Iniziare con YOLOv5 🚀 in Docker

Questa esercitazione vi guiderà attraverso il processo di configurazione ed esecuzione di YOLOv5 in un contenitore Docker.

È inoltre possibile esplorare altre opzioni di avvio rapido per YOLOv5, come ad esempio le nostre Taccuino Colab , GCP Deep Learning VM, e Amazon AWS.

Prerequisiti

NVIDIA Driver: Versione 455.23 o superiore. Scaricare dal sito Web diNVIDIA.
NVIDIA-Docker: Permette a Docker di interagire con il sito locale GPU. Le istruzioni per l'installazione sono disponibili sul repository GitHubNVIDIA-Docker.
Motore Docker - CE: Versione 19.03 o superiore. Le istruzioni per il download e l'installazione sono disponibili sul sito web di Docker.

Passo 1: Estrarre l'immagine Docker di YOLOv5

Il repository DockerHub di Ultralytics YOLOv5 è disponibile all'indirizzo https://hub.docker.com/r/ultralytics/yolov5. Docker Autobuild assicura che il file ultralytics/yolov5:latest è sempre sincronizzata con il commit più recente del repository. Per prelevare l'immagine più recente, eseguire il seguente comando:

sudo docker pull ultralytics/yolov5:latest

Passo 2: Eseguire il contenitore Docker

Contenitore di base:

Eseguire un'istanza interattiva dell'immagine Docker YOLOv5 (chiamata "container") utilizzando il metodo -it bandiera:

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

Contenitore con accesso locale ai file:

Per eseguire un contenitore con accesso ai file locali (ad esempio, COCO dati di formazione in /datasets), utilizzare l'opzione -v bandiera:

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

Contenitore con accesso a GPU :

Per eseguire un contenitore con accesso a GPU , usare il metodo --gpus all bandiera:

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

Passo 3: Utilizzare YOLOv5 🚀 all'interno del contenitore Docker

Ora è possibile addestrare, testare, rilevare ed esportare i modelli YOLOv5 all'interno del contenitore Docker in esecuzione:

# 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