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
- Nvidia-stuurprogramma: Versie 455.23 of hoger. Downloaden van de website van Nvidia.
- Nvidia-Docker: Hiermee kan Docker communiceren met je lokale GPU. Installatie-instructies zijn beschikbaar op de Nvidia-Docker GitHub repository.
- 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:
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:
Container met lokale bestandstoegang:
Om een container te draaien met toegang tot lokale bestanden (bijvoorbeeld COCO trainingsgegevens in /datasets
), gebruik je de -v
vlag:
Container met GPU-toegang:
Om een container met GPU-toegang te draaien, gebruik je de --gpus all
vlag:
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