Docker'da YOLOv5 🚀 ile Başlayın
Bu eğitim, YOLOv5 adresini bir Docker konteynerinde kurma ve çalıştırma sürecinde size rehberlik edecektir.
Ayrıca YOLOv5 için diğer hızlı başlangıç seçeneklerini de keşfedebilirsiniz, örneğin Colab Not Defteri , GCP Derin Öğrenme Sanal Makinesive Amazon AWS.
Ön Koşullar
- NVIDIA Sürücü: Sürüm 455.23 veya üstü. NVIDIA web sitesinden indirin.
- NVIDIA-Docker: Docker'ın yerel GPU adresinizle etkileşime girmesini sağlar. Kurulum talimatları NVIDIA-Docker GitHub deposunda mevcuttur.
- Docker Motoru - CE: Sürüm 19.03 veya üstü. İndirme ve kurulum talimatları Docker web sitesinde bulunabilir.
Adım 1: YOLOv5 Docker Görüntüsünü Çekin
Ultralytics YOLOv5 DockerHub deposu şu adreste mevcuttur https://hub.docker.com/r/ultralytics/yolov5. Docker Autobuild, aşağıdakileri sağlar ultralytics/yolov5:latest
imajı her zaman en son depo işlemiyle senkronize olur. En son görüntüyü çekmek için aşağıdaki komutu çalıştırın:
Adım 2: Docker Konteynerini Çalıştırın
Temel konteyner:
YOLOv5 Docker görüntüsünün etkileşimli bir örneğini ("konteyner" olarak adlandırılır) çalıştırmak için -it
bayrak:
Yerel dosya erişimine sahip konteyner:
Yerel dosyalara erişimi olan bir konteyner çalıştırmak için (örn. eğitim verileri içinde /datasets
), kullanın -v
bayrak:
GPU erişimli konteyner:
Bir konteyneri GPU erişimi ile çalıştırmak için --gpus all
bayrak:
Adım 3: Docker Konteyneri içinde YOLOv5 🚀 adresini kullanın
Artık YOLOv5 modellerini çalışan Docker konteynerinde eğitebilir, test edebilir, tespit edebilir ve dışa aktarabilirsiniz:
# 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