
"""
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")추론을 실행합니다:
modal run modal_yolo.py예상 출력:
✓ 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 대시보드에서 함수 실행을 모니터링할 수 있습니다:
더 빠른 추론을 위한 GPU 사용#
gpu 매개변수를 지정하여 함수에 GPU를 추가합니다:
@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 | 메모리 | 적합한 용도 |
|---|---|---|
| T4 | 16 GB | 추론, 소규모 모델 학습 |
| A10G | 24 GB | 중간 규모 학습 작업 |
| A100 | 40 GB | 대규모 학습 |
| H100 | 80 GB | 최고 성능 |
Modal에서 YOLO26 학습#
학습에는 GPU와 영구 스토리지를 위한 Modal Volumes을 사용합니다. train_yolo.py이라는 새 Python 파일을 생성합니다:
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()학습을 실행합니다:
modal run train_yolo.pyModal Volumes는 함수 실행 간에 데이터를 유지합니다. 학습된 가중치는 /data/runs/train/weights/에 저장됩니다.
축하합니다! Modal에서 Ultralytics YOLO26 설정을 성공적으로 완료했습니다. 더 알아보려면 다음을 참조하세요:
- 고급 기능은 Ultralytics YOLO26 문서를 살펴보세요.
- 자체 데이터셋으로 커스텀 모델 학습에 대해 알아보세요.
- 컨테이너화된 배포를 위해 Docker 빠른 시작 가이드를 사용해 보세요.
- 고급 플랫폼 기능은 Modal 문서를 참조하세요.
FAQ#
추론에는 일반적으로 NVIDIA T4(16GB)가 충분하며 비용 효율적입니다. 학습 또는 YOLO26x와 같은 대형 모델에는 A10G 또는 A100 GPU를 고려하세요.
Modal은 초당 과금 요금제를 사용합니다. 대략적인 요금은 CPU ~$0.05/시간, T4 ~$0.59/시간, A10G ~$1.10/시간, A100 ~$2.10/시간입니다. 현재 요금은 Modal 요금을 확인하세요.
예. Modal Volume에서 가중치 파일을 불러와 직접 학습한 커스텀 YOLO 모델을 Modal에서 실행할 수 있습니다:
model = YOLO("/data/my_custom_model.pt")커스텀 모델 학습에 대한 자세한 내용은 학습 가이드를 참조하세요.