دليل البدء السريع لـ Docker من Ultralytics#

يقدم هذا الدليل مقدمة شاملة لإعداد بيئة Docker لمشاريع Ultralytics. Docker منصة لتطوير التطبيقات وشحنها وتشغيلها في حاويات. وتفيد المنصة خصوصًا في ضمان عمل البرنامج بالطريقة نفسها دائمًا، بصرف النظر عن مكان نشره. لمزيد من التفاصيل، تفضل بزيارة مستودع Ultralytics على Docker Hub.

ما ستتعلمه#

• إعداد Docker مع دعم NVIDIA
• تثبيت صور Ultralytics لـ Docker
• تشغيل Ultralytics في حاوية Docker مع دعم CPU أو GPU
• استخدام خادم عرض مع Docker لإظهار نتائج الكشف من Ultralytics
• تركيب الدلائل المحلية داخل الحاوية

المتطلبات الأساسية#

• تأكد من تثبيت Docker على نظامك. وإن لم يكن مثبتًا، يمكنك تنزيله وتثبيته من موقع Docker.
• لتسريع GPU، تأكد من أن نظامك يحتوي على GPU من NVIDIA وأن برامج تشغيل NVIDIA مثبتة. لا تتطلب صور CPU أجهزة NVIDIA.
• إذا كنت تستخدم أجهزة NVIDIA Jetson، فتأكد من تثبيت إصدار JetPack المناسب. راجع دليل NVIDIA Jetson لمزيد من التفاصيل.

إعداد Docker مع دعم NVIDIA (اختياري)#

أولًا، تحقق من تثبيت برامج تشغيل NVIDIA على النحو الصحيح بتشغيل:

nvidia-smi

تثبيت NVIDIA Container Toolkit#

والآن، لنثبّت NVIDIA Container Toolkit لتمكين دعم GPU في حاويات Docker:

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \
  && curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list \
  | sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' \
    | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

sudo apt-get update

sudo apt-get install -y nvidia-container-toolkit

التحقق من أجهزة CDI باستخدام Docker#

شغّل nvidia-ctk cdi list للتأكد من توفر أجهزة CDI الخاصة بـ GPU (تُنشئ خدمة nvidia-cdi-refresh التابعة لمجموعة الأدوات المواصفة وتحافظ عليها تلقائيًا في إصدارات مجموعة الأدوات >= 1.18):

nvidia-ctk cdi list

ينبغي أن تظهر إدخالات مثل nvidia.com/gpu=0 وnvidia.com/gpu=all. كما تظهر أجهزة CDI المكتشفة في docker info.

تثبيت صور Ultralytics لـ Docker#

تنشر Ultralytics الصور التالية على Docker Hub. وتُبنى كل صورة من ملف Dockerfile المرتبط بها بواسطة سير عمل النشر إلى Docker.

تستخدم صور AMD64 لـ GPU (latest وlatest-export وlatest-runner) PyTorch 2.14 وCUDA 13.2. تحقّق من دعم برنامج التشغيل المضيف لـ CUDA باستخدام nvidia-smi قبل تشغيل هذه الصور؛ فتثبيت حاوية أحدث لا يحدّث برنامج التشغيل المضيف. أزال CUDA 13 دعم وحدات GPU من أجيال Maxwell وPascal وVolta، بما فيها Tesla P100 وV100. راجع ملاحظات إصدار CUDA من NVIDIA ومتطلبات توافق برامج التشغيل.

تستخدم صورة NVIDIA ARM64 إصدار NVIDIA PyTorch 26.08 مع CUDA 13.4 وTensorRT 11.2. ولا يمتد دعم PyTorch لـ Thor إلى TensorRT: إذ لا تدعم NVIDIA إصدار TensorRT 11.2 على JetPack. ولعمليات تصدير TensorRT على Jetson، استخدم بيئة تشغيل TensorRT 10.x المدعومة لإصدار JetPack لديك. اتبع متطلبات المنصة في دليل Jetson أو دليل DGX Spark. وتحتفظ صور JetPack 4 و5 و6 بحزمها البرمجية المنفصلة الخاصة بكل جهاز.

يتوفر ملف Dockerfile الخاص بـ Conda لإجراء عمليات البناء المحلية؛ وقد عُطّل النشر الآلي لـ latest-conda، لذا لا يتضمن وسم السجل هذا التحديثات.

استخدم latest-python-export لعمليات التصدير إلى LiteRT. تحتفظ صورة GPU latest-export بـ PyTorch 2.14 ولا تتضمن LiteRT، لأن تبعيتها الحالية تتطلب إصدارًا أقدم من PyTorch 2.14.

تستخدم صور Python وCPU وJupyter ومشغّل CPU الإصدار Python 3.14. وتستخدم صورة تصدير Python الأساس latest-python-3.13، المبني من Dockerfile-python نفسه باستخدام --build-arg PYTHON_VERSION=3.13، لأن TensorFlow وCoreML وPaddlePaddle لا تدعم Python 3.14 بعد.

تتبّع الوسوم التي تبدأ بـ latest أحدث إصدار منشور من بناء الفرع الرئيسي. وتستبدل الوسوم ذات الإصدارات البادئة latest بإصدار من Ultralytics، مثل VERSION أو VERSION-cpu أو VERSION-jetson-jetpack6. استخدم وسمًا ذا إصدار للحصول على بيئة قابلة لإعادة الإنتاج.

