Docker에서 YOLOv5 🚀 시작하기

Welcome to the Ultralytics YOLOv5 Docker Quickstart Guide! This tutorial provides step-by-step instructions for setting up and running YOLOv5 within a Docker container. Using Docker enables you to run YOLOv5 in an isolated, consistent environment, simplifying deployment and dependency management across different systems. This approach leverages containerization to package the application and its dependencies together.

다른 설정 방법을 찾으신다면 Colab 노트북 , GCP Deep Learning VM 또는 Amazon AWS 가이드를 고려해 보십시오. Ultralytics 모델과 함께 Docker를 사용하는 일반적인 개요는 Ultralytics Docker 퀵스타트 가이드를 참조하십시오.

사전 요구 사항

시작하기 전에 다음 항목이 설치되어 있는지 확인하십시오:

1. Docker: 공식 Docker 웹사이트에서 Docker를 다운로드하여 설치하십시오. Docker는 컨테이너 생성 및 관리에 필수적입니다.
2. NVIDIA 드라이버 (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 따르십시오.

NVIDIA Container Toolkit 설정 (GPU 사용자)

먼저 다음 명령을 실행하여 NVIDIA 드라이버가 올바르게 설치되었는지 확인하십시오:

nvidia-smi

이 명령은 GPU 정보와 설치된 드라이버 버전을 표시해야 합니다.

다음으로 NVIDIA Container Toolkit을 설치하십시오. 아래 명령은 Ubuntu와 같은 Debian 기반 시스템 및 Fedora/CentOS와 같은 RHEL 기반 시스템에 일반적이지만, 운영체제별 특정 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 \
  nvidia-container-toolkit-base libnvidia-container-tools \
  libnvidia-container1

export NVIDIA_CONTAINER_TOOLKIT_VERSION=1.17.8-1
sudo apt-get install -y \
  nvidia-container-toolkit=${NVIDIA_CONTAINER_TOOLKIT_VERSION} \
  nvidia-container-toolkit-base=${NVIDIA_CONTAINER_TOOLKIT_VERSION} \
  libnvidia-container-tools=${NVIDIA_CONTAINER_TOOLKIT_VERSION} \
  libnvidia-container1=${NVIDIA_CONTAINER_TOOLKIT_VERSION}

sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker

Docker로 NVIDIA 런타임 검증

docker info | grep -i runtime을 실행하여 런타임 목록에 nvidia가 나타나는지 확인하십시오:

docker info | grep -i runtime

nvidia가 사용 가능한 런타임 중 하나로 나열되어야 합니다.

1단계: YOLOv5 Docker 이미지 가져오기(Pull)

Ultralytics는 Docker Hub에서 공식 YOLOv5 이미지를 제공합니다. latest 태그는 가장 최근의 저장소 커밋을 추적하므로 항상 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

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

2단계: Docker 컨테이너 실행하기

이미지를 가져온 후에는 컨테이너로 실행할 수 있습니다.

CPU만 사용하기

CPU만 사용하여 대화형 컨테이너 인스턴스를 실행하려면 -it 플래그를 사용하십시오. --ipc=host 플래그는 호스트 IPC 네임스페이스 공유를 허용하며, 이는 공유 메모리 액세스에 중요합니다.

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

GPU 사용하기

컨테이너 내에서 GPU 액세스를 활성화하려면 --gpus 플래그를 사용하십시오. 이를 위해서는 NVIDIA Container Toolkit이 올바르게 설치되어 있어야 합니다.

# Run with access to all available GPUs
sudo docker run -it --runtime=nvidia --ipc=host --gpus all $t

# Run with access to specific GPUs (e.g., GPUs 2 and 3)
sudo docker run -it --runtime=nvidia --ipc=host --gpus '"device=2,3"' $t

명령 옵션에 대한 자세한 내용은 Docker 실행 참조를 참조하십시오.

로컬 디렉토리 마운트하기

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

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

/path/on/host를 머신의 실제 경로로, /path/in/container를 Docker 컨테이너 내부의 원하는 경로(예: /usr/src/datasets)로 바꾸십시오.

3단계: Docker 컨테이너 내에서 YOLOv5 🚀 사용하기

You are now inside the running YOLOv5 Docker container! From here, you can execute standard YOLOv5 commands for various Machine Learning and Deep Learning tasks like Object Detection.

# 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 모드에 대한 자세한 사용법은 문서를 살펴보십시오:

• 학습(Train)
• 검증(Validate)
• 예측(Predict)
• 내보내기(Export)

정밀도(Precision), 재현율(Recall) 및 mAP와 같은 평가 지표에 대해 자세히 알아보십시오. ONNX, CoreML, TFLite와 같은 다양한 내보내기 형식을 이해하고 다양한 모델 배포 옵션을 탐색하십시오. 모델 가중치를 효과적으로 관리하는 것을 잊지 마십시오.

Docker 컨테이너 내에서 YOLOv5를 성공적으로 설정하고 실행했습니다.