Kurumsal düzeyde güvenlik: ISO 27001 + SOC 2 Tip I uyumlu.

Ultralytics için Modal Hızlı Başlangıç Kılavuzu#

Bu rehber, sunucusuz GPU çıkarımı ve model eğitimi konularını kapsayarak Ultralytics YOLO26 modelini Modal üzerinde çalıştırman için kapsamlı bir giriş sunar.

Modal is a serverless cloud computing platform for AI and machine learning workloads. It handles provisioning, scaling, and execution automatically — you write Python code locally and Modal runs it in the cloud with GPU access. This makes it ideal for running deep learning models like YOLO26 without managing infrastructure.

Neler Öğreneceksin#

  • Modal kurulumu ve kimlik doğrulama
  • Modal üzerinde YOLO26 çıkarımı çalıştırma
  • Daha hızlı çıkarım için GPU kullanımı
  • Modal üzerinde YOLO26 modelleri eğitme

Ön koşullar#

  • Bir Modal hesabı (modal.com adresinden ücretsiz kaydol)
  • Yerel bilgisayarında yüklü Python 3.9 veya daha yeni bir sürüm

Kurulum#

Modal Python paketini yükle:

pip install modal

Ardından CLI ile Modal hesabının kimlik doğrulamasını yap:

modal token new
Kimlik Doğrulama

modal token new komutu, Modal hesabını doğrulamak için bir tarayıcı penceresi açacaktır. Kimlik doğrulamadan sonra Modal komutlarını terminalden çalıştırabilirsin.

YOLO26 Çıkarımı Çalıştırma#

Create a new Python file called modal_yolo.py to run inference with the following code:

"""
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.

Fonksiyon yürütme sürecini Modal kontrol panelinden izleyebilirsin:

Modal Dashboard Function Calls

Daha Hızlı Çıkarım için GPU Kullanımı#

gpu parametresini belirterek fonksiyonuna bir 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 İyi Kullanım
T416 GBÇıkarım, küçük model eğitimi
A10G24 GBOrta ölçekli eğitim işleri
A10040 GBBüyük ölçekli eğitim
H10080 GBMaksimum performans

Eğitim için bir GPU ve kalıcı depolama için Modal Volumes kullan. train_yolo.py adında 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, verileri fonksiyon çalıştırmaları arasında korur. Eğitilmiş ağırlıklar /data/runs/train/weights/ dizinine kaydedilir.

Tebrikler! Ultralytics YOLO26'yı Modal üzerinde başarıyla kurdun. Daha fazla bilgi için:

SSS#

YOLO26 iş yüküm için doğru GPU'yu nasıl seçerim?#

Çıkarım için bir NVIDIA T4 (16 GB) genellikle yeterli ve maliyet etkindir. Eğitim veya YOLO26x gibi daha büyük modeller için A10G veya A100 GPU'ları düşün.

Modal, saniye başına ödeme yöntemini kullanır. Tahmini fiyatlar: CPU ~0,05 $/sa, T4 ~0,59 $/sa, A10G ~1,10 $/sa, A100 ~2,10 $/sa. Güncel fiyatlar için Modal fiyatlandırma sayfasını kontrol et.

Kendi özel eğitimli YOLO modelimi kullanabilir miyim?#

Evet, ağırlık dosyasını bir Modal Volume üzerinden yükleyerek kendi özel eğitimli YOLO modelini Modal üzerinde çalıştırabilirsin:

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

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

Katkıda Bulunanlar
RAraimbekovm2GLglenn-jocher1

Yorumlar