开始在 Docker 中使用 YOLOv5 🚀#

欢迎阅读 Ultralytics YOLOv5 Docker 快速入门指南！本教程将分步介绍如何在 Docker 容器中设置并运行 YOLOv5。使用 Docker 可以让你在隔离且一致的环境中运行 YOLOv5，从而简化不同系统之间的部署和依赖管理。这种方法利用容器化将应用程序及其依赖项打包在一起。

如需使用其他设置方法，请参阅我们的 Colab Notebook 、GCP Deep Learning VM 或 Amazon AWS 指南。有关将 Docker 与 Ultralytics 模型结合使用的概览，请参阅 Ultralytics Docker Quickstart Guide。

前置条件#

开始之前，请确保已安装以下组件：

1. Docker：从 Docker 官方网站下载并安装 Docker。Docker 对创建和管理容器至关重要。
2. NVIDIA 驱动程序（支持 GPU 所必需）：请确保已安装 455.23 或更高版本的 NVIDIA 驱动程序。你可以从 NVIDIA 网站下载最新驱动程序。
3. NVIDIA Container Toolkit（支持 GPU 所必需）：此工具包允许 Docker 容器访问主机上的 NVIDIA GPU。请按照官方的 NVIDIA Container Toolkit 安装指南操作，获取详细说明。

设置 NVIDIA Container Toolkit（GPU 用户）#

首先，运行以下命令，验证 NVIDIA 驱动程序是否已正确安装：

nvidia-smi

此命令应显示有关你的 GPU 以及已安装驱动程序版本的信息。

接下来，安装 NVIDIA Container Toolkit。以下命令通常适用于基于 Debian 的系统（如 Ubuntu）以及基于 RHEL 的系统（如 Fedora/CentOS），但请参阅上面链接的官方指南，获取适用于你的发行版的具体说明：

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，确保 GPU CDI 设备可用（该工具包的 nvidia-cdi-refresh 服务会在 toolkit >= 1.18 时自动生成并维护规范）：

nvidia-ctk cdi list

你应看到类似 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 --gpus all 标志在主机守护进程重新加载后可能会失去 GPU 访问权限，因此请升级较旧的 Linux 主机，并改用 --device。

步骤 1：拉取 YOLOv5 Docker 镜像#

Ultralytics 在 Docker Hub 上提供官方 YOLOv5 镜像。latest 标签跟踪最新的仓库提交，因此你始终可以获得最新版本。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镜像。

步骤 2：运行 Docker 容器#

拉取镜像后，你可以将其作为容器运行。

仅使用 CPU#

如需仅使用 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 IPC 命名空间，这对于访问共享内存非常重要。

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

使用 GPU#

如需在容器中启用 GPU 访问，请使用 --device nvidia.com/gpu=... CDI 标志。这要求正确安装 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 run 参考。

挂载本地目录#

如需在容器中使用本地文件（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 替换为计算机上的实际路径，并将 /path/in/container 替换为 Docker 容器内所需的路径（例如 /usr/src/datasets）。

步骤 3：在 Docker 容器中使用 YOLOv5 🚀#

现在你已进入正在运行的 YOLOv5 Docker 容器！在这里，你可以执行标准的 YOLOv5 命令，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

查看文档，详细了解不同模式的用法：

• 训练
• 验证
• 预测
• 导出

进一步了解精确率、召回率和 mAP 等评估指标。了解 ONNX、CoreML 和 TFLite 等不同导出格式，并探索各种模型部署选项。请务必有效管理你的模型权重。

你已成功在 Docker 容器中设置并运行 YOLOv5。