手把手教你制作自己的YOLOX目标检测docker部署环境

YOLOX是2021年旷世所提出的目标检测方法，目前在学术界和工业界都应用的比较多。本篇主要是记录在Ubuntu系统中制作YOLOX目标检测docker部署环境的过程，以后可能还会用到。

paper:https://arxiv.org/abs/2107.08430

code:https://github.com/Megvii-BaseDetection/YOLOX

---

1、下载YOLOX源码

新建workspace路径，将YOLOX源码git到这个目录下面：

mkdir workspace
git clone https://github.com/Megvii-BaseDetection/YOLOX.git

2、编写Dockerfile

编写Dockerfile，也放在workspace目录下面。Dockerfile里面主要是安装了最新的pytorch以及YOLOX运行所需的一些依赖库，最后根据YOLOX目录下的setup.py文件来编译安装。

FROM pytorch/pytorch:latest
  
ADD . /

WORKDIR /YOLOX

RUN apt-get update && apt-get install -y build-essential libgl1-mesa-dev libglib2.0-dev
RUN pip3 install -U pip && pip3 install -r requirements.txt
RUN pip3 install -v -e .

WORKDIR /

如果需要安装其他版本的pytorch，也可以在以下链接中找到对应版本来替换。

Docker Hub[这里是图片001]https://hub.docker.com/r/pytorch/pytorch/tags3、创建镜像

创建docker镜像，名称为detector，标签为:v1.0，以方便使用和管理。在workspace目录下，执行如下命令：

docker build -t detector:v1.0 .

创建成功，提示如下：

Successfully built c1fcc8bf1647
Successfully tagged detector:v1.0

4、启动docker容器

-i：交互式操作；

-t：终端；

–gpus all：使用gpu；

/bin/bash：提供交互式的Shell。

docker run -it --name detector --gpus all detector:v1.0 /bin/bash

5、测试检测效果

下载官方提供的yolox-s模型，也放在workspace目录下面。

https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_s.pth

使用官方的测试demo来验证模型在单张图像上的检测效果，如下：

python YOLOX/tools/demo.py image -n yolox-s -c /yolox_s.pth --path YOLOX/assets/dog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device cpu

–device cpu：使用cpu计算；

–device gpu：使用gpu计算。需要注意的是，使用gpu计算的时候，在第一张图像上的计算时间会很长，这个是正常的。

命令行打印输出如下：

2022-03-11 10:05:40.699 | INFO     | __main__:main:259 - Args: Namespace(camid=0, ckpt='/yolox_s.pth', conf=0.25, demo='image', device='cpu', exp_file=None, experiment_name='yolox_s', fp16=False, fuse=False, legacy=False, name='yolox-s', nms=0.45, path='YOLOX/assets/dog.jpg', save_result=True, trt=False, tsize=640)
2022-03-11 10:05:41.001 | INFO     | __main__:main:269 - Model Summary: Params: 8.97M, Gflops: 26.81
2022-03-11 10:05:41.003 | INFO     | __main__:main:282 - loading checkpoint
2022-03-11 10:05:41.150 | INFO     | __main__:main:286 - loaded checkpoint done.
2022-03-11 10:05:41.256 | INFO     | __main__:inference:165 - Infer time: 0.0871s
2022-03-11 10:05:41.258 | INFO     | __main__:image_demo:202 - Saving detection result in ./YOLOX_outputs/yolox_s/vis_res/2022_03_11_10_05_41/dog.jpg

6、拷贝结果文件

可以将测试的检测结果从docker容器中拷贝出来：

docker cp detector:/YOLOX_outputs/yolox_s/vis_res/2022_03_11_10_05_41/dog.jpg /tmp

检测结果如下图所示：

7、docker容器的导出和导入

通过将容器导出，并在其他设备上导入之后，也可以很方便使用YOLOX模型。

# 导出docker容器
docker export -o /tmp/detector.tar detector

# 导入docker容器
docker import /tmp/detector.tar detector:v1.0

8、容器的停止、启动与进入

# 停止容器
docker stop detector

# 启动容器
docker start detector

# 进入容器
docker exec -it detector /bin/bash