Démarrer avec YOLOv5 🚀 dans Docker

Ce tutoriel vous guidera dans le processus de configuration et d'exécution de YOLOv5 dans un conteneur Docker, en fournissant des instructions complètes pour les environnements CPU et GPU .

Vous pouvez également explorer d'autres options de démarrage rapide pour YOLOv5, telles que notre Carnet de notes Colab , GCP Deep Learning VMet Amazon AWS.

Conditions préalables

Docker: Installez Docker à partir du site officiel de Docker.
PiloteNVIDIA (pour la prise en charge du GPU ) : Version 455.23 ou supérieure. À télécharger à partir du site Web deNVIDIA.
NVIDIA Docker Runtime (pour la prise en charge des GPU ) : Permet à Docker d'interagir avec votre GPU local. Suivez les instructions d'installation ci-dessous.

Configuration de NVIDIA Docker Runtime

Vérifiez que les pilotes NVIDIA sont correctement installés :

nvidia-smi

Installez le runtime NVIDIA Docker :

# Add NVIDIA package repositories
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
distribution=$(lsb_release -cs)
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

# Install NVIDIA Docker runtime
sudo apt-get update
sudo apt-get install -y nvidia-docker2

# Restart Docker service
sudo systemctl restart docker

Vérifiez que le moteur d'exécution NVIDIA est disponible :

docker info | grep -i runtime

Étape 1 : Extraire l'image Docker YOLOv5

Le dépôt DockerHub Ultralytics YOLOv5 est disponible à l'adresse suivante https://hub.docker.com/r/ultralytics/yolov5. Docker Autobuild s'assure que le fichier ultralytics/yolov5:latest est toujours synchronisée avec le commit le plus récent du dépôt.

# Set image name as a variable
t=ultralytics/yolov5:latest

# Pull the latest image
sudo docker pull $t

Étape 2 : Exécuter le conteneur Docker

Utilisation de l'CPU uniquement

Exécutez une instance interactive de l'image Docker YOLOv5 (appelée "conteneur") en utilisant la commande -it drapeau :

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

Utilisation du GPU

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

# Run with specific GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t

Montage des répertoires locaux

Pour accéder aux fichiers de votre machine locale dans le conteneur :

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

Conteneur avec accès à GPU :

Pour faire fonctionner un conteneur avec un accès à GPU , utilisez la commande --gpus all drapeau :

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

Étape 3 : Utiliser YOLOv5 🚀 dans le conteneur Docker

Vous pouvez désormais former, tester, détecter et exporter les modèles YOLOv5 dans le conteneur Docker en cours d'exécution :

# 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