Link to this sectionGuide de démarrage rapide de Docker pour Ultralytics#

Ce guide sert d'introduction complète à la configuration d'un environnement Docker pour tes projets Ultralytics. Docker est une plateforme permettant de développer, distribuer et exécuter des applications dans des conteneurs. Elle est particulièrement utile pour garantir que le logiciel s'exécutera toujours de la même manière, quel que soit l'endroit où il est déployé. Pour plus de détails, visite le dépôt Docker d'Ultralytics sur Docker Hub.

Link to this sectionCe que tu vas apprendre#

• Configuration de Docker avec le support NVIDIA
• Installation des images Docker d'Ultralytics
• Exécution d'Ultralytics dans un conteneur Docker avec support CPU ou GPU
• Utilisation d'un serveur d'affichage avec Docker pour montrer les résultats de détection d'Ultralytics
• Montage de répertoires locaux dans le conteneur

Link to this sectionPrérequis#

• Assure-toi que Docker est installé sur ton système. Si ce n'est pas le cas, tu peux le télécharger et l'installer depuis le site web de Docker.
• Vérifie que ton système dispose d'un GPU NVIDIA et que les pilotes NVIDIA sont installés.
• Si tu utilises des appareils NVIDIA Jetson, assure-toi d'avoir installé la version appropriée de JetPack. Référe-toi au guide NVIDIA Jetson pour plus de détails.

Link to this sectionConfiguration de Docker avec le support NVIDIA#

Tout d'abord, vérifie que les pilotes NVIDIA sont correctement installés en exécutant :

nvidia-smi

Link to this sectionInstallation du NVIDIA Container Toolkit#

Maintenant, installons le NVIDIA Container Toolkit pour activer le support GPU dans les conteneurs Docker :

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \
  && curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list \
  | sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' \
    | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

sudo apt-get update

sudo apt-get install -y nvidia-container-toolkit \
  nvidia-container-toolkit-base libnvidia-container-tools \
  libnvidia-container1

export NVIDIA_CONTAINER_TOOLKIT_VERSION=1.17.8-1
sudo apt-get install -y \
  nvidia-container-toolkit=${NVIDIA_CONTAINER_TOOLKIT_VERSION} \
  nvidia-container-toolkit-base=${NVIDIA_CONTAINER_TOOLKIT_VERSION} \
  libnvidia-container-tools=${NVIDIA_CONTAINER_TOOLKIT_VERSION} \
  libnvidia-container1=${NVIDIA_CONTAINER_TOOLKIT_VERSION}

sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker

Link to this sectionVérifier le runtime NVIDIA avec Docker#

Exécute docker info | grep -i runtime pour t'assurer que nvidia apparaît dans la liste des runtimes :

docker info | grep -i runtime

Link to this sectionInstallation des images Docker d'Ultralytics#

Ultralytics propose plusieurs images Docker optimisées pour diverses plateformes et cas d'utilisation :

• Dockerfile : image GPU, idéale pour l'entraînement.
• Dockerfile-arm64 : pour l'architecture ARM64, adaptée aux appareils comme Raspberry Pi.
• Dockerfile-cpu : version CPU uniquement pour l'inférence et les environnements sans GPU.
• Dockerfile-jetson-jetpack4 : optimisée pour les appareils NVIDIA Jetson exécutant NVIDIA JetPack 4.
• Dockerfile-jetson-jetpack5 : optimisée pour les appareils NVIDIA Jetson exécutant NVIDIA JetPack 5.
• Dockerfile-jetson-jetpack6 : optimisée pour les appareils NVIDIA Jetson exécutant NVIDIA JetPack 6.
• Dockerfile-jupyter : pour le développement interactif utilisant JupyterLab dans le navigateur.
• Dockerfile-nvidia-arm64 : pour les appareils NVIDIA ARM64 tels que Jetson AGX Thor et DGX Spark, supportant JetPack 7.0 et DGX OS.
• Dockerfile-python : environnement Python minimal pour des applications légères.
• Dockerfile-python-export : image Python minimale étendue avec des capacités d'exportation complètes pour la conversion de modèles YOLO.
• Dockerfile-conda : inclut Miniconda3 et le package Ultralytics installé via Conda.
• Dockerfile-export : image GPU avec toutes les dépendances de format d'exportation pré-installées pour la conversion de modèles et l'évaluation.

