YOLO Vision 2026：

Ultralytics 的 Modal 快速入门指南#

本指南全面介绍如何在 Modal 上运行 Ultralytics YOLO26，涵盖无服务器 GPU 推理和模型训练。

什么是 Modal？#

Modal 是面向 AI 和 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 就会在云端通过 GPU 访问运行这些代码。这使其非常适合运行 YOLO26 等深度学习模型，而无需管理基础设施。

你将学到什么#

  • 设置 Modal 并完成身份验证
  • 在 Modal 上运行 YOLO26 推理
  • 使用 GPU 加速推理
  • 在 Modal 上训练 YOLO26 模型

前置条件#

  • 一个 Modal 账户（在 modal.com 免费注册）
  • 本地计算机上已安装 Python 3.9 或更高版本

安装#

安装 Modal Python 软件包：

pip install modal

然后使用你的 Modal 账户对 CLI 进行身份验证：

modal token new
身份验证

modal token new 命令会打开浏览器窗口，以验证你的 Modal 账户。完成身份验证后，你就可以在终端中运行 Modal 命令。

运行 YOLO26 推理#

创建一个名为 modal_yolo.py 的新 Python 文件，并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 控制面板中监控函数执行情况：

Modal Dashboard Function Calls

使用 GPU 加速推理#

通过指定 gpu 参数，为函数添加 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
T416 GB推理、小型模型训练
A10G24 GB中型训练任务
A10040 GB大规模训练
H10080 GB最高性能

在 Modal 上训练 YOLO26#

训练时，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 会在不同函数运行之间持久保存数据。训练后的权重会保存到 /data/runs/train/weights/。

恭喜！你已成功在 Modal 上设置 Ultralytics YOLO26。若要进一步学习：

常见问题#

  • 对于推理，NVIDIA T4（16 GB）通常已经足够，并且具有较高的性价比。对于训练或 YOLO26x 等更大型的模型，可以考虑使用 A10G 或 A100 GPU。

  • Modal 采用按秒计费的定价方式。参考费率：CPU ~$0.05/小时，T4 ~$0.59/小时，A10G ~$1.10/小时，A100 ~$2.10/小时。请查看 Modal 定价以获取当前费率。

  • 可以，你可以通过从 Modal Volume 加载权重文件，在 Modal 上运行自己训练的自定义 YOLO 模型：

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

    有关训练自定义模型的更多信息，请参阅训练指南。

贡献者
RAraimbekovm3GLglenn-jocher1

评论