Começar a utilizar o YOLOv5 🚀 no Docker

Este tutorial irá guiá-lo através do processo de configuração e execução do YOLOv5 num contentor Docker.

Também pode explorar outras opções de início rápido para YOLOv5, como o nosso Caderno de notas Colab , VM de aprendizagem profunda do GCPe Amazon AWS.

Pré-requisitos

NVIDIA Controlador: Versão 455.23 ou superior. Transferir a partir do sítio WebNVIDIA.
NVIDIA-Docker: Permite que o Docker interaja com seu local GPU. As instruções de instalação estão disponíveis no repositório do GitHubNVIDIA-Docker.
Motor Docker - CE: Versão 19.03 ou superior. As instruções de download e instalação podem ser encontradas no site do Docker.

Etapa 1: puxar a imagem do Docker YOLOv5

O repositório Ultralytics YOLOv5 DockerHub está disponível em https://hub.docker.com/r/ultralytics/yolov5. O Docker Autobuild garante que o ultralytics/yolov5:latest está sempre em sincronia com o commit mais recente do repositório. Para obter a imagem mais recente, execute o seguinte comando:

sudo docker pull ultralytics/yolov5:latest

Passo 2: Executar o contentor Docker

Contentor de base:

Execute uma instância interactiva da imagem Docker YOLOv5 (designada por "contentor") utilizando o -it bandeira:

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

Contentor com acesso a ficheiros locais:

Para executar um contentor com acesso a ficheiros locais (por exemplo, COCO dados de treino em /datasets), utilizar o -v bandeira:

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

Contentor com acesso GPU :

Para executar um contentor com acesso GPU , utilize o --gpus all bandeira:

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

Passo 3: Utilizar YOLOv5 🚀 no contentor Docker

Agora pode treinar, testar, detetar e exportar modelos YOLOv5 dentro do contentor Docker em execução:

# 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