YOLO Vision 2026:

Ultralytics için Modal Hızlı Başlangıç Kılavuzu#

Bu kılavuz, sunucusuz GPU çıkarımı ve model eğitimi dahil olmak üzere Ultralytics YOLO26'yı Modal üzerinde çalıştırmaya kapsamlı bir giriş sunar.

Modal, yapay zekâ ve makine öğrenimi iş yükleri için sunucusuz bir bulut bilişim platformudur. Sağlama, ölçeklendirme ve yürütme işlemlerini otomatik olarak gerçekleştirir — Python kodunu yerel olarak yazarsın, Modal ise GPU erişimiyle bulutta çalıştırır. Bu sayede altyapıyı yönetmeden YOLO26 gibi derin öğrenme modellerini çalıştırmak için idealdir.

Öğreneceklerin#

  • Modal'ı kurma ve kimlik doğrulama
  • Modal üzerinde YOLO26 çıkarımı çalıştırma
  • Daha hızlı çıkarım için GPU kullanma
  • Modal üzerinde YOLO26 modelleri eğitme

Ön koşullar#

  • Bir Modal hesabı (modal.com adresinden ücretsiz kaydolabilirsin)
  • Yerel makinenizde yüklü Python 3.9 veya üzeri

Kurulum#

Modal Python paketini yükle:

pip install modal

Ardından CLI'yi Modal hesabınla doğrula:

modal token new
Kimlik Doğrulama

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

YOLO26 Çıkarımı Çalıştırma#

Aşağıdaki kodla çıkarım çalıştırmak için modal_yolo.py adında 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 yürütmeni Modal panosundan 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
T416 GBÇıkarım, küçük model eğitimi
A10G24 GBOrta ölçekli eğitim işleri
A10040 GBBüyük ölçekli eğitim
H10080 GBMaksimum performans

Eğitim için kalıcı depolama amacıyla bir GPU ve 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, işlev çalıştırmaları arasında verileri korur. Eğitilmiş ağırlıklar /data/runs/train/weights/ konumuna kaydedilir.

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

SSS#

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

  • Modal, saniye başına ücretlendirme kullanır. Yaklaşık ücretler: CPU ~$0.05/saat, T4 ~$0.59/saat, A10G ~$1.10/saat, A100 ~$2.10/saat. Güncel ücretler için Modal fiyatlandırmasına bak.

  • Evet, ağırlık dosyasını bir Modal Volume'dan yükleyerek kendi özel eğitilmiş 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
RAraimbekovm3GLglenn-jocher1

Yorumlar