Vai al contenuto

Iniziare con YOLOv5 🚀 in Docker

Questo tutorial ti guiderà attraverso il processo di configurazione ed esecuzione di YOLOv5 in un container Docker.

Puoi anche esplorare altre opzioni di avvio rapido per YOLOv5, come ad esempio il nostro Taccuino Colab Apri in Colab Apri in Kaggle, GCP Deep Learning VM, e Amazon AWS.

Prerequisiti

  1. Driver NVIDIA: Versione 455.23 o superiore. Scarica dal sito web di Nvidia.
  2. NVIDIA-Docker: Permette a Docker di interagire con la GPU locale. Le istruzioni per l'installazione sono disponibili sul repository GitHub di NVIDIA-Docker.
  3. Docker Engine - 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, esegui il seguente comando:

sudo docker pull ultralytics/yolov5:latest

Passo 2: Eseguire il contenitore Docker

Contenitore di base:

Esegui un'istanza interattiva dell'immagine Docker di YOLOv5 (chiamata "container") utilizzando l'opzione -it bandiera:

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

Contenitore con accesso ai file locali:

Per eseguire un contenitore con accesso ai file locali (ad esempio, i dati di addestramento COCO in /datasets), usa il pulsante -v bandiera:

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

Contenitore con accesso alla GPU:

Per eseguire un container con accesso alla GPU, usa la funzione --gpus all bandiera:

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

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

Ora puoi addestrare, testare, rilevare ed esportare i modelli di YOLOv5 all'interno del container 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

GCP con Docker



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (5), Burhan-Q (1)

Commenti