Meet YOLO26: next-gen vision AI.

Link to this sectionРуководство по быстрому старту Modal для Ultralytics#

Это руководство содержит исчерпывающее введение в запуск Ultralytics YOLO26 на Modal, охватывающее серверный GPU-инференс и обучение моделей.

Link to this sectionЧто такое Modal?#

Modal — это бессерверная платформа облачных вычислений для задач ИИ и машинного обучения. Она автоматически управляет выделением ресурсов, масштабированием и выполнением — ты пишешь код на Python локально, а Modal запускает его в облаке с доступом к GPU. Это делает ее идеальной для запуска моделей глубокого обучения, таких как YOLO26, без необходимости управлять инфраструктурой.

Link to this sectionЧему ты научишься#

  • Настройка Modal и аутентификация
  • Запуск инференса YOLO26 на Modal
  • Использование GPU для ускорения инференса
  • Обучение моделей YOLO26 на Modal

Link to this sectionПредварительные требования#

  • Учетная запись Modal (зарегистрируйся бесплатно на modal.com)
  • Установленный на твоем локальном компьютере Python 3.9 или выше

Link to this sectionУстановка#

Установи пакет Modal для Python и пройди аутентификацию:

pip install modal
modal token new
Аутентификация

Команда modal token new откроет окно браузера для аутентификации в твоей учетной записи Modal. После аутентификации ты сможешь запускать команды Modal из терминала.

Link to this sectionЗапуск инференса YOLO26#

Создай новый файл Python с названием modal_yolo.py со следующим кодом:

"""
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")

Запусти инференс:

modal run modal_yolo.py

Ожидаемый вывод:

✓ 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.

Ты можешь отслеживать выполнение своей функции в панели управления Modal:

Modal Dashboard Function Calls

Link to this sectionИспользование GPU для ускорения инференса#

Добавь GPU к своей функции, указав параметр 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)
GPUПамятьЛучше всего подходит для
T416 GBИнференс, обучение небольших моделей
A10G24 GBСредние задачи обучения
A10040 GBКрупномасштабное обучение
H10080 GBМаксимальная производительность

Link to this sectionОбучение YOLO26 на Modal#

Для обучения используй GPU и Volumes Modal для постоянного хранения данных. Создай новый файл Python с названием 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()

Запусти обучение:

modal run train_yolo.py
Постоянство данных в томах (Volumes)

Тома (Volumes) в Modal сохраняют данные между запусками функций. Обученные веса сохраняются в /data/runs/detect/train/weights/.

Поздравляем! Ты успешно настроил Ultralytics YOLO26 на Modal. Для дальнейшего изучения:

Link to this sectionЧасто задаваемые вопросы (FAQ)#

Link to this sectionКак мне выбрать подходящий GPU для моей задачи YOLO26?#

Для инференса обычно достаточно NVIDIA T4 (16 GB), что является экономически эффективным решением. Для обучения или более крупных моделей, таких как YOLO26x, рассмотри использование GPU A10G или A100.

Link to this sectionСколько стоит запуск YOLO26 на Modal?#

Modal использует тарификацию за секунду. Приблизительные расценки: CPU ~0.05$/час, T4 ~0.59$/час, A10G ~1.10$/час, A100 ~2.10$/час. Проверь цены Modal для получения актуальных данных.

Link to this sectionМогу ли я использовать свою собственную обученную модель YOLO?#

Да! Загружай собственные модели из тома Modal (Volume):

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

Для получения дополнительной информации об обучении собственных моделей смотри руководство по обучению.

Contributors
RAraimbekovm1

Комментарии