Zum Inhalt springen

Erste Schritte mit YOLOv5 🚀 in Docker

Dieses Tutorial fĂŒhrt dich durch die Einrichtung und den Betrieb von YOLOv5 in einem Docker-Container.

Du kannst auch andere Schnellstartoptionen fĂŒr YOLOv5 erkunden, wie zum Beispiel unsere Colab Notebook In Colab öffnen In Kaggle öffnen, GCP Deep Learning VM, und Amazon AWS.

Voraussetzungen

  1. NVIDIA-Treiber: Version 455.23 oder höher. Download von der Nvidia-Website.
  2. NVIDIA-Docker: Ermöglicht es Docker, mit deinem lokalen Grafikprozessor zu interagieren. Eine Installationsanleitung findest du im NVIDIA-Docker GitHub Repository.
  3. Docker Engine - CE: Version 19.03 oder höher. Download- und Installationsanweisungen findest du auf der Docker-Website.

Schritt 1: Ziehe das YOLOv5 Docker Image

Das Ultralytics YOLOv5 DockerHub Repository ist verfĂŒgbar 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, fĂŒhre den folgenden Befehl aus:

sudo docker pull ultralytics/yolov5:latest

Schritt 2: Starte den Docker Container

Grundcontainer:

Starte eine interaktive Instanz des YOLOv5 Docker-Images (genannt "Container") mit der -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 kannst du 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

GCP mit Docker



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (5), Burhan-Q (1)

Kommentare