Erste Schritte mit YOLOv5 🚀 in Docker

Dieses Tutorial führt Sie durch den Prozess des Einrichtens und Ausführens von YOLOv5 in einem Docker-Container und bietet umfassende Anweisungen für CPU und GPU .

Sie können auch andere Schnellstartoptionen für YOLOv5 erkunden, wie z. B. unsere Colab Notebook , GCP Deep Learning VMund Amazon AWS.

Voraussetzungen

Docker: Installieren Sie Docker von der offiziellen Docker-Website.
NVIDIA (für GPU ): Version 455.23 oder höher. Download von der NVIDIA.
NVIDIA Docker Runtime (für GPU ): Ermöglicht Docker die Interaktion mit Ihrem lokalen GPU. Folgen Sie den Installationsanweisungen unten.

Einrichten von NVIDIA Docker Runtime

Überprüfen Sie, ob Ihre NVIDIA ordnungsgemäß installiert sind:

nvidia-smi

Installieren Sie die NVIDIA Docker-Laufzeitumgebung:

# Add NVIDIA package repositories
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
distribution=$(lsb_release -cs)
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

# Install NVIDIA Docker runtime
sudo apt-get update
sudo apt-get install -y nvidia-docker2

# Restart Docker service
sudo systemctl restart docker

Überprüfen Sie, ob die NVIDIA verfügbar ist:

docker info | grep -i runtime

Schritt 1: Ziehen Sie das YOLOv5 Docker Image

Das Ultralytics YOLOv5 DockerHub Repository ist verfügbar unter https://hub.docker.com/r/ultralytics/yolov5. Docker Autobuild stellt sicher, dass die ultralytics/yolov5:latest Image ist immer mit der letzten Repository-Übertragung synchronisiert.

# Set image name as a variable
t=ultralytics/yolov5:latest

# Pull the latest image
sudo docker pull $t

Schritt 2: Ausführen des Docker-Containers

Nur CPU verwenden

Starten Sie eine interaktive Instanz des YOLOv5 Docker-Images (genannt "Container") mit dem -it Flagge:

# Run without GPU
sudo docker run -it --ipc=host $t

Verwendung von GPU

# Run with all GPUs
sudo docker run -it --ipc=host --gpus all $t

# Run with specific GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t

Lokale Verzeichnisse einbinden

Um innerhalb des Containers auf Dateien auf Ihrem lokalen Rechner zuzugreifen:

# Mount a local directory into the container
sudo docker run -it --ipc=host --gpus all -v /path/on/host:/path/in/container $t

Container mit GPU Zugang:

Um einen Container mit GPU Zugriff zu betreiben, verwenden Sie die --gpus all Flagge:

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

Schritt 3: YOLOv5 🚀 innerhalb des Docker-Containers verwenden

Jetzt können Sie YOLOv5 Modelle innerhalb des laufenden Docker-Containers trainieren, testen, erkennen und exportieren:

# 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