Docker에서 YOLOv5 🚀 시작하기#

Ultralytics YOLOv5 Docker 빠른 시작 가이드에 오신 것을 환영합니다! 이 튜토리얼에서는 Docker 컨테이너 내에서 YOLOv5를 설정하고 실행하는 방법에 대한 단계별 지침을 제공합니다. Docker를 사용하면 격리되고 일관된 환경에서 YOLOv5를 실행할 수 있으므로 다양한 시스템 간의 배포 및 종속성 관리가 단순화됩니다. 이 접근 방식은 컨테이너화를 활용하여 애플리케이션과 그 종속성을 함께 패키징합니다.

대체 설정 방법의 경우 Colab Notebook , GCP Deep Learning VM 또는 Amazon AWS 가이드를 참고하세요. Ultralytics 모델과 함께 Docker를 사용하는 방법에 대한 일반적인 개요는 Ultralytics Docker Quickstart Guide를 확인하세요.

사전 요구 사항#

시작하기 전에 다음 항목이 설치되어 있는지 확인하십시오:

1. Docker: 공식 Docker 웹사이트에서 Docker를 다운로드하여 설치합니다. Docker는 컨테이너를 생성하고 관리하는 데 필수적입니다.
2. NVIDIA 드라이버 (GPU 지원에 필요): NVIDIA 드라이버 버전 455.23 이상이 설치되어 있는지 확인하세요. NVIDIA 웹사이트에서 최신 드라이버를 다운로드할 수 있습니다.
3. NVIDIA Container Toolkit (GPU 지원에 필요): 이 툴킷을 사용하면 Docker 컨테이너가 호스트 시스템의 NVIDIA GPU에 액세스할 수 있습니다. 자세한 지침은 공식 NVIDIA Container Toolkit 설치 가이드를 따르세요.

NVIDIA Container Toolkit 설정 (GPU 사용자)#

먼저 다음을 실행하여 NVIDIA 드라이버가 올바르게 설치되었는지 확인하십시오:

nvidia-smi

이 명령은 GPU 정보와 설치된 드라이버 버전을 표시해야 합니다.

다음으로 NVIDIA Container Toolkit을 설치합니다. 아래 명령은 Ubuntu와 같은 Debian 기반 시스템 및 Fedora/CentOS와 같은 RHEL 기반 시스템에 일반적이지만, 사용 중인 배포판에 특정한 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

Docker에서 CDI 장치 확인하기#

GPU CDI 장치를 사용할 수 있는지 확인하려면 nvidia-ctk cdi list을 실행하십시오(툴킷의 nvidia-cdi-refresh 서비스는 툴킷 버전 1.18 이상에서 사양을 자동으로 생성하고 유지 관리합니다).

nvidia-ctk cdi list

nvidia.com/gpu=0 및 nvidia.com/gpu=all과 같은 항목이 표시되어야 합니다. Linux에서 CDI 장치 요청에는 Docker >= 28.2.0 및 NVIDIA Container Toolkit >= 1.18이 필요합니다. 레거시 --gpus all 플래그는 호스트 데몬 재시작 후 GPU 액세스 권한을 잃을 수 있으므로, 구형 Linux 호스트를 업그레이드하고 대신 --device을 사용하세요.

1단계: YOLOv5 Docker 이미지 가져오기(Pull)#

Ultralytics는 Docker Hub에 공식 YOLOv5 이미지를 제공합니다. latest 태그는 가장 최근 리포지토리 커밋을 추적하여 항상 최신 버전을 받을 수 있도록 합니다. 다음 명령을 사용하여 이미지를 풀(pull)하세요:

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

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

Ultralytics YOLOv5 Docker Hub 리포지토리에서 사용 가능한 모든 이미지를 찾아볼 수 있습니다.

2단계: Docker 컨테이너 실행#

이미지를 가져온 후 컨테이너로 실행할 수 있습니다.

CPU만 사용하는 경우#

CPU만 사용하여 대화형 컨테이너 인스턴스를 실행하려면 -it 플래그를 사용하세요. --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

GPU를 사용하는 경우#

컨테이너 내에서 GPU 액세스를 활성화하려면 --device nvidia.com/gpu=... CDI 플래그를 사용하세요. 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 참조를 참고하세요.

로컬 디렉터리 마운트#

컨테이너 내에서 로컬 파일(데이터셋, 모델 가중치 등)을 작업하려면 -v 플래그를 사용하여 호스트 디렉토리를 컨테이너에 마운트하세요:

# 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 내의 원하는 경로(예: /usr/src/datasets)로 바꿉니다.

3단계: Docker 컨테이너 내에서 YOLOv5 🚀 사용#

이제 실행 중인 YOLOv5 Docker 컨테이너 내부에 있습니다! 여기에서 객체 감지와 같은 다양한 머신 러닝 및 딥 러닝 작업을 위한 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 탐색하십시오:

• Train
• Validate
• Predict
• Export

Precision, Recall, mAP과 같은 평가 지표에 대해 자세히 알아보세요. ONNX, CoreML, TFLite와 같은 다양한 내보내기 형식을 이해하고, 다양한 Model Deployment Options을 살펴보세요. model weights를 효과적으로 관리하는 것을 잊지 마세요.

이제 Docker 컨테이너 내에서 YOLOv5를 성공적으로 설정하고 실행했습니다.