Ultralytics YOLO27: Bekleme listesine katıl.
Get Started

Ultralytics için Modal Hızlı Başlangıç Kılavuzu#

Bu kılavuz, sunucusuz GPU çıkarımını ve model eğitimini kapsayarak Ultralytics YOLO26 modelini Modal üzerinde çalıştırmaya yönelik kapsamlı bir giriş sunar.

Modal nedir?#

Modal, yapay zekâ ve makine öğrenimi iş yükleri için sunucusuz bir bulut bilişim platformudur. Kaynak sağlama, ölçeklendirme ve yürütme işlemlerini otomatik olarak yönetir — Python kodunu yerel olarak yazarsın, Modal ise GPU erişimiyle kodu bulutta çalıştırır. Böylece altyapıyı yönetmeden YOLO26 gibi derin öğrenme modellerini çalıştırmak için ideal bir platform hâline gelir.

Öğreneceklerin#

  • Modal'ı kurma ve kimlik doğrulama
  • YOLO26 çıkarımını Modal'da çalıştırma
  • Daha hızlı çıkarım için GPU kullanma
  • YOLO26 modellerini Modal'da eğitme

Ön koşullar#

  • Bir Modal hesabı (modal.com adresinden ücretsiz kaydol)
  • Yerel makinede Python 3.9 veya sonraki bir sürüm yüklü olmalı

Kurulum#

Modal Python paketini yükle:

pip install modal

Ardından CLI'de Modal hesabınla kimlik doğrulaması yap:

modal token new
Kimlik Doğrulama

modal token new komutu, Modal hesabının kimliğini doğrulamak için bir tarayıcı penceresi açar. Kimlik doğrulaması tamamlandıktan sonra terminalden Modal komutlarını çalıştırabilirsin.

YOLO26 Çıkarımını Çalıştırma#

Aşağıdaki kodla çıkarım çalıştırmak için modal_yolo.py adlı yeni bir Python dosyası oluştur:

"""
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")

Çıkarımı çalıştır:

modal run modal_yolo.py

Beklenen çıktı:

✓ 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.

İşlev yürütme sürecini Modal kontrol panelinden izleyebilirsin:

Modal Dashboard Function Calls

Daha Hızlı Çıkarım için GPU Kullanma#

gpu parametresini belirterek işlevine GPU ekle:

@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)
GPUBellekEn Uygun Kullanım Alanı
T416 GBÇıkarım, küçük model eğitimi
A10G24 GBOrta ölçekli eğitim işleri
A10040 GBBüyük ölçekli eğitim
H10080 GBMaksimum performans

YOLO26'yı Modal'da Eğitme#

Eğitim için GPU ve kalıcı depolama sağlayan Modal Volumes özelliğini kullan. train_yolo.py adlı yeni bir Python dosyası oluştur:

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()

Eğitimi çalıştır:

modal run train_yolo.py
Volume Kalıcılığı

Modal Volumes, işlev çalıştırmaları arasında verileri kalıcı olarak saklar. Eğitilmiş ağırlıklar /data/runs/train/weights/ konumuna kaydedilir.

Tebrikler! Ultralytics YOLO26'yı Modal'da başarıyla kurdun. Öğrenmeye devam etmek için:

Sık Sorulan Sorular#

  • Çıkarım için NVIDIA T4 (16 GB) genellikle yeterli ve uygun maliyetlidir. Eğitim veya YOLO26x gibi daha büyük modeller için A10G ya da A100 GPU'ları değerlendirebilirsin.

  • Modal, saniye başına ücretlendirme uygular. Yaklaşık ücretler: CPU ~$0.05/saat, T4 ~$0.59/saat, A10G ~$1.10/saat, A100 ~$2.10/saat. Güncel ücretler için Modal fiyatlandırma sayfasını kontrol et.

  • Evet, ağırlık dosyasını Modal Volume'dan yükleyerek kendi özel eğitimli YOLO modelini Modal'da çalıştırabilirsin:

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

    Özel modelleri eğitme hakkında daha fazla bilgi için eğitim kılavuzuna bak.

Katkıda Bulunanlar
RAraimbekovm3GLglenn-jocher1

Yorumlar