跳至内容

在 Docker 中开始使用YOLOv5 🚀

本教程将指导您在 Docker 容器中设置和运行YOLOv5 。

您还可以探索YOLOv5 的其他快速入门选项，例如我们的 Colab 笔记本 在 Colab 中打开 在 Kaggle 中打开, GCP 深度学习虚拟机和 亚马逊 AWS.

先决条件

  1. Nvidia 驱动程序：版本 455.23 或更高。从Nvidia 网站下载。
  2. Nvidia-Docker允许 Docker 与本地 GPU 交互。安装说明可从Nvidia-Docker GitHub 代码库中获取。
  3. Docker Engine - CE：版本 19.03 或更高。下载和安装说明可在Docker 网站上找到。

第 1 步：提取YOLOv5 Docker 映像

Ultralytics YOLOv5 DockerHub 存储库位于 https://hub.docker.com/r/ultralytics/yolov5.Docker Autobuild 可确保 ultralytics/yolov5:latest 镜像始终与最新的版本库提交同步。要提取最新映像，请运行以下命令：

sudo docker pull ultralytics/yolov5:latest

第 2 步：运行 Docker 容器

基本容器

运行YOLOv5 Docker 映像的交互式实例（称为 "容器"），使用 -it 旗子

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

可访问本地文件的容器：

要运行可访问本地文件（例如，COCO 培训数据在 /datasets)，使用 -v 旗子

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

可访问 GPU 的容器：

要运行可访问 GPU 的容器，请使用 --gpus all 旗子

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

第 3 步：在 Docker 容器中使用YOLOv5 🚀

现在，您可以在运行的 Docker 容器中训练、测试、检测和导出YOLOv5 模型：

# 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

运行 Docker 的 GCP



创建于 2023-11-12，更新于 2023-12-03
作者:glenn-jocher(3)

评论