YOLOv5 🚀をDockerで始める

このチュートリアルでは、DockerコンテナにYOLOv5 セットアップして実行する手順を、CPU 環境とGPU 環境の両方について包括的に説明します。

また、YOLOv5 のクイックスタートオプションもあります。コラボ・ノートブック , GCPディープラーニングVMそしてアマゾンAWS.

前提条件

Docker: Dockerの公式ウェブサイトからインストールする。
NVIDIA ドライバ（GPU サポート用）：バージョン455.23以上。NVIDIAウェブサイトからダウンロードしてください。
NVIDIA Docker Runtime(GPU サポート用)：DockerがローカルGPU対話できるようにします。以下のインストール手順に従ってください。

NVIDIA Docker Runtimeのセットアップ

NVIDIA ドライバが正しくインストールされていることを確認してください：

nvidia-smi

NVIDIA Dockerランタイムをインストールします：

# Add NVIDIA package repositories
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
distribution=$(lsb_release -cs)
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

# Install NVIDIA Docker runtime
sudo apt-get update
sudo apt-get install -y nvidia-docker2

# Restart Docker service
sudo systemctl restart docker

NVIDIA ランタイムが利用可能であることを確認する：

docker info | grep -i runtime

ステップ 1:YOLOv5 Docker イメージをプルする

Ultralytics YOLOv5 DockerHub リポジトリは以下から入手できます。 https://hub.docker.com/r/ultralytics/yolov5.Docker Autobuildは ultralytics/yolov5:latest イメージは常に最新のリポジトリコミットと同期します。

# Set image name as a variable
t=ultralytics/yolov5:latest

# Pull the latest image
sudo docker pull $t

ステップ 2: Dockerコンテナの実行

CPU 使用

を使用して、YOLOv5 Dockerイメージのインタラクティブなインスタンス（「コンテナ」と呼ばれる）を実行する。 -it の旗を掲げている：

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

GPU使用

# Run with all GPUs
sudo docker run -it --ipc=host --gpus all $t

# Run with specific GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t

ローカル・ディレクトリのマウント

コンテナ内のローカルマシンのファイルにアクセスする：

# Mount a local directory into the container
sudo docker run -it --ipc=host --gpus all -v /path/on/host:/path/in/container $t

GPU アクセス可能なコンテナ：

GPU アクセスでコンテナを実行するには、以下のようにする。 --gpus all の旗を掲げている：

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

ステップ3：Dockerコンテナ内でYOLOv5 🚀を使う

実行中のDockerコンテナ内で、YOLOv5 モデルのトレーニング、テスト、検出、エクスポートができるようになりました：

# 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