ابدأ مع YOLOv5 🚀 في عامل ميناء
سيرشدك هذا البرنامج التعليمي خلال عملية الإعداد والتشغيل YOLOv5 في حاوية Docker.
يمكنك أيضا استكشاف خيارات التشغيل السريع الأخرى ل YOLOv5، مثل كولاب نوت بوك , GCP التعلم العميق VMو أمازون AWS.
المتطلبات المسبقه
- برنامج تشغيل Nvidia: الإصدار 455.23 أو أعلى. تحميل من موقع نفيديا.
- Nvidia-Docker: يسمح ل Docker بالتفاعل مع وحدة معالجة الرسومات المحلية الخاصة بك. تتوفر إرشادات التثبيت في مستودع Nvidia-Docker GitHub.
- محرك عامل ميناء - CE: الإصدار 19.03 أو أعلى. يمكن العثور على تعليمات التنزيل والتثبيت على موقع Docker الإلكتروني.
الخطوة 1: اسحب YOLOv5 صورة عامل ميناء
ال Ultralytics YOLOv5 مستودع DockerHub متاح في https://hub.docker.com/r/ultralytics/yolov5. يضمن البناء التلقائي لعامل الإرساء أن ultralytics/yolov5:latest
تتم مزامنة الصورة دائما مع أحدث التزام مستودع. لسحب أحدث صورة، قم بتشغيل الأمر التالي:
الخطوة 2: قم بتشغيل حاوية Docker
الحاوية الأساسية:
تشغيل مثيل تفاعلي ل YOLOv5 صورة عامل ميناء (تسمى "حاوية") باستخدام -it
علم:
حاوية مع وصول الملفات المحلية:
لتشغيل حاوية مع إمكانية الوصول إلى الملفات المحلية (على سبيل المثال ، بيانات تدريب COCO في /datasets
)، استخدم الزر -v
علم:
حاوية مع وصول GPU:
لتشغيل حاوية مع وصول GPU ، استخدم الزر --gpus all
علم:
الخطوة 3: الاستخدام YOLOv5 🚀 داخل حاوية عامل الإرساء
الآن يمكنك التدريب والاختبار والكشف والتصدير YOLOv5 النماذج داخل حاوية Docker قيد التشغيل:
# Train a model on your data
python train.py
# Validate the trained model for Precision, Recall, and mAP
python val.py --weights yolov5s.pt
# Run inference using the trained model on your images or videos
python detect.py --weights yolov5s.pt --source path/to/images
# Export the trained model to other formats for deployment
python export.py --weights yolov5s.pt --include onnx coreml tflite