لسحب أحدث صورة:

# Pull the latest Ultralytics image from Docker Hub
sudo docker pull ultralytics/ultralytics:latest

لبناء صورة بنفسك بدلًا من ذلك، استنسخ المستودع ومرّر ملف Dockerfile المطابق من الجدول أعلاه، مع استخدام جذر المستودع كسياق للبناء:

# Build the CPU image locally from docker/Dockerfile-cpu
sudo docker build -t ultralytics/ultralytics:latest-cpu -f docker/Dockerfile-cpu .

تشغيل Ultralytics في حاوية Docker#

إليك طريقة تشغيل حاوية Ultralytics لـ Docker:

استخدام CPU فقط#

# Run without GPU
sudo docker run -it --ipc=host ultralytics/ultralytics:latest-cpu

استخدام وحدات GPU#

# Run with all GPUs
sudo docker run -it --ipc=host --device nvidia.com/gpu=all ultralytics/ultralytics:latest

# Run specifying which GPUs to use
sudo docker run -it --ipc=host --device nvidia.com/gpu=2 --device nvidia.com/gpu=3 ultralytics/ultralytics:latest

يخصص الخيار -it طرفية زائفة (pseudo-TTY) ويبقي الإدخال القياسي مفتوحًا، ما يتيح لك التفاعل مع الحاوية. ويتيح الخيار --ipc=host مشاركة مساحة أسماء IPC الخاصة بالمضيف، وهو أمر أساسي لمشاركة الذاكرة بين العمليات. أما لوحدات GPU من NVIDIA، فيمنح الخيار --device nvidia.com/gpu=... إمكانية الوصول عبر CDI. ولوحدات GPU من AMD، تتيح الخيارات --device الوصول إلى برنامج تشغيل نواة GPU (/dev/kfd) وعُقد العرض (/dev/dri).

ملاحظة بشأن إمكانية الوصول إلى الملفات#

للعمل على الملفات الموجودة على جهازك المحلي من داخل الحاوية، يمكنك استخدام وحدات تخزين Docker:

# Mount a local directory into the container
sudo docker run -it --ipc=host --device nvidia.com/gpu=all -v /path/on/host:/path/in/container ultralytics/ultralytics:latest

استبدل /path/on/host بمسار الدليل على جهازك المحلي، و/path/in/container بالمسار المطلوب داخل حاوية Docker.

الاحتفاظ بمخرجات التدريب#

تُحفظ مخرجات التدريب افتراضيًا في /ultralytics/runs/<task>/<name>/ داخل الحاوية. وإذا لم تركّب دليلًا من المضيف، فستُفقد المخرجات عند إزالة الحاوية.

للاحتفاظ بمخرجات التدريب:

# Recommended: mount workspace and specify project path
sudo docker run --rm -it -v "$(pwd)":/w -w /w ultralytics/ultralytics:latest \
  yolo train model=yolo26n.pt data=coco8.yaml project=/w/runs

يحفظ هذا جميع مخرجات التدريب في ./runs على جهازك المضيف.

تشغيل تطبيقات واجهة المستخدم الرسومية (GUI) في حاوية Docker#

يُستخدم Docker أساسًا لوضع التطبيقات التي تعمل في الخلفية وبرامج CLI داخل حاويات، لكنه يستطيع أيضًا تشغيل البرامج الرسومية. في عالم Linux، يتولى خادما عرض رسوميّان رئيسيان التعامل مع العرض الرسومي: X11 (المعروف أيضًا باسم نظام نوافذ X) وWayland. قبل البدء، من الضروري تحديد خادم الرسوميات الذي تستخدمه حاليًا. نفّذ هذا الأمر لمعرفة ذلك:

env | grep -E -i 'x11|xorg|wayland'

لا يشمل هذا الدليل إعداد خادم عرض X11 أو Wayland وتهيئته. إذا لم يُرجع الأمر أعلاه أي نتيجة، فستحتاج إلى البدء بتشغيل أحدهما على نظامك قبل المتابعة.

تشغيل حاوية Docker بواجهة رسومية#

xhost +local:docker && docker run -e DISPLAY=$DISPLAY \
  -v /tmp/.X11-unix:/tmp/.X11-unix \
  -v ~/.Xauthority:/root/.Xauthority \
  -it --ipc=host ultralytics/ultralytics:latest

استخدام Docker بواجهة رسومية#

تتضمن صور Ultralytics إصدار OpenCV بلا واجهة رسومية، لذا ثبّت أولاً إصدار OpenCV ذي الواجهة الرسومية ومكتبات النظام الخاصة به داخل الحاوية:

apt-get update && apt-get install -y --no-install-recommends libgl1 libglib2.0-0 libsm6
pip uninstall -y opencv-python-headless && pip install opencv-python

يمكنك الآن عرض التطبيقات الرسومية داخل حاوية Docker. على سبيل المثال، يمكنك تشغيل أمر CLI التالي لعرض التنبؤات الصادرة عن نموذج YOLO26:

yolo predict model=yolo26n.pt show=True

بعد الانتهاء من استخدام واجهة Docker الرسومية#

xhost -local:docker

أصبحت الآن جاهزًا لاستخدام Ultralytics مع Docker والاستفادة من إمكاناته. لاستضافة تطبيق الويب Ultralytics ذاتيًا، راجع دليل النشر المحلي. ولمعرفة طرق بديلة لتثبيت حزمة Python، راجع وثائق البدء السريع لـ Ultralytics.

الأسئلة الشائعة#