Guida rapida a Docker per Ultralytics

Questa guida funge da introduzione completa alla configurazione di un ambiente Docker per i tuoi progetti Ultralytics. Docker è una piattaforma per sviluppare, distribuire ed eseguire applicazioni in container. È particolarmente utile per garantire che il software funzioni sempre allo stesso modo, indipendentemente da dove viene distribuito. Per ulteriori dettagli, visita il repository Docker di Ultralytics su Docker Hub.

Cosa imparerai

• Configurazione di Docker con supporto NVIDIA
• Installazione delle immagini Docker di Ultralytics
• Esecuzione di Ultralytics in un container Docker con supporto CPU o GPU
• Utilizzo di un display server con Docker per mostrare i risultati di rilevamento di Ultralytics
• Montaggio di directory locali nel container

Prerequisiti

• Assicurati che Docker sia installato sul tuo sistema. In caso contrario, puoi scaricarlo e installarlo dal sito web di Docker.
• Assicurati che il tuo sistema abbia una GPU NVIDIA e che i driver NVIDIA siano installati.
• Se utilizzi dispositivi NVIDIA Jetson, assicurati di avere installato la versione di JetPack appropriata. Fai riferimento alla guida NVIDIA Jetson per maggiori dettagli.

Configurazione di Docker con supporto NVIDIA

Per prima cosa, verifica che i driver NVIDIA siano installati correttamente eseguendo:

nvidia-smi

Installazione di NVIDIA Container Toolkit

Ora installiamo il NVIDIA Container Toolkit per abilitare il supporto GPU nei container 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

Verifica del runtime NVIDIA con Docker

Esegui docker info | grep -i runtime per assicurarti che nvidia appaia nell'elenco dei runtime:

docker info | grep -i runtime

Installazione delle immagini Docker di Ultralytics

Ultralytics offre diverse immagini Docker ottimizzate per varie piattaforme e casi d'uso:

• Dockerfile: immagine GPU, ideale per l'addestramento.
• Dockerfile-arm64: per architettura ARM64, adatta a dispositivi come Raspberry Pi.
• Dockerfile-cpu: versione solo CPU per inferenza e ambienti non GPU.
• Dockerfile-jetson-jetpack4: ottimizzata per dispositivi NVIDIA Jetson con NVIDIA JetPack 4.
• Dockerfile-jetson-jetpack5: ottimizzata per dispositivi NVIDIA Jetson con NVIDIA JetPack 5.
• Dockerfile-jetson-jetpack6: ottimizzata per dispositivi NVIDIA Jetson con NVIDIA JetPack 6.
• Dockerfile-jupyter: per sviluppo interattivo usando JupyterLab nel browser.
• Dockerfile-nvidia-arm64: per dispositivi NVIDIA ARM64 come Jetson AGX Thor e DGX Spark, che supportano JetPack 7.0 e DGX OS.
• Dockerfile-python: ambiente Python minimale per applicazioni leggere.
• Dockerfile-python-export: immagine Python minimale estesa con funzionalità di esportazione complete per la conversione di modelli YOLO.
• Dockerfile-conda: include Miniconda3 e il pacchetto Ultralytics installato tramite Conda.
• Dockerfile-export: immagine GPU con tutte le dipendenze dei formati di esportazione preinstallate per la conversione e il benchmarking dei modelli.

Per scaricare l'ultima immagine:

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

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

Esecuzione di Ultralytics nel container Docker

Ecco come eseguire il container Docker di Ultralytics:

Utilizzando solo la CPU

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

Utilizzando le 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

Il flag -it assegna uno pseudo-TTY e mantiene stdin aperto, permettendoti di interagire con il container. Il flag --ipc=host abilita la condivisione dello spazio dei nomi IPC dell'host, essenziale per condividere la memoria tra i processi. Il flag --gpus consente al container di accedere alle GPU dell'host.

Nota sull'accessibilità dei file

Per lavorare con i file sulla tua macchina locale all'interno del container, puoi usare i volumi 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

Sostituisci /path/on/host con il percorso della directory sulla tua macchina locale e /path/in/container con il percorso desiderato all'interno del container Docker.

