Overslaan naar inhoud

Aan de slag met YOLOv5 πŸš€ 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 Open in Colab Openen in Kaggle, GCP Diep Leren VMen Amazon AWS.

Vereisten

  1. NVIDIA Stuurprogramma: Versie 455.23 of hoger. Downloaden van Nvidia's website.
  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 πŸš€ 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

GCP met Docker



Aangemaakt 2023-11-12, Bijgewerkt 2024-06-02
Auteurs: glenn-jocher (5), Burhan-Q (1)

Reacties