Ultralytics YOLO27:

Ultralytics için Modal Hızlı Başlangıç Kılavuzu#

Bu kılavuz, sunucusuz GPU çıkarımı ve model eğitimini kapsayarak Ultralytics YOLO26 uygulamasını 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 yönetir — Python kodunu yerel olarak yazarsın, Modal ise GPU erişimiyle bulutta çalıştırır. Bu sayede Modal, altyapıyı yönetmeden YOLO26 gibi derin öğrenme modellerini çalıştırmak için idealdir.

Neler Öğreneceksin#

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

Ön koşullar#

  • Bir Modal hesabı (modal.com üzerinden ücretsiz kaydol)
  • Yerel makinenizde Python 3.9 veya üzeri yüklü olmalı

Kurulum#

Modal Python paketini yükle:

pip install modal

Ardından CLI'da Modal hesabınla kimlik doğrula:

modal token new
Kimlik Doğrulama

modal token new komutu, Modal hesabında kimlik doğrulaması yapman için bir tarayıcı penceresi açar. Kimlik doğrulamasından sonra Modal komutlarını terminalden 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.

Fonksiyonunun yürütülmesini Modal kontrol panelinden izleyebilirsin:

Modal Dashboard Function Calls

Daha Hızlı Çıkarım için GPU Kullanma#

gpu parametresini belirterek fonksiyonuna 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 GPU ve kalıcı depolama amacıyla Modal Volumes 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, fonksiyon çalıştırmaları arasında verileri kalıcı olarak saklar. Eğitilmiş ağırlıklar /data/runs/train/weights/ konumuna kaydedilir.

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

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

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

    Özel model eğitimi hakkında daha fazla bilgi için eğitim kılavuzuna bak.

Katkıda Bulunanlar
RAraimbekovm3GLglenn-jocher1

Yorumlar