Aan de slag met YOLOv5 🚀 in Docker

Deze tutorial leidt je door het proces van het instellen en uitvoeren van YOLOv5 in een Docker container.

Je kunt ook andere snelstartopties voor YOLOv5 verkennen, zoals onze Colaboekje , GCP Diep Leren VMen Amazon AWS.

Vereisten

1. Nvidia-stuurprogramma: Versie 455.23 of hoger. Downloaden van de website van Nvidia.
2. Nvidia-Docker: Hiermee kan Docker communiceren met je lokale GPU. Installatie-instructies zijn beschikbaar op de Nvidia-Docker GitHub repository.
3. Docker Engine - CE: Versie 19.03 of hoger. Download- en installatie-instructies zijn te vinden op de Docker-website.

Stap 1: Trek de YOLOv5 Docker Image

De Ultralytics YOLOv5 DockerHub repository is beschikbaar op https://hub.docker.com/r/ultralytics/yolov5. Docker Autobuild zorgt ervoor dat de ultralytics/yolov5:latest image is altijd gesynchroniseerd met de meest recente repository commit. Om de meest recente image op te halen, voer je het volgende commando uit:

sudo docker pull ultralytics/yolov5:latest

Stap 2: De Docker Container uitvoeren

Basiscontainer:

Voer een interactieve instantie van het YOLOv5 Docker image (een "container" genoemd) uit met behulp van de -it vlag:

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

Container met lokale bestandstoegang:

Om een container te draaien met toegang tot lokale bestanden (bijvoorbeeld COCO trainingsgegevens in /datasets), gebruik je de -v vlag:

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

Container met GPU-toegang:

Om een container met GPU-toegang te draaien, gebruik je de --gpus all vlag:

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

Stap 3: YOLOv5 gebruiken 🚀 binnen de Docker Container

Nu kun je YOLOv5 modellen trainen, testen, detecteren en exporteren binnen de draaiende Docker-container:

# 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

Reacties