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

1. برنامج تشغيل Nvidia: الإصدار 455.23 أو أعلى. تحميل من موقع نفيديا.
2. Nvidia-Docker: يسمح ل Docker بالتفاعل مع وحدة معالجة الرسومات المحلية الخاصة بك. تتوفر إرشادات التثبيت في مستودع Nvidia-Docker GitHub.
3. 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:

sudo docker pull ultralytics/yolov5:latest

الخطوة 2: قم بتشغيل حاوية Docker

الحاوية الأساسية:

تشغيل مثيل تفاعلي ل YOLOv5 صورة عامل ميناء (تسمى "حاوية") باستخدام -it علم:

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

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:

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

حاوية مع وصول GPU:

لتشغيل حاوية مع وصول GPU ، استخدم الزر --gpus all علم:

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

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

التعليقات