Аренда GPU для YOLO26
запуск за 5 минут,
от 79 ₽/час

# Ubuntu 24, Python 3.11, CUDA 12.x
python3 -m venv /opt/yolo && source /opt/yolo/bin/activate
pip install --upgrade pip
pip install ultralytics

# Inference на тестовом изображении:
python3 -c "
from ultralytics import YOLO
model = YOLO('yolo26s.pt')           # auto‑download
results = model('https://ultralytics.com/images/bus.jpg')
results[0].save('out.jpg')"

# Predict (детекция):
yolo predict model=yolo26s.pt source='video.mp4' save=True

# Train на своём датасете (формат COCO/YOLO):
yolo train detect data=my_dataset.yaml model=yolo26m.pt \
  epochs=100 imgsz=640 batch=16 device=0

# Validate:
yolo val detect data=coco.yaml model=yolo26l.pt device=0

# Export в ONNX/TensorRT для прода:
yolo export model=yolo26x.pt format=engine device=0 half=True

# Запуск контейнера с GPU
docker run --rm --gpus all -it \
  -v $(pwd):/workspace \
  ultralytics/ultralytics:latest \
  yolo predict model=yolo26s.pt source=/workspace/img.jpg

# Тренировка с пробросом датасета:
docker run --rm --gpus all -it \
  -v $(pwd)/datasets:/usr/src/datasets \
  -v $(pwd)/runs:/usr/src/runs \
  ultralytics/ultralytics:latest \
  yolo train data=coco.yaml model=yolo26m.pt epochs=50

# Запускаем в venv из метода "pip + Python":
source /opt/yolo/bin/activate

python3 - <<'PY'
from ultralytics import YOLO

# Instance segmentation
seg = YOLO('yolo26m-seg.pt')
seg('image.jpg')[0].save('seg.jpg')

# Pose estimation (17 keypoints)
pose = YOLO('yolo26s-pose.pt')
pose('person.jpg')

# Oriented Bounding Boxes (DOTA, 15 классов)
obb = YOLO('yolo26l-obb.pt')
obb('aerial.jpg')

# Tracking (BoT‑SORT/ByteTrack из коробки)
model = YOLO('yolo26s.pt')
model.track(source='video.mp4', persist=True)
PY