开始在 Docker 中使用 YOLOv5 🚀

欢迎来到 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 的分步说明。使用 Docker 使您能够在隔离、一致的环境中运行 YOLOv5，从而简化了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。

对于其他的设置方法，请参考我们的 Colab Notebook , GCP 深度学习 VM或 Amazon AWS 指南。有关 Ultralytics 模型 Docker 使用的总体概述，请参阅 Ultralytics Docker 快速入门指南.

准备工作

在开始之前，请确保您已安装以下组件：

Docker：从 Docker 官方网站下载并安装 Docker。Docker 对于创建和管理容器至关重要。
NVIDIA 驱动程序（GPU 支持必需）：确保您已安装 NVIDIA 驱动程序 455.23 或更高版本。您可以从 NVIDIA 网站下载最新的驱动程序。
NVIDIA Container Toolkit（GPU 支持必需）：此工具包允许 Docker 容器访问您主机上的 NVIDIA GPU。有关详细说明，请按照官方 NVIDIA Container Toolkit 安装指南进行操作。

设置 NVIDIA Container Toolkit (GPU 用户)

首先，通过运行以下命令验证您的 NVIDIA 驱动程序是否已正确安装：

nvidia-smi

此命令应显示有关您的 GPU 以及已安装的驱动程序版本的信息。

接下来，安装 NVIDIA Container Toolkit。以下命令是基于 Debian 的系统（如 Ubuntu）的典型命令，但请参阅上面链接的官方指南，以获取特定于您的发行版的说明：

# Add NVIDIA package repositories (refer to official guide for latest setup)
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

# Update package list and install the toolkit
sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit

# Configure Docker to use the NVIDIA runtime
sudo nvidia-ctk runtime configure --runtime=docker

# Restart Docker service to apply changes
sudo systemctl restart docker

最后，验证 NVIDIA 运行时已配置并可供 Docker 使用：

docker info | grep -i runtime

您应该会看到 nvidia 被列为可用的运行时之一。

步骤 1：拉取 YOLOv5 Docker 镜像

Ultralytics 在以下位置提供官方 YOLOv5 镜像：选择官方。 latest tag 跟踪最新的存储库提交，确保您始终获得最新版本。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

您可以在 Ultralytics YOLOv5 Docker Hub 存储库中浏览所有可用的图像。

步骤 2：运行 Docker 容器

拉取镜像后，您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。这个 --ipc=host 标志允许共享主机 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 --gpus 标志。这需要正确安装 NVIDIA 容器工具包。

# Run with access to all available GPUs
sudo docker run -it --ipc=host --gpus all $t

# Run with access to specific GPUs (e.g., GPUs 2 and 3)
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t

有关命令选项的更多详细信息，请参阅Docker run 参考。

挂载本地目录

要在容器内使用你的本地文件（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 --gpus all -v /path/on/host:/path/in/container $t

替换 /path/on/host 替换为您机器上的实际路径，并且 /path/in/container 替换为 Docker 容器内的所需路径（例如， /usr/src/datasets）。

步骤 3：在 Docker 容器中使用 YOLOv5 🚀

您现在位于正在运行的 YOLOv5 Docker 容器中！从这里，您可以执行标准的 YOLOv5 命令，以进行各种机器学习和深度学习任务，例如对象检测。

# 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