Skip to main content
在 GitHub 上编辑 (EN)

Ultralytics 的 Modal 快速入门指南

本指南全面介绍了如何运行 Ultralytics YOLO26在Modal，涵盖无服务器 GPU 推理和模型训练。

什么是 Modal？

Modal 是一个用于 AI 和 云计算 工作负载的无服务器 机器学习 平台。它会自动处理配置、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 访问来运行它。这使得它非常适合运行 深度学习 像 YOLO26 这样的模型，而无需管理基础设施。

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 加快推理速度
  • 在 Modal 上训练 YOLO26 模型

先决条件

  • 一个 Modal 账户（在 modal.com)
  • 免费注册）

安装

本地计算机上安装了 Python 3.9 或更高版本

pip install modal
modal token new
安装 Modal Python 包并进行身份验证：

在 modal token new身份验证

命令将打开浏览器窗口以验证你的 Modal 账户。完成身份验证后，你即可从终端运行 Modal 命令。

运行 YOLO26 推理modal_yolo.py创建一个名为 

"""
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")

的新 Python 文件，其中包含以下代码：

modal run modal_yolo.py

运行推理：

✓ 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.

预期输出：

Modal Dashboard Function Calls

你可以在 Modal 仪表板中监控你的函数执行情况：

使用 GPU 加快推理速度gpu 参数：

@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通过指定选项，将 GPU 添加到你的函数中。
内存适用场景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

最高性能在 Modal 上训练 YOLO26对于训练，请使用 GPU 和 Modal train_yolo.py:

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()

Volumes

modal run train_yolo.py
进行持久化存储。创建一个名为

的新 Python 文件。/data/runs/detect/train/weights/.

运行训练：

FAQ

训练自定义模型

Modal 文档

获取高级平台功能

我该如何为我的 YOLO26 工作负载选择合适的 GPU？对于推理，NVIDIA T4 (16 GB) 通常足够且具有成本效益。对于训练或更大的模型（如 YOLO26x），请考虑 A10G 或 A100 GPU。在 Modal 上运行 YOLO26 的成本是多少？

Modal 使用按秒付费的定价模式。近似费率：CPU ~$0.05/小时，T4 ~$0.59/小时，A10G ~$1.10/小时，A100 ~$2.10/小时。查看

Modal 定价

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

以获取最新费率。training guide.

评论