Pour récupérer la dernière image :

# Set image name as a variable
t=ultralytics/ultralytics:latest

# Pull the latest Ultralytics image from Docker Hub
sudo docker pull $t

Link to this sectionExécution d'Ultralytics dans un conteneur Docker#

Voici comment exécuter le conteneur Docker Ultralytics :

Link to this sectionUtilisation uniquement du CPU#

# Run without GPU
sudo docker run -it --ipc=host $t

Link to this sectionUtilisation des GPU#

# Run with all GPUs
sudo docker run -it --ipc=host --runtime=nvidia --gpus all $t

# Run specifying which GPUs to use
sudo docker run -it --ipc=host --runtime=nvidia --gpus '"device=2,3"' $t

Le flag -it assigne un pseudo-TTY et maintient stdin ouvert, te permettant d'interagir avec le conteneur. Le flag --ipc=host permet de partager l'espace de noms IPC de l'hôte, essentiel pour partager la mémoire entre les processus. Le flag --gpus permet au conteneur d'accéder aux GPU de l'hôte.

Link to this sectionNote sur l'accessibilité des fichiers#

Pour travailler avec des fichiers sur ta machine locale à l'intérieur du conteneur, tu peux utiliser des volumes Docker :

# Mount a local directory into the container
sudo docker run -it --ipc=host --runtime=nvidia --gpus all -v /path/on/host:/path/in/container $t

Remplace /path/on/host par le chemin du répertoire sur ta machine locale et /path/in/container par le chemin souhaité à l'intérieur du conteneur Docker.

Link to this sectionPersistance des sorties d'entraînement#

Les sorties d'entraînement sont enregistrées par défaut dans /ultralytics/runs/<task>/<name>/ à l'intérieur du conteneur. Sans montage d'un répertoire hôte, les sorties sont perdues lorsque le conteneur est supprimé.

Pour conserver les sorties d'entraînement :

# Recommended: mount workspace and specify project path
sudo docker run --rm -it -v "$(pwd)":/w -w /w ultralytics/ultralytics:latest \
  yolo train model=yolo26n.pt data=coco8.yaml project=/w/runs

Cela enregistre toutes les sorties d'entraînement dans ./runs sur ta machine hôte.

Link to this sectionExécuter des applications d'interface graphique (GUI) dans un conteneur Docker#

Docker est principalement utilisé pour conteneuriser des applications en arrière-plan et des programmes CLI, mais il peut aussi exécuter des programmes graphiques. Dans le monde Linux, deux serveurs graphiques principaux gèrent l'affichage graphique : X11 (aussi connu sous le nom de X Window System) et Wayland. Avant de commencer, il est essentiel de déterminer quel serveur graphique tu utilises actuellement. Exécute cette commande pour le découvrir :

env | grep -E -i 'x11|xorg|wayland'

L'installation et la configuration d'un serveur d'affichage X11 ou Wayland sortent du cadre de ce guide. Si la commande ci-dessus ne renvoie rien, tu devras commencer par faire fonctionner l'un ou l'autre pour ton système avant de continuer.

Link to this sectionExécution d'un conteneur Docker avec une interface graphique#

xhost +local:docker && docker run -e DISPLAY=$DISPLAY \
  -v /tmp/.X11-unix:/tmp/.X11-unix \
  -v ~/.Xauthority:/root/.Xauthority \
  -it --ipc=host $t

Link to this sectionUtilisation de Docker avec une interface graphique#

Maintenant tu peux afficher des applications graphiques à l'intérieur de ton conteneur Docker. Par exemple, tu peux exécuter la commande CLI suivante pour visualiser les prédictions d'un modèle YOLO26 :

yolo predict model=yolo26n.pt show=True

Link to this sectionLorsque tu as terminé avec l'interface graphique Docker#

xhost -local:docker

Tu es maintenant prêt à utiliser Ultralytics avec Docker et prêt à profiter de ses capacités. Pour d'autres méthodes d'installation, voir la documentation de démarrage rapide d'Ultralytics.

