docker部署yolov8检测算法

没有先生

于 2024-08-13 15:16:54 发布

阅读量492

点赞数 12

文章标签： docker YOLO 容器

本文链接：https://blog.csdn.net/givxd/article/details/141163776

版权

1容器环境准备

需提前在宿主机上下载好docker和nvidia-docker及相关依赖。下载过程可参考：https://blog.csdn.net/dream__dream/article/details/113616493
另外，yolov8在dockerhub上是有现成的容器的（ultralytics/ultralytics:latest），直接下载这个容器应该会方便很多，但是我这里用的是通用的ubuntu系统和cuda容器，也可以同样的方式部署其他算法。

1.1启动docker服务

systemctl start docker

1.2基础镜像导入

提前下载ubuntu系统镜像打包文件cuda_cudnn_ubuntu.tar到宿主机，该镜像包含系统、cuda、cudnn和显卡驱动。
目前dockerhub禁用的情况可参考另一篇博文进行镜像下载：github配置阿里云镜像库，加速docker镜像下载。
导入镜像：

sudo docker load < cuda_cudnn_ubuntu.tar

导入结束后显示：
在这里插入图片描述
镜像名修改：

sudo docker tag a62 yolov8:latest

测试镜像导入结果：

sudo docker images

显示如下：
在这里插入图片描述
yolov8镜像名、tag和IMAGE_ID都能对应的上，说明基础镜像导入成功。

1.3利用镜像创建容器

sudo docker run -it --name yolov8Solar  --shm-size 32g -v /home/docker/workers/yolov8:/home --gpus all yolov8:latest /bin/bash

其中，yolov8Solar是容器名称，32g是容器内存，-v后的路径是将容器的/home/文件夹挂载到宿主机的yolov8路径中，–gpu是允许容器使用的gpuID，yolov8:latest是镜像名称。
查看容器：

sudo docker ps -a

显示如下：
在这里插入图片描述
可以看到，第一个容器是利用yolov8:latest镜像创建的名为yolov8Solar的容器。接着启动容器：

sudo docker start 093

093是容器ID的前三个字符，系统会自动识别到容器ID。检查容器是否在运行：

sudo docker ps

显示在运行容器信息：在这里插入图片描述
进入容器：

sudo docker attach 093

显示如下：
在这里插入图片描述
说明进入了093容器，且进入了root账户。
需要注意的是，此时的容器只包含ubuntu系统、cuda、cudnn和显卡驱动等深度学习运行环境，没有其他环境依赖。
要配置其他的环境依赖项，首先需要下载python。
更新apt库(如果需要换源，需要在此步骤前更换/etc/apt/sources.list文件

apt update
apt upgrade
apt install python3.9

注意：这时候输入python不一定能对应上python3.9，可能需要在~/.bashrc中添加环境变量：alias python=’PYTHON PATH’，填上对应的python路径。
此时的pip也不一定能对应上python3的pip，需要从/usr/bin或者/usr/local/bin的pip文件中修改pip对应的python路径。
当然，如果能对应上，那以上都不需要了。
接着可以下载算法yolov8对应的深度学习依赖库

pip install ultralytics

上句指令可以安装运行yolov8的所有依赖库。
cd /home进入home文件夹，下载yolov8工程。没有git工具的需要提前下载。

git clone https://github.com/ultralytics/ultralytics.git

也可以直接下载github工程的zip文件进行解压。可以直接将压缩包放在我们前面挂在的宿主机的路径(/home/docker/workers/yolov8)中，这个文件夹和容器的/home/文件夹相对应。

2容器验证

2.1训练工程验证

更改/ultralytics/ultralytics/cfg/datasets/DOTAv1.yaml文件中的训练集和验证集路径。
创建train.py文件，文件内代码如下：

from ultralytics import YOLO

model = YOLO('yolov8n-obb.yaml').load('weights/yolov8n-obb.pt')
model.train(data='DOTAv1.yaml', epochs=100, imgsz=512)

直接从ultralytics包中导入YOLO模型，其中yolov8n-obb.yaml是网络的模型结构文件；’/weights/yolov8n-obb.pt’是模型的预训练权重文件（如果没有需要提前下载并放在工程目录的weights文件夹中）；’DOTAv1.yaml’是数据集配置文件；epochs是训练的迭代次数，imgsz是训练图像的尺寸。
运行train.py

python train.py

显示如下：
在这里插入图片描述
在容器内训练正常。

2.2推理验证

创建推理文件detect.py，代码如下:

from ultralytics import YOLO
from ultralytics.utils import DEFAULT_CFG

# DEFAULT_CFG.save_dir = 'runs/test' 
model = YOLO(r'runs/obb/train/weights/best.pt')
# model.val(data='DOTAv1.yaml', imgsz=512, save=True, save_txt=True, save_conf=True)
results = model('val/images', save=True, save_txt=True, save_conf=True, show_conf=True, show_labels=False)

其中DEFAULT_CFG.save_dir可以修改推理结果的保存路径。运行推理代码：