Empieza con YOLOv5 🚀 en Docker

Este tutorial te guiará a través del proceso de configuración y ejecución de YOLOv5 en un contenedor Docker.

También puedes explorar otras opciones de inicio rápido para YOLOv5, como nuestro Cuaderno Colab , GCP Deep Learning VMy Amazon AWS.

Requisitos previos

1. Controlador Nvidia: Versión 455.23 o superior. Descárgalo del sitio web de Nvidia.
2. Nvidia-Docker: Permite a Docker interactuar con tu GPU local. Las instrucciones de instalación están disponibles en el repositorio GitHub de Nvidia-Docker.
3. Motor Docker - CE: Versión 19.03 o superior. Puedes encontrar instrucciones de descarga e instalación en el sitio web de Docker.

Paso 1: Extrae la imagen Docker de YOLOv5

El repositorio DockerHub de Ultralytics YOLOv5 está disponible en https://hub.docker.com/r/ultralytics/yolov5. Docker Autobuild garantiza que ultralytics/yolov5:latest está siempre sincronizada con la confirmación más reciente del repositorio. Para obtener la imagen más reciente, ejecuta el siguiente comando:

sudo docker pull ultralytics/yolov5:latest

Paso 2: Ejecuta el Contenedor Docker

Contenedor básico:

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 función -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 opción --gpus all bandera:

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

Paso 3: Utiliza YOLOv5 🚀 dentro del Contenedor Docker

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

# 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

Comentarios