Começa a usar o YOLOv5 🚀 no Docker#

Bem-vindo ao Guia de início rápido do Docker para Ultralytics YOLOv5! Este tutorial fornece instruções passo a passo para configurar e executar o YOLOv5 num contentor Docker. O uso do Docker permite executar o YOLOv5 num ambiente isolado e consistente, simplificando a implementação e a gestão de dependências em diferentes sistemas. Esta abordagem aproveita a conteinerização para empacotar a aplicação e as respetivas dependências em conjunto.

Para métodos de configuração alternativos, considera o nosso Colab Notebook , os guias da GCP Deep Learning VM ou da Amazon AWS. Para uma visão geral da utilização do Docker com modelos Ultralytics, consulta o Ultralytics Docker Quickstart Guide.

Pré-requisitos#

Antes de começares, certifica-te de que tens os seguintes componentes instalados:

1. Docker: Transfere e instala o Docker a partir do site oficial do Docker. O Docker é essencial para criar e gerir contentores.
2. Controladores NVIDIA (necessários para suporte de GPU): certifica-te de que tens instalados controladores NVIDIA da versão 455.23 ou superior. Podes transferir os controladores mais recentes a partir do site da NVIDIA.
3. NVIDIA Container Toolkit (necessário para suporte de GPU): este toolkit permite que os contentores Docker acedam às GPU NVIDIA da máquina anfitriã. Consulta o guia oficial de instalação do NVIDIA Container Toolkit para obteres instruções detalhadas.

Configurar o NVIDIA Container Toolkit (utilizadores de GPU)#

Primeiro, verifica se os controladores NVIDIA estão instalados corretamente executando:

nvidia-smi

Este comando deve apresentar informações sobre a tua GPU (ou GPUs) e a versão do controlador instalado.

Em seguida, instala o NVIDIA Container Toolkit. Os comandos abaixo são típicos de sistemas baseados em Debian, como o Ubuntu, e de sistemas baseados em RHEL, como o Fedora/CentOS, mas consulta o guia oficial indicado acima para obteres instruções específicas da tua distribuição:

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

Verificar dispositivos CDI com o Docker#

Executa nvidia-ctk cdi list para garantir que os dispositivos GPU CDI estão disponíveis (o serviço nvidia-cdi-refresh do toolkit gera e mantém automaticamente a especificação no toolkit >= 1.18):

nvidia-ctk cdi list

Deves ver entradas como nvidia.com/gpu=0 e nvidia.com/gpu=all. No Linux, os pedidos de dispositivos CDI requerem o Docker >= 28.2.0 e o NVIDIA Container Toolkit >= 1.18. A flag legada --gpus all pode fazer perder o acesso à GPU após recarregamentos do daemon anfitrião, por isso atualiza os hosts Linux mais antigos e usa --device em vez dela.

Passo 1: Obter a imagem Docker do YOLOv5#

A Ultralytics fornece imagens oficiais do YOLOv5 no Docker Hub. A tag latest acompanha o commit mais recente do repositório, garantindo que obténs sempre a versão mais recente. Obtém a imagem usando o seguinte comando:

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

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

Podes consultar todas as imagens disponíveis no repositório Docker Hub do Ultralytics YOLOv5.

Passo 2: Executar o contentor Docker#

Depois de obteres a imagem, podes executá-la como um contentor.

Usar apenas a CPU#

Para executar uma instância de contentor interativa usando apenas a CPU, usa a flag -it. A flag --ipc=host permite partilhar o espaço de nomes IPC do anfitrião, o que é importante para o acesso à memória partilhada.

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

Usar a GPU#

Para ativar o acesso à GPU dentro do contentor, usa a flag CDI --device nvidia.com/gpu=.... Isto requer que o NVIDIA Container Toolkit esteja instalado corretamente.

# 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

Consulta a referência do comando docker run para obteres mais informações sobre as opções de comando.

Montar diretórios locais#

Para trabalhares com os teus ficheiros locais (conjuntos de dados, pesos do modelo, etc.) dentro do contentor, usa a flag -v para montar um diretório do anfitrião no contentor:

# 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

Substitui /path/on/host pelo caminho real na tua máquina e /path/in/container pelo caminho pretendido dentro do contentor Docker (por exemplo, /usr/src/datasets).

Passo 3: Usar o YOLOv5 🚀 dentro do contentor Docker#

Encontras-te agora dentro do contentor Docker do YOLOv5 em execução! A partir daqui, podes executar comandos padrão do YOLOv5 para várias tarefas de Machine Learning e Deep Learning, como a Deteção de objetos.

# 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

Consulta a documentação para obteres informações detalhadas sobre a utilização dos diferentes modos:

• Treinar
• Validar
• Prever
• Exportar

Obtém mais informações sobre métricas de avaliação como Precisão, Revocação e mAP. Compreende os diferentes formatos de exportação, como ONNX, CoreML e TFLite, e explora várias Opções de implementação de modelos. Não te esqueças de gerir eficazmente os pesos do modelo.

Configuraste e executaste com sucesso o YOLOv5 dentro de um contentor Docker.