Link to this sectionНачало работы с YOLOv5 🚀 в Docker#

Добро пожаловать в руководство по быстрому запуску Ultralytics YOLOv5 в Docker! В этом руководстве представлены пошаговые инструкции по настройке и запуску YOLOv5 внутри контейнера Docker. Использование Docker позволяет запускать YOLOv5 в изолированной, согласованной среде, упрощая развертывание и управление зависимостями в различных системах. Этот подход использует контейнеризацию для объединения приложения и его зависимостей.

Для альтернативных способов настройки изучи наш Colab Notebook , а также руководства по GCP Deep Learning VM или Amazon AWS. Общий обзор использования Docker с моделями Ultralytics см. в Руководстве по быстрому запуску Docker от Ultralytics.

Link to this sectionПредварительные требования#

Перед началом убедись, что у тебя установлено следующее:

1. Docker: Скачай и установи Docker с официального сайта Docker. Docker необходим для создания контейнеров и управления ими.
2. Драйверы NVIDIA (требуются для поддержки GPU): убедись, что установлены драйверы NVIDIA версии 455.23 или выше. Последние версии драйверов можно скачать на сайте NVIDIA.
3. NVIDIA Container Toolkit (требуется для поддержки GPU): этот инструментарий позволяет контейнерам Docker получать доступ к GPU NVIDIA твоего хоста. Для получения подробных инструкций следуй официальному руководству по установке NVIDIA Container Toolkit.

Link to this sectionНастройка NVIDIA Container Toolkit (для пользователей GPU)#

Сначала проверь правильность установки драйверов NVIDIA, выполнив:

nvidia-smi

Эта команда должна вывести информацию о твоем GPU (GPU) и версии установленного драйвера.

Затем установи NVIDIA Container Toolkit. Приведенные ниже команды характерны для систем на базе Debian, таких как Ubuntu, и систем на базе RHEL, таких как Fedora/CentOS. Однако обратись к официальному руководству, ссылка на которое приведена выше, для получения инструкций, специфичных для твоего дистрибутива:

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

Link to this sectionПроверь CDI-устройства с помощью Docker#

Выполни nvidia-ctk cdi list, чтобы убедиться в доступности GPU CDI-устройств (сервис nvidia-cdi-refresh из набора инструментов автоматически создает и обновляет спецификацию в версиях toolkit >= 1.18):

nvidia-ctk cdi list

Ты должен увидеть записи вида nvidia.com/gpu=0 и nvidia.com/gpu=all. В Linux запросы устройств CDI требуют Docker >= 28.2.0 и NVIDIA Container Toolkit >= 1.18. Устаревший флаг --gpus all может привести к потере доступа к GPU после перезагрузки хост-демона, поэтому обнови старые хосты Linux и используй вместо него --device.

Link to this sectionШаг 1: Загрузка Docker-образа YOLOv5#

Ultralytics предоставляет официальные образы YOLOv5 на Docker Hub. Тег latest отслеживает самый последний коммит в репозитории, гарантируя, что ты всегда получишь новейшую версию. Загрузи образ с помощью следующей команды:

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

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

Ты можешь просмотреть все доступные образы в репозитории Ultralytics YOLOv5 на Docker Hub.

Link to this sectionШаг 2: Запуск контейнера Docker#

После загрузки образа ты можешь запустить его как контейнер.

Link to this sectionИспользование только CPU#

Чтобы запустить интерактивный экземпляр контейнера, используя только CPU, используй флаг -it. Флаг --ipc=host позволяет совместно использовать IPC-пространство имен хоста, что важно для доступа к разделяемой памяти.

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

Link to this sectionИспользование GPU#

Чтобы разрешить доступ к GPU внутри контейнера, используй флаг --device nvidia.com/gpu=... CDI. Для этого требуется правильно установленный NVIDIA Container Toolkit.

# 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

Более подробную информацию об опциях команды см. в справочнике Docker run.

Link to this sectionМонтирование локальных директорий#

Для работы с локальными файлами (наборами данных, весами моделей и т.д.) внутри контейнера используй флаг -v, чтобы примонтировать директорию хоста в контейнер:

# 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

Замени /path/on/host на фактический путь на твоем компьютере, а /path/in/container — на желаемый путь внутри контейнера Docker (например, /usr/src/datasets).

Link to this sectionШаг 3: Используй YOLOv5 🚀 внутри контейнера Docker#

Ты находишься внутри запущенного контейнера YOLOv5 Docker! Отсюда ты можешь выполнять стандартные команды YOLOv5 для различных задач машинного обучения и глубокого обучения, таких как обнаружение объектов.

# 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

Ознакомься с документацией для подробного использования различных режимов:

• Обучение (Train)
• Валидация (Validate)
• Предсказание (Predict)
• Экспорт (Export)

Узнай больше о метриках оценки, таких как Precision, Recall и mAP. Разберись с различными форматами экспорта, такими как ONNX, CoreML и TFLite, и изучи доступные варианты развертывания моделей. Не забывай эффективно управлять весами модели.

Ты успешно настроил и запустил YOLOv5 внутри контейнера Docker.