Meet YOLO26: next-gen vision AI.

Link to this sectionUltralytics için Modal Başlangıç Kılavuzu#

This guide provides a comprehensive introduction to running Ultralytics YOLO26 on Modal, covering serverless GPU inference and model training.

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.

Link to this sectionNeler Öğreneceksin#

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

Link to this sectionÖn koşullar#

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

Link to this sectionKurulum#

Modal Python paketini yükle ve kimlik doğrulaması yap:

pip install modal
modal token new
Kimlik Doğrulama

modal token new komutu, Modal hesabını doğrulamak için bir tarayıcı penceresi açacaktır. Kimlik doğrulamasından sonra terminal üzerinden Modal komutlarını çalıştırabilirsin.

Link to this sectionYOLO26 Çıkarımını Çalıştırma#

modal_yolo.py adında yeni bir Python dosyası oluştur ve içine şu kodu ekle:

"""
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 yürütmeni Modal panelinden takip edebilirsin:

Modal Dashboard Function Calls

Link to this sectionDaha Hızlı Çıkarım için GPU Kullanımı#

gpu parametresini belirterek işlevine 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 işlev çalıştırmaları arasında kalıcı tutar. Eğitilmiş ağırlıklar /data/runs/detect/train/weights/ dizinine kaydedilir.

Tebrikler! Modal üzerinde Ultralytics YOLO26 kurulumunu başarıyla tamamladın. Daha fazla öğrenmek için:

Link to this sectionSSS#

Link to this sectionYOLO26 iş yüküm için doğru GPU'yu nasıl seçerim?#

Çıkarım için genellikle bir NVIDIA T4 (16 GB) yeterli ve uygun maliyetlidir. Eğitim veya YOLO26x gibi daha büyük modeller için A10G veya A100 GPU'larını değerlendir.

Modal, saniye bazlı ücretlendirme kullanır. Yaklaşık oranlar: CPU ~0,05$/saat, T4 ~0,59$/saat, A10G ~1,10$/saat, A100 ~2,10$/saat. Güncel fiyatlar için Modal fiyatlandırmasına göz at.

Link to this sectionKendi özel eğitimli YOLO modelimi kullanabilir miyim?#

Evet! Özel modellerini bir Modal Volume üzerinden yükleyebilirsin:

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

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

Contributors
RAraimbekovm1

Yorumlar