Saltar al contenido

Empieza con YOLOv5 馃殌 en Docker

Este tutorial te guiar谩 a trav茅s del proceso de configuraci贸n y ejecuci贸n de YOLOv5 en un contenedor Docker.

Tambi茅n puedes explorar otras opciones de inicio r谩pido para YOLOv5, como nuestro Cuaderno Colab Abrir en Colab Abrir en Kaggle, GCP Deep Learning VMy Amazon AWS.

Requisitos previos

  1. Controlador Nvidia: Versi贸n 455.23 o superior. Desc谩rgalo del sitio web de Nvidia.
  2. Nvidia-Docker: Permite a Docker interactuar con tu GPU local. Las instrucciones de instalaci贸n est谩n disponibles en el repositorio GitHub de Nvidia-Docker.
  3. Motor Docker - CE: Versi贸n 19.03 o superior. Puedes encontrar instrucciones de descarga e instalaci贸n en el sitio web de Docker.

Paso 1: Extrae la imagen Docker de YOLOv5

El repositorio DockerHub de Ultralytics YOLOv5 est谩 disponible en https://hub.docker.com/r/ultralytics/yolov5. Docker Autobuild garantiza que ultralytics/yolov5:latest est谩 siempre sincronizada con la confirmaci贸n m谩s reciente del repositorio. Para obtener la imagen m谩s reciente, ejecuta el siguiente comando:

sudo docker pull ultralytics/yolov5:latest

Paso 2: Ejecuta el Contenedor Docker

Contenedor b谩sico:

Ejecuta una instancia interactiva de la imagen Docker YOLOv5 (llamada "contenedor") utilizando el comando -it bandera:

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

Contenedor con acceso a archivos locales:

Para ejecutar un contenedor con acceso a archivos locales (por ejemplo, datos de entrenamiento COCO en /datasets), utiliza la funci贸n -v bandera:

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

Contenedor con acceso a la GPU:

Para ejecutar un contenedor con acceso a la GPU, utiliza la opci贸n --gpus all bandera:

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

Paso 3: Utiliza YOLOv5 馃殌 dentro del Contenedor Docker

Ahora puedes entrenar, probar, detectar y exportar modelos YOLOv5 dentro del contenedor Docker en ejecuci贸n:

# 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 ejecutando Docker



Creado 2023-11-12, Actualizado 2024-05-08
Autores: Burhan-Q (1), glenn-jocher (3)

Comentarios