Erste Schritte mit YOLOv5 🚀 in Docker

Dieses Tutorial führt Sie durch den Prozess der Einrichtung und Ausführung von YOLOv5 in einem Docker-Container.

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

Voraussetzungen

NVIDIA Treiber: Version 455.23 oder höher. Herunterladen von der WebsiteNVIDIA.
NVIDIA-Docker: Ermöglicht Docker die Interaktion mit Ihrem lokalen GPU. Installationsanweisungen sind auf dem NVIDIA-Docker GitHub-Repository verfügbar.
Docker Engine - CE: Version 19.03 oder höher. Download- und Installationsanweisungen finden Sie auf der Docker-Website.

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 dem neuesten Repository-Commit synchronisiert. Um das neueste Image zu beziehen, führen Sie den folgenden Befehl aus:

sudo docker pull ultralytics/yolov5:latest

Schritt 2: Ausführen des Docker-Containers

Basis-Container:

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

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

Container mit lokalem Dateizugriff:

Um einen Container mit Zugriff auf lokale Dateien zu betreiben (z. B. COCO Trainingsdaten in /datasets), verwenden Sie die -v Flagge:

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

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