YOLO Vision 2026:

Ultralytics için Modal Hızlı Başlangıç Kılavuzu#

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

Modal, yapay zeka ve makine öğrenimi iş yükleri için sunucusuz bir bulut bilişim platformudur. Kaynak ayırma, ölçeklendirme ve çalıştırma işlemlerini otomatik olarak yönetir; sen yerel olarak Python kodu yazarsın ve Modal bunu bulutta GPU erişimiyle çalıştırır. Bu, altyapı yönetimiyle uğraşmadan YOLO26 gibi derin öğrenme modellerini çalıştırmak için burayı ideal hale getirir.

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 kaydolabilirsin)
  • 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 doğrulamasından sonra, terminalden Modal komutlarını 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.

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 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, fonksiyon çalıştırmaları arasında verileri kalıcı olarak saklar. Eğitilen ağırlıklar /data/runs/train/weights/ konumuna kaydedilir.

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

SSS#

  • 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.

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

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

    Özel modellerin eğitilmesi hakkında daha fazla bilgi için training guide kılavuzuna bakın.

Katkıda Bulunanlar
RAraimbekovm2GLglenn-jocher1

Yorumlar