Primeros pasos con YOLOv5 🚀 en Docker

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

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

Requisitos previos

1. NVIDIA Controlador: Versión 455.23 o superior. Descárguelo del sitio webNVIDIA.
2. NVIDIA-Docker: Permite a Docker interactuar con tu GPU local. Las instrucciones de instalación están disponibles en el repositorioNVIDIA-Docker de GitHub.
3. Motor Docker - CE: Versión 19.03 o superior. Las instrucciones de descarga e instalación se encuentran en el sitio web de Docker.

Paso 1: Extraer 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 el ultralytics/yolov5:latest está siempre sincronizada con la confirmación más reciente del repositorio. Para obtener la imagen más reciente, ejecute el siguiente comando:

sudo docker pull ultralytics/yolov5:latest

Paso 2: Ejecutar el contenedor Docker

Contenedor básico:

Ejecute una instancia interactiva de la imagen Docker YOLOv5 (denominada "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, COCO datos de entrenamiento en /datasets), utilice la función -v bandera:

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

Contenedor con acceso a GPU :

Para ejecutar un contenedor con acceso a GPU , utilice el comando --gpus all bandera:

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

Paso 3: Utilizar YOLOv5 🚀 dentro del contenedor Docker.

Ahora puede 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

Creado hace 1 año ✏️ Actualizado hace 1 mes

Comentarios