Commence avec YOLOv5 🚀 dans Docker

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

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

Conditions préalables

1. Pilote Nvidia: Version 455.23 ou supérieure. Télécharge-le à partir du site Web de Nvidia.
2. Nvidia-Docker: Permet à Docker d'interagir avec ton GPU local. Les instructions d'installation sont disponibles sur le dépôt GitHub de Nvidia-Docker.
3. Docker Engine - CE: Version 19.03 ou supérieure. Les instructions de téléchargement et d'installation se trouvent sur le site web de Docker.

Étape 1 : tirer 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 d'information de l'entreprise. ultralytics/yolov5:latest est toujours synchronisée avec le commit le plus récent du dépôt. Pour obtenir la dernière image, exécute la commande suivante :

sudo docker pull ultralytics/yolov5:latest

Étape 2 : exécuter le conteneur Docker

Récipient de base :

Exécute une instance interactive de l'image Docker YOLOv5 (appelée " conteneur ") à l'aide de 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, les données d'entraînement COCO dans /datasets), utilise le -v drapeau :

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

Conteneur avec accès au GPU :

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

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

Étape 3 : Utiliser YOLOv5 🚀 au sein du conteneur Docker.

Tu peux désormais former, tester, détecter et exporter les modèles YOLOv5 au sein du 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

Commentaires