Начни работать с YOLOv5 🚀 в Docker

Этот туториал проведет тебя через процесс настройки и запуска YOLOv5 в контейнере Docker.

Ты также можешь изучить другие варианты быстрого старта для YOLOv5, например, наш Блокнот Colab , GCP Deep Learning VM, и Amazon AWS.

Пререквизиты

NVIDIA Драйвер: Версия 455.23 или выше. Загрузи с сайтаNvidia.
NVIDIA-Docker: Позволяет Docker взаимодействовать с твоим локальным GPU. Инструкции по установке доступны в репозиторииNVIDIA-Docker GitHub.
Docker Engine - CE: Версия 19.03 или выше. Инструкции по скачиванию и установке можно найти на сайте Docker.

Шаг 1: Извлеки из докера образ YOLOv5 .

Репозиторий Ultralytics YOLOv5 DockerHub доступен по адресу https://hub.docker.com/r/ultralytics/yolov5. Docker Autobuild гарантирует, что ultralytics/yolov5:latest образ всегда синхронизирован с последним коммитом репозитория. Чтобы получить последний образ, выполни следующую команду:

sudo docker pull ultralytics/yolov5:latest

Шаг 2: Запусти контейнер Docker

Основной контейнер:

Запусти интерактивный экземпляр образа YOLOv5 Docker (его называют "контейнером"), используя -it флаг:

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

Контейнер с локальным доступом к файлам:

Чтобы запустить контейнер с доступом к локальным файлам (например, к тренировочным данным COCO в /datasets), используй -v флаг:

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

Контейнер с доступом на GPU :

Чтобы запустить контейнер с доступом GPU , используй --gpus all флаг:

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

Шаг 3: используй YOLOv5 🚀 внутри контейнера Docker.

Теперь ты можешь обучать, тестировать, обнаруживать и экспортировать модели YOLOv5 внутри запущенного контейнера Docker:

# 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