ابدأ العمل مع YOLOv5 🚀 في Docker

سيرشدك هذا البرنامج التعليمي خلال عملية إعداد وتشغيل YOLOv5 في حاوية Docker.

يمكنك أيضًا استكشاف خيارات أخرى للبدء السريع YOLOv5 ، مثل دفتر ملاحظات كولاب , جهاز التعلم العميق الافتراضي GCPو أمازون AWS.

المتطلبات الأساسية

NVIDIA برنامج التشغيل: الإصدار 455.23 أو أعلى. تحميل من موقعNVIDIA.
NVIDIA-Docker: يسمح لـ Docker بالتفاعل مع GPU المحلي الخاص بك . تعليمات التثبيت متاحة على مستودع GitHubNVIDIA-Docker GitHub.
محرك Docker Engine - CE: الإصدار 19.03 أو أعلى. يمكن العثور على إرشادات التنزيل والتثبيت على موقع Docker الإلكتروني.

الخطوة 1: اسحب صورة Docker YOLOv5

يتوفر مستودع Ultralytics YOLOv5 DockerHub على الرابط التالي https://hub.docker.com/r/ultralytics/yolov5. يضمن الإنشاء التلقائي ل Docker Autobuild ultralytics/yolov5:latest متزامنة دائمًا مع أحدث التزام للمستودع. لسحب أحدث صورة، قم بتشغيل الأمر التالي:

sudo docker pull ultralytics/yolov5:latest

الخطوة 2: تشغيل حاوية Docker Container

حاوية أساسية:

قم بتشغيل مثيل تفاعلي لصورة YOLOv5 Docker (تسمى "حاوية") باستخدام -it العلم:

sudo docker run --ipc=host -it ultralytics/yolov5:latest

حاوية مع إمكانية الوصول إلى الملفات المحلية:

لتشغيل حاوية مع إمكانية الوصول إلى الملفات المحلية (على سبيل المثال، COCO بيانات التدريب في /datasets)، استخدم -v العلم:

sudo docker run --ipc=host -it -v "$(pwd)"/datasets:/usr/src/datasets ultralytics/yolov5:latest

حاوية بها GPU الوصول

لتشغيل حاوية مع وصول GPU ، استخدم أداة --gpus all العلم:

sudo docker run --ipc=host -it --gpus all ultralytics/yolov5:latest

الخطوة 3: استخدام YOLOv5 🚀 داخل حاوية Docker

يمكنك الآن تدريب واختبار واكتشاف وتصدير نماذج YOLOv5 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