Начало работы с YOLOv5 🚀 в Docker#

Добро пожаловать в краткое руководство Ultralytics по быстрому запуску YOLOv5 в Docker! В этом руководстве приведены пошаговые инструкции по настройке и запуску YOLOv5 внутри контейнера Docker. Docker позволяет запускать YOLOv5 в изолированной согласованной среде, упрощая развёртывание и управление зависимостями в разных системах. Такой подход использует контейнеризацию, чтобы упаковать приложение и его зависимости вместе.

Для альтернативных способов настройки ознакомься с нашим Colab Notebook , руководствами по GCP Deep Learning VM и Amazon AWS. Для общего обзора использования Docker с моделями Ultralytics смотри Ultralytics Docker Quickstart Guide.

Предварительные 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 (необходимы для поддержки GPU): убедись, что у тебя установлены драйверы NVIDIA версии 455.23 или выше. Последние версии драйверов можно скачать на сайте NVIDIA.
3. NVIDIA Container Toolkit (необходим для поддержки GPU): этот набор инструментов позволяет контейнерам Docker получать доступ к GPU NVIDIA на хост-компьютере. Подробные инструкции приведены в официальном руководстве по установке NVIDIA Container Toolkit.

Настройка NVIDIA Container Toolkit (для пользователей GPU)#

Сначала проверь правильность установки драйверов NVIDIA, выполнив:

nvidia-smi

Эта команда должна вывести информацию о твоём GPU или GPU и установленной версии драйвера.

Затем установи NVIDIA Container Toolkit. Приведённые ниже команды обычно подходят для систем на базе Debian, таких как Ubuntu, и систем на базе RHEL, таких как Fedora/CentOS, но для получения инструкций именно для твоего дистрибутива обратись к официальному руководству по ссылке выше:

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

Проверка устройств CDI с помощью Docker#

Выполни nvidia-ctk cdi list, чтобы убедиться в доступности устройств GPU CDI (служба nvidia-cdi-refresh из набора инструментов автоматически создает спецификацию и поддерживает ее в актуальном состоянии в toolkit >= 1.18):

nvidia-ctk cdi list

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

Шаг 1. Загрузка образа Docker для YOLOv5#

Ultralytics предоставляет официальные образы YOLOv5 на Docker Hub. Тег latest отслеживает последний коммит репозитория, поэтому ты всегда получаешь самую новую версию. Загрузи образ следующей командой:

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

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

Все доступные образы можно просмотреть в репозитории Ultralytics YOLOv5 на Docker Hub.

Шаг 2. Запуск контейнера Docker#

После загрузки образа его можно запустить как контейнер.

Использование только CPU#

Чтобы запустить интерактивный экземпляр контейнера, используя только CPU, укажи флаг -it. Флаг --ipc=host разрешает совместное использование пространства имён IPC хост-компьютера, что важно для доступа к общей памяти.

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

Использование GPU#

Чтобы включить доступ к GPU внутри контейнера, укажи флаг CDI --device nvidia.com/gpu=.... Для этого NVIDIA Container Toolkit должен быть установлен корректно.

# 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

Подробнее о параметрах команды см. в справочнике по запуску Docker.

Подключение локальных каталогов#

Чтобы работать с локальными файлами (наборами данных, весами моделей и т. д.) внутри контейнера, используй флаг -v, чтобы подключить каталог хост-компьютера к контейнеру:

# 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 фактическим путём на своей машине, а /path/in/container — нужным путём внутри контейнера Docker (например, /usr/src/datasets).

Шаг 3. Использование YOLOv5 🚀 внутри контейнера Docker#

Теперь ты находишься внутри работающего контейнера Docker с YOLOv5! Отсюда можно выполнять стандартные команды YOLOv5 для различных задач машинного обучения и глубокого обучения, например обнаружения 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

Изучи документацию, чтобы подробно ознакомиться с использованием различных режимов:

• Обучение
• Валидация
• Предсказание
• Экспорт

Подробнее о метриках оценки, таких как Precision, Recall и mAP. Изучи различные форматы экспорта, такие как ONNX, CoreML и TFLite, а также различные варианты развёртывания моделей. Не забывай эффективно управлять весами моделей.

Ты успешно настроил и запустил YOLOv5 внутри контейнера Docker.