YOLO Vision 2026:

Guia de início rápido do Modal para Ultralytics#

Este guia fornece uma introdução abrangente à execução do Ultralytics YOLO26 no Modal, abrangendo inferência de GPU sem servidor e treino de modelos.

O que é o Modal?#

O Modal é uma plataforma de computação em nuvem sem servidor para cargas de trabalho de IA e aprendizagem automática. Trata automaticamente do aprovisionamento, do dimensionamento e da execução — escreves código Python localmente e o Modal executa-o na nuvem com acesso a GPU. Isto torna-o ideal para executar modelos de aprendizagem profunda, como o YOLO26, sem teres de gerir a infraestrutura.

O que vais aprender#

  • Configurar o Modal e autenticar-te
  • Executar inferência do YOLO26 no Modal
  • Usar GPUs para uma inferência mais rápida
  • Treinar modelos YOLO26 no Modal

Pré-requisitos#

  • Uma conta Modal (regista-te gratuitamente em modal.com)
  • Python 3.9 ou posterior instalado no teu computador local

Instalação#

Instala o pacote Python do Modal:

pip install modal

Em seguida, autentica a CLI com a tua conta Modal:

modal token new
Autenticação

O comando modal token new abrirá uma janela do navegador para autenticares a tua conta Modal. Após a autenticação, podes executar comandos do Modal a partir do terminal.

Executar inferência do YOLO26#

Cria um novo ficheiro Python chamado modal_yolo.py para executar inferência com o código seguinte:

"""
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")

Executa a inferência:

modal run modal_yolo.py

Resultado esperado:

✓ 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.

Podes monitorizar a execução da tua função no dashboard do Modal:

Modal Dashboard Function Calls

Usar GPU para uma inferência mais rápida#

Adiciona uma GPU à tua função especificando o parâmetro 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)
GPUMemóriaMais indicado para
T416 GBInferência, treino de modelos pequenos
A10G24 GBTarefas de treino de média dimensão
A10040 GBTreino em grande escala
H10080 GBDesempenho máximo

Treinar YOLO26 no Modal#

Para o treino, usa uma GPU e os Volumes do Modal para armazenamento persistente. Cria um novo ficheiro Python chamado 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()

Executa o treino:

modal run train_yolo.py
Persistência de volumes

Os Volumes do Modal mantêm os dados entre as execuções das funções. Os pesos treinados são guardados em /data/runs/train/weights/.

Parabéns! Configuraste com sucesso o Ultralytics YOLO26 no Modal. Para continuares a aprender:

Perguntas frequentes#

  • Para inferência, uma NVIDIA T4 (16 GB) é normalmente suficiente e económica. Para treino ou modelos maiores, como o YOLO26x, considera GPUs A10G ou A100.

  • O Modal utiliza preços por segundo. Tarifas aproximadas: CPU ~$0.05/hr, T4 ~$0.59/hr, A10G ~$1.10/hr, A100 ~$2.10/hr. Consulta os preços do Modal para obteres as tarifas atuais.

  • Sim, podes executar o teu próprio modelo YOLO treinado de forma personalizada no Modal carregando o ficheiro de pesos a partir de um Volume do Modal:

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

    Para obteres mais informações sobre o treino de modelos personalizados, consulta o guia de treino.

Contribuidores
RAraimbekovm3GLglenn-jocher1

Comentários