Persistenza degli output di addestramento

Gli output di addestramento vengono salvati in /ultralytics/runs/<task>/<name>/ all'interno del container per impostazione predefinita. Senza montare una directory host, gli output vanno persi quando il container viene rimosso.

Per mantenere gli output di addestramento:

# 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

Questo salva tutti gli output di addestramento in ./runs sulla tua macchina host.

Esegui applicazioni con interfaccia grafica (GUI) in un container Docker

Docker viene utilizzato principalmente per containerizzare applicazioni in background e programmi CLI, ma può anche eseguire programmi grafici. Nel mondo Linux, due server grafici principali gestiscono la visualizzazione grafica: X11 (noto anche come X Window System) e Wayland. Prima di iniziare, è essenziale determinare quale server grafico stai utilizzando. Esegui questo comando per scoprirlo:

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

La configurazione di un display server X11 o Wayland esula dallo scopo di questa guida. Se il comando sopra non restituisce nulla, dovrai iniziare assicurandoti che uno dei due funzioni sul tuo sistema prima di continuare.

Esecuzione di un container Docker con una GUI

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

Utilizzo di Docker con una GUI

Ora puoi visualizzare applicazioni grafiche all'interno del tuo container Docker. Ad esempio, puoi eseguire il seguente comando CLI per visualizzare le predizioni da un modello YOLO26:

yolo predict model=yolo26n.pt show=True

Quando hai finito con la GUI di Docker

xhost -local:docker

Ora sei pronto per utilizzare Ultralytics con Docker e sfruttarne le funzionalità. Per metodi di installazione alternativi, consulta la documentazione di avvio rapido di Ultralytics.

FAQ

Come configuro Ultralytics con Docker?

Per configurare Ultralytics con Docker, assicurati innanzitutto che Docker sia installato sul tuo sistema. Se hai una GPU NVIDIA, installa il NVIDIA Container Toolkit per abilitare il supporto GPU. Quindi, scarica l'ultima immagine Docker di Ultralytics da Docker Hub usando il seguente comando:

sudo docker pull ultralytics/ultralytics:latest

Per passaggi dettagliati, fai riferimento alla nostra Guida rapida a Docker.

Quali sono i vantaggi dell'utilizzo delle immagini Docker di Ultralytics per i progetti di machine learning?

L'utilizzo delle immagini Docker di Ultralytics garantisce un ambiente coerente su macchine diverse, replicando lo stesso software e le stesse dipendenze. Questo è particolarmente utile per collaborare tra team, eseguire modelli su vari hardware e mantenere la riproducibilità. Per l'addestramento basato su GPU, Ultralytics fornisce immagini Docker ottimizzate come Dockerfile per l'uso generale della GPU e Dockerfile-jetson per dispositivi NVIDIA Jetson. Esplora Ultralytics Docker Hub per ulteriori dettagli.

Come posso eseguire Ultralytics YOLO in un container Docker con supporto GPU?

Per prima cosa, assicurati che il NVIDIA Container Toolkit sia installato e configurato. Quindi, usa il seguente comando per eseguire Ultralytics YOLO con supporto GPU:

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

Questo comando configura un container Docker con accesso alla GPU. Per ulteriori dettagli, consulta la Guida rapida a Docker.

Come visualizzo i risultati delle predizioni YOLO in un container Docker con un display server?

Per visualizzare i risultati delle predizioni YOLO con una GUI in un container Docker, devi consentire a Docker di accedere al tuo display server. Per i sistemi che eseguono X11, il comando è:

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

Per i sistemi che eseguono Wayland, usa:

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

Ulteriori informazioni sono disponibili nella sezione Esegui applicazioni con interfaccia grafica (GUI) in un container Docker.

Posso montare directory locali nel container Docker di Ultralytics?

Sì, puoi montare directory locali nel container Docker di Ultralytics usando il flag -v:

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

Sostituisci /path/on/host con la directory sulla tua macchina locale e /path/in/container con il percorso desiderato all'interno del container. Questa configurazione ti consente di lavorare con i tuoi file locali all'interno del container. Per ulteriori informazioni, fai riferimento alla sezione Nota sull'accessibilità dei file.