Démarrer avec YOLOv5 🚀 dans Docker

Ce tutoriel vous guidera dans le processus de configuration et d'exécution de YOLOv5 dans un conteneur Docker.

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

NVIDIA Pilote: Version 455.23 ou supérieure. Télécharger à partir du site webNVIDIA.
NVIDIA-Docker: Permet à Docker d'interagir avec votre GPU local. Les instructions d'installation sont disponibles sur le dépôt GitHubNVIDIA-Docker.
Docker Engine - CE: Version 19.03 ou supérieure. Les instructions de téléchargement et d'installation sont disponibles sur le site web de Docker.

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. Pour obtenir la dernière image, exécutez la commande suivante :

sudo docker pull ultralytics/yolov5:latest

Étape 2 : Exécuter le conteneur Docker

Conteneur de base :

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

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

Conteneur avec accès aux fichiers locaux :

Pour faire fonctionner un conteneur ayant accès aux fichiers locaux (par exemple, COCO données de formation en /datasets), utiliser la fonction -v drapeau :

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

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