在 Docker 中开始使用 YOLOv5 🚀#

欢迎阅读 Ultralytics YOLOv5 Docker 快速入门指南！本教程提供了在 Docker 容器中设置和运行 YOLOv5 的逐步说明。使用 Docker 可以让你在隔离、一致的环境中运行 YOLOv5，从而简化跨不同系统的部署和依赖管理。这种方法利用容器化将应用程序及其依赖项打包在一起。

有关其他设置方法，请参考我们的 Colab 笔记本 、GCP 深度学习虚拟机或 Amazon AWS 指南。有关将 Docker 与 Ultralytics 模型结合使用的通用概述，请参阅 Ultralytics Docker 快速入门指南。

前提条件#

在开始之前，请确保已安装以下内容：

1. Docker：从官方 Docker 网站下载并安装 Docker。Docker 对于创建和管理容器至关重要。
2. NVIDIA 驱动程序（GPU 支持所必需）：确保已安装 455.23 或更高版本的 NVIDIA 驱动程序。你可以从 NVIDIA 网站下载最新的驱动程序。
3. NVIDIA Container Toolkit（GPU 支持所必需）：此工具包允许 Docker 容器访问你主机的 NVIDIA GPU。请按照官方的 NVIDIA Container Toolkit 安装指南获取详细说明。

设置 NVIDIA Container Toolkit（GPU 用户）#

首先，通过运行以下命令验证 NVIDIA 驱动程序是否安装正确：

nvidia-smi

此命令应显示有关你的 GPU 和已安装驱动程序版本的信息。

接下来，安装 NVIDIA Container Toolkit。以下命令适用于 Ubuntu 等基于 Debian 的系统以及 Fedora/CentOS 等基于 RHEL 的系统，但请参考上面链接的官方指南以获取特定于你发行版的说明：

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

使用 Docker 验证 CDI 设备#

运行 nvidia-ctk cdi list 以确保 GPU CDI 设备可用（toolkit 版本 >= 1.18 时，该工具包的 nvidia-cdi-refresh 服务会自动生成并维护规范）：

nvidia-ctk cdi list

你应该会看到诸如 nvidia.com/gpu=0 和 nvidia.com/gpu=all 的条目。在 Linux 上，CDI 设备请求需要 Docker >= 28.2.0 和 NVIDIA Container Toolkit >= 1.18。旧版的 --gpus all 标志在主机守护进程重新加载后可能会丢失 GPU 访问权限，因此请升级较旧的 Linux 主机并改用 --device。

第 1 步：拉取 YOLOv5 Docker 镜像#

Ultralytics 在 Docker Hub 上提供官方 YOLOv5 镜像。latest 标签会跟踪最新的仓库提交，确保你始终获得最新版本。使用以下命令拉取镜像：

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

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

你可以在 Ultralytics YOLOv5 Docker Hub 仓库中浏览所有可用的镜像。

第 2 步：运行 Docker 容器#

拉取镜像后，你就可以将其作为容器运行。

仅使用 CPU#

要仅使用 CPU 运行交互式容器实例，请使用 -it 标志。--ipc=host 标志允许共享主机的 IPC 命名空间，这对于共享内存访问非常重要。

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

使用 GPU#

要在容器内启用 GPU 访问，请使用 --device nvidia.com/gpu=... CDI 标志。这需要正确安装 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

有关命令选项的更多详情，请参阅 Docker 运行参考。

挂载本地目录#

若要在容器内处理本地文件（数据集、模型权重等），请使用 -v 标志将主机目录挂载到容器中：

# 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

将 /path/on/host 替换为机器上的实际路径，将 /path/in/container 替换为 Docker 容器内的目标路径（例如 /usr/src/datasets）。

第 3 步：在 Docker 容器内使用 YOLOv5 🚀#

你现在已经进入正在运行的 YOLOv5 Docker 容器中！从这里，你可以执行标准的 YOLOv5 命令来完成各种机器学习和深度学习任务，例如目标检测。

# 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

探索文档以了解不同模式的详细用法：

• 训练
• 验证
• 预测
• 导出

了解有关评估指标的更多信息，例如准确率、召回率和 mAP。了解不同的导出格式，例如 ONNX、CoreML 和 TFLite，并探索各种模型部署选项。记得有效管理你的模型权重。

你已成功在 Docker 容器中设置并运行了 YOLOv5。