Ultralytics Modal 快速入门指南#
本指南全面介绍了如何在 Modal 上运行 Ultralytics YOLO26，内容涵盖无服务器 GPU 推理与模型训练。
什么是 Modal？#
Modal 是一个面向 AI 与机器学习工作负载的无服务器云计算平台。它会自动处理资源配置、扩展和执行——你只需在本地编写 Python 代码，Modal 就会在云端利用 GPU 运行它。这使得它非常适合运行像 YOLO26 这样的深度学习模型，而无需管理底层基础设施。
你将学到什么#
- 设置 Modal 并进行身份验证
- 在 Modal 上运行 YOLO26 推理
- 使用 GPU 加速推理
- 在 Modal 上训练 YOLO26 模型
前提条件#
- 一个 Modal 账户（可在 modal.com 免费注册）
- 本地机器上安装了 Python 3.9 或更高版本
安装#
安装 Modal Python 包：
pip install modal然后使用你的 Modal 账户验证 CLI：
modal token new身份验证
modal token new 命令将打开一个浏览器窗口以验证你的 Modal 账户。验证后，你就可以从终端运行 Modal 命令。
运行 YOLO26 推理#
创建一个名为 modal_yolo.py 的新 Python 文件，使用以下代码运行推理：
"""
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")运行推理：
modal run modal_yolo.py预期输出：
✓ 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.你可以在 Modal 仪表板中监控函数执行情况：
使用 GPU 加速推理#
通过指定 gpu 参数为你的函数添加 GPU：
@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)| GPU | 内存 | 最适用场景 |
|---|---|---|
| T4 | 16 GB | 推理，小型模型训练 |
| A10G | 24 GB | 中型训练任务 |
| A100 | 40 GB | 大规模训练 |
| H100 | 80 GB | 极致性能 |
在 Modal 上训练 YOLO26#
对于训练，请使用 GPU 和 Modal Volumes 进行持久化存储。创建一个名为 train_yolo.py 的新 Python 文件：
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()运行训练：
modal run train_yolo.py卷持久化
Modal Volumes 能够在多次函数运行之间持久化数据。训练好的权重将保存到 /data/runs/train/weights/。
恭喜！你已成功在 Modal 上设置了 Ultralytics YOLO26。如需进一步学习：
- 探索 Ultralytics YOLO26 文档以了解高级功能
- 了解如何使用你自己的数据集训练自定义模型
- 尝试使用 Docker 快速入门进行容器化部署
- 访问 Modal 文档以了解高级平台功能