Começa a utilizar o YOLOv5 🚀 no Docker

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

Também podes 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

1. Driver Nvidia: Versão 455.23 ou superior. Transfere a partir do site da Nvidia.
2. Nvidia-Docker: Permite que o Docker interaja com sua GPU local. As instruções de instalação estão disponíveis no repositório do GitHub do Nvidia-Docker.
3. Motor Docker - CE: Versão 19.03 ou superior. As instruções de download e instalação podem ser encontradas no site do Docker.

Etapa 1: puxa 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, executa o seguinte comando:

sudo docker pull ultralytics/yolov5:latest

Passo 2: Executa o contentor Docker

Contentor básico:

Executa uma instância interactiva da imagem Docker YOLOv5 (designada por "contentor") utilizando o comando -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, dados de treino COCO em /datasets), utiliza o -v bandeira:

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

Contentor com acesso à GPU:

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

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

Passo 3: Utiliza YOLOv5 🚀 no contentor Docker

Agora podes 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

Comentários