Docker에서 YOLOv5 🚀 시작하기#

Ultralytics YOLOv5 Docker 빠른 시작 가이드에 오신 것을 환영합니다! 이 튜토리얼에서는 YOLOv5를 Docker 컨테이너 내에서 설정하고 실행하는 방법을 단계별로 안내합니다. Docker를 사용하면 격리되고 일관된 환경에서 YOLOv5를 실행할 수 있어 다양한 시스템에서의 배포와 종속성 관리가 간소화됩니다. 이 접근 방식은 컨테이너화를 활용하여 애플리케이션과 종속성을 함께 패키징합니다.

대체 설정 방법은 Colab Notebook , GCP Deep Learning VM 또는 Amazon AWS 가이드를 참조하시기 바랍니다. Ultralytics 모델에서 Docker를 사용하는 방법에 대한 일반적인 개요는 Ultralytics Docker Quickstart Guide를 참조하십시오.

필수 조건#

시작하기 전에 다음 항목이 설치되어 있는지 확인하십시오:

1. Docker: 공식 Docker 웹사이트에서 Docker를 다운로드하고 설치하십시오. Docker는 컨테이너를 생성하고 관리하는 데 필수적입니다.
2. NVIDIA Drivers (GPU 지원에 필요): NVIDIA 드라이버 버전 455.23 이상이 설치되어 있는지 확인하십시오. 최신 드라이버는 NVIDIA 웹사이트에서 다운로드할 수 있습니다.
3. NVIDIA Container Toolkit (GPU 지원에 필요): 이 툴킷을 사용하면 Docker 컨테이너가 호스트 머신의 NVIDIA GPU에 액세스할 수 있습니다. 자세한 지침은 공식 NVIDIA Container Toolkit 설치 가이드를 참조하십시오.

NVIDIA Container Toolkit 설정(GPU 사용자)#

먼저 다음을 실행하여 NVIDIA 드라이버가 올바르게 설치되었는지 확인하십시오:

nvidia-smi

이 명령은 GPU와 설치된 드라이버 버전에 대한 정보를 표시해야 합니다.

다음으로 NVIDIA Container Toolkit을 설치하십시오. 아래 명령은 Ubuntu와 같은 Debian 기반 시스템 및 Fedora/CentOS와 같은 RHEL 기반 시스템에서 일반적으로 사용되지만, 사용 중인 배포판에 맞는 지침은 위에 링크된 공식 가이드를 참조하십시오:

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

Docker로 CDI 디바이스 확인#

GPU CDI 디바이스를 사용할 수 있는지 확인하려면 nvidia-ctk cdi list을 실행하세요(toolkit의 nvidia-cdi-refresh 서비스는 toolkit >= 1.18에서 사양을 자동으로 생성하고 유지 관리합니다):

nvidia-ctk cdi list

nvidia.com/gpu=0 및 nvidia.com/gpu=all과 같은 항목이 표시되어야 합니다. Linux에서 CDI 디바이스 요청을 사용하려면 Docker >= 28.2.0 및 NVIDIA Container Toolkit >= 1.18이 필요합니다. 레거시 --gpus all 플래그는 호스트 데몬을 다시 로드한 후 GPU 액세스 권한을 잃을 수 있으므로, 이전 Linux 호스트를 업그레이드하고 대신 --device을 사용하십시오.

1단계: YOLOv5 Docker 이미지 가져오기#

Ultralytics는 Docker Hub에서 공식 YOLOv5 이미지를 제공합니다. latest 태그는 최신 repository 커밋을 추적하므로 항상 가장 최신 버전을 가져올 수 있습니다. 다음 명령을 사용하여 이미지를 가져오십시오:

# Define the image name with tag
t=ultralytics/yolov5:latest

# Pull the latest YOLOv5 image from Docker Hub
sudo docker pull $t

사용 가능한 모든 이미지는 Ultralytics YOLOv5 Docker Hub repository에서 확인할 수 있습니다.

2단계: Docker 컨테이너 실행#

이미지를 가져온 후 컨테이너로 실행할 수 있습니다.

CPU만 사용#

CPU만 사용하여 대화형 컨테이너 인스턴스를 실행하려면 -it 플래그를 사용하십시오. --ipc=host 플래그를 사용하면 호스트 IPC 네임스페이스를 공유할 수 있으며, 이는 공유 메모리 액세스에 중요합니다.

# Run an interactive container instance using CPU
sudo docker run -it --ipc=host $t

GPU 사용#

컨테이너 내에서 GPU 액세스를 활성화하려면 --device nvidia.com/gpu=... CDI 플래그를 사용하십시오. 이를 위해서는 NVIDIA Container Toolkit이 올바르게 설치되어 있어야 합니다.

# Run with access to all available GPUs
sudo docker run -it --ipc=host --device nvidia.com/gpu=all $t

# Run with access to specific GPUs (e.g., GPUs 2 and 3)
sudo docker run -it --ipc=host --device nvidia.com/gpu=2 --device nvidia.com/gpu=3 $t

명령 옵션에 대한 자세한 내용은 Docker run reference를 참조하십시오.

로컬 디렉터리 마운트#

컨테이너 내부에서 로컬 파일(데이터셋, 모델 가중치 등)을 사용하려면 -v 플래그를 사용하여 호스트 디렉터리를 컨테이너에 마운트하십시오:

# Mount /path/on/host (your local machine) to /path/in/container (inside the container)
sudo docker run -it --ipc=host --device nvidia.com/gpu=all -v /path/on/host:/path/in/container $t

/path/on/host을 머신의 실제 경로로, /path/in/container을 Docker 컨테이너 내부에서 원하는 경로(예: /usr/src/datasets)로 바꾸십시오.

3단계: Docker 컨테이너에서 YOLOv5 🚀 사용하기#

이제 실행 중인 YOLOv5 Docker 컨테이너 내부에 있습니다! 여기서 Object Detection과 같은 다양한 Machine Learning 및 Deep Learning 작업에 표준 YOLOv5 명령을 실행할 수 있습니다.

# Train a YOLOv5 model on your custom dataset (ensure data is mounted or downloaded)
python train.py --data your_dataset.yaml --weights yolov5s.pt --img 640 # Start training

# Validate the trained model's performance (Precision, Recall, mAP)
python val.py --weights path/to/your/best.pt --data your_dataset.yaml # Validate accuracy

# Run inference on images or videos using a trained model
python detect.py --weights yolov5s.pt --source path/to/your/images_or_videos # Perform detection

# Export the trained model to various formats like ONNX, CoreML, or TFLite for deployment
python export.py --weights yolov5s.pt --include onnx coreml tflite # Export model

다양한 모드의 자세한 사용법은 문서를 참조하십시오:

• 학습
• 검증
• 예측
• 내보내기

Precision, Recall, mAP와 같은 평가 지표에 대해 자세히 알아보십시오. ONNX, CoreML, TFLite와 같은 다양한 모델 배포 옵션을 살펴보고, 모델 가중치를 효과적으로 관리하십시오.

Docker 컨테이너 내에서 YOLOv5를 성공적으로 설정하고 실행했습니다.