Link to this sectionFAQ#

Link to this sectionComment configurer Ultralytics avec Docker ?#

Pour configurer Ultralytics avec Docker, assure-toi d'abord que Docker est installé sur ton système. Si tu as un GPU NVIDIA, installe le NVIDIA Container Toolkit pour activer le support GPU. Ensuite, récupère la dernière image Docker Ultralytics depuis Docker Hub en utilisant la commande suivante :

sudo docker pull ultralytics/ultralytics:latest

Pour des étapes détaillées, reporte-toi à notre guide de démarrage rapide Docker.

Link to this sectionQuels sont les avantages de l'utilisation des images Docker Ultralytics pour les projets de machine learning ?#

L'utilisation des images Docker Ultralytics garantit un environnement cohérent sur différentes machines, reproduisant les mêmes logiciels et dépendances. Ceci est particulièrement utile pour collaborer entre équipes, exécuter des modèles sur divers matériels et maintenir la reproductibilité. Pour l'entraînement basé sur GPU, Ultralytics fournit des images Docker optimisées telles que Dockerfile pour une utilisation GPU générale et Dockerfile-jetson pour les appareils NVIDIA Jetson. Explore Ultralytics Docker Hub pour plus de détails.

Link to this sectionComment puis-je exécuter YOLO d'Ultralytics dans un conteneur Docker avec support GPU ?#

Tout d'abord, assure-toi que le NVIDIA Container Toolkit est installé et configuré. Ensuite, utilise la commande suivante pour exécuter YOLO d'Ultralytics avec support GPU :

sudo docker run -it --ipc=host --runtime=nvidia --gpus all ultralytics/ultralytics:latest # all GPUs

Cette commande configure un conteneur Docker avec accès GPU. Pour des détails supplémentaires, vois le guide de démarrage rapide Docker.

Link to this sectionComment visualiser les résultats de prédiction YOLO dans un conteneur Docker avec un serveur d'affichage ?#

Pour visualiser les résultats de prédiction YOLO avec une interface graphique dans un conteneur Docker, tu dois autoriser Docker à accéder à ton serveur d'affichage. Pour les systèmes exécutant X11, la commande est :

xhost +local:docker && docker run -e DISPLAY=$DISPLAY \
  -v /tmp/.X11-unix:/tmp/.X11-unix \
  -v ~/.Xauthority:/root/.Xauthority \
  -it --ipc=host ultralytics/ultralytics:latest

Pour les systèmes exécutant Wayland, utilise :

xhost +local:docker && docker run -e DISPLAY=$DISPLAY \
  -v $XDG_RUNTIME_DIR/$WAYLAND_DISPLAY:/tmp/$WAYLAND_DISPLAY \
  --net=host -it --ipc=host ultralytics/ultralytics:latest

Plus d'informations peuvent être trouvées dans la section Exécuter des applications d'interface graphique (GUI) dans un conteneur Docker.

Link to this sectionPuis-je monter des répertoires locaux dans le conteneur Docker Ultralytics ?#

Oui, tu peux monter des répertoires locaux dans le conteneur Docker Ultralytics en utilisant le flag -v :

sudo docker run -it --ipc=host --runtime=nvidia --gpus all -v /path/on/host:/path/in/container ultralytics/ultralytics:latest

Remplace /path/on/host par le répertoire sur ta machine locale et /path/in/container par le chemin souhaité à l'intérieur du conteneur. Cette configuration te permet de travailler avec tes fichiers locaux à l'intérieur du conteneur. Pour plus d'informations, reporte-toi à la section Note sur l'accessibilité des fichiers.