YOLOV8 进行docker环境配置

这篇具有很好参考价值的文章主要介绍了YOLOV8 进行docker环境配置。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

修改docker文件

  1. 原docekerfile中ADD https://ultralytics.com/assets/Arial.ttf https://ultralytics.com/assets/Arial.Unicode.ttf /root/.config/Ultralytics/下载很慢,可以在外部下载好,放入docker文件夹中,再将源代码改为ADD Arial.ttf Arial.Unicode.ttf /root/.config/Ultralytics/(其它下载内容类似修改包括yolo8.pt,)
  2. 可在RUN pip install --no-cache ultralytics albumentations comet gsutil notebook \ coremltools onnx onnx-simplifier onnxruntime openvino-dev>=2022.3加上镜像源-i https://pypi.tuna.tsinghua.edu.cn/simple

Docker 命令

  1. sudo docker build -f ./ultralytics-main/docker/Dockerfile -t yolov8:v0 .
  2. 通过docker images查看容器
  3. 通过docker ps -a查看容器ID,例如:f4f9d52e741d
  4. docker run -t -i -v /opt:/soft 容器id /bin/bash
  5. 使用-v参数来挂载主机下的一个目录,把本地/opt文件挂载在这个容器上做共享文件夹,这样启动后容器会自动在根目录下创建soft文件夹,同时也就要求了soft必须写绝对路径
  6. 进入镜像docker exec -it 容器ID /bin/bash
  7. 使用GPU sudo docker run -it --gpus all 939ef9bb8e81 /bin/bash

进入docker后

  1. 测试yolo predict model=yolov8s.pt source=“https://ultralytics.com/images/bus.jpg” 若无yolo则先pip install ultralytics

镜像导出与维护

导出前先将容器提交成镜像 sudo docker commit -m “add yolo env” <容器ID> yolo8:v1

  1. sudo docker save <镜像ID> -o /home/yolov8_v0.tar

  2. 停止运行容器 sudo docker stop <容器ID>

  3. 删除容器 sudo docker rm <容器ID前三位>

  4. 删除镜像 sudo docker rmi <镜像ID前三位>

  5. 导入镜像 sudo docker load < XXX.tar

  6. 为镜像打上标签,sudo docker tag aba01f181a4a webconsole:latest文章来源地址https://www.toymoban.com/news/detail-756148.html

容器导出

  1. sudo docker export -o xxx.tar <容器id>

# 使用GPU训练环境配置

  1. 首先下载的docker环境要与本地的cuda版本一致,以cuda10.1为例子:sudo docker pull pytorch/pytorch:1.4-cuda10.1-cudnn7-devel(列表可在官网查看https://hub.docker.com/r/pytorch/pytorch)
  2. conda 创建python3.8环境 conda create -n your_env_name python=3.8 然后激活source activate your_env_name
  3. yolo的训练环境是基于pytorch1.8及以上,因此下载GPU版本pytorch1.8.1(可在官网查找 https://pytorch.org/get-started/previous-versions/)
  4. 可手动下载pytorch(https://download.pytorch.org/whl/torch_stable.html)
  5. 相关python 命令:
    pip install torch-1.8.1+cu101-cp38-cp38-linux_x86_64.whl torchvision-0.9.1+cu101-cp38-cp38-linux_x86_64.whl torchaudio-0.8.1-cp38-cp38-linux_x86_64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple
    pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple
    pip uninstall opencv-python
    pip install opencv-python-headless -i https://pypi.tuna.tsinghua.edu.cn/simple

到了这里,关于YOLOV8 进行docker环境配置的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【YOLO】Windows 下 YOLOv8 使用 TensorRT 进行模型加速部署

    本文全文参考文章为 win10下 yolov8 tensorrt模型加速部署【实战】 本文使用的代码仓库为 TensorRT-Alpha 注:其他 Yolov8 TensorRT 部署项目:YOLOv8 Tensorrt Python/C++部署教程 安装Visual Studio 2019或者Visual Studio 2022、Nvidia驱动 安装cuda,cudnn、opencv、tensorrt并进行相应的环境配置,这里不做配

    2024年02月11日
    浏览(37)
  • 【YOLO】YOLOv8实操:环境配置/自定义数据集准备/模型训练/预测

    源码链接:https://github.com/ultralytics/ultralytics yolov8和yolov5是同一作者,相比yolov5,yolov8的集成性更好了,更加面向用户了 YOLO命令行界面(command line interface, CLI) 方便在各种任务和版本上训练、验证或推断模型。CLI不需要定制或代码,可以使用yolo命令从终端运行所有任务。 如果

    2023年04月24日
    浏览(61)
  • YOLOv8 如何进行目标追踪

    YOLOv8 检测-追踪 YOLOv8 分割-追踪 YOLOv8 检测-追踪 目标检测 是指在图像或视频中定位并识别出一个或多个目标物体的位置和类别。 目标检测算法通常会输出目标的边界框和对应的类别标签ÿ

    2024年02月14日
    浏览(36)
  • YOLOv8改进 | 进阶实战篇 | 利用YOLOv8进行视频划定区域目标统计计数

    Hello,各位读者, 最近会给大家发一些进阶实战的讲解 ,如何利用YOLOv8现有的一些功能进行一些实战, 让我们不仅会改进YOLOv8,也能够利用YOLOv8去做一些简单的小工作,后面我也会将这些功能利用PyQt或者是pyside2做一些小的界面给大家使用。 在开始之前给大家推荐一下我的

    2024年01月20日
    浏览(48)
  • 基于YOLOV8模型的海上船只目标检测系统(PyTorch+Pyside6+YOLOv8模型)

    摘要:基于YOLOV8模型的海上船只目标检测系统用于日常生活中检测与定位海上船只目标(散装货船(bulk cargo carrier)、集装箱船(container ship)、渔船(fishing boat)、普通货船(general cargo ship)、矿石船(ore carrier)和客轮(passenger ship)),利用深度学习算法可实现图片、视

    2024年02月09日
    浏览(57)
  • 基于YOLOV8模型的西红柿目标检测系统(PyTorch+Pyside6+YOLOv8模型)

    摘要:基于YOLOV8模型的西红柿目标检测系统可用于日常生活中检测与定位西红柿目标,利用深度学习算法可实现图片、视频、摄像头等方式的目标检测,另外本系统还支持图片、视频等格式的结果可视化与结果导出。本系统采用YOLOv8目标检测算法训练数据集,使用Pysdie6库来搭

    2024年02月11日
    浏览(47)
  • 基于YOLOv8模型的深海鱼目标检测系统(PyTorch+Pyside6+YOLOv8模型)

    摘要:基于YOLOv8模型和BDD数据集的自动驾驶目标检测系统可用于日常生活与海洋中检测与定位深海鱼目标,利用深度学习算法可实现图片、视频、摄像头等方式的目标检测,另外本系统还支持图片、视频等格式的结果可视化与结果导出。本系统采用YOLOv8目标检测算法训练数据

    2024年02月07日
    浏览(43)
  • 在自定义数据集上训练 YOLOv8 进行目标检测

    这是目标检测中令人惊叹的 AI 模型之一。在这种情况下,您无需克隆存储库、设置要求并配置模型,就像在 YOLOv5 及其之前的版本中所做的那样。 在 YOLOv8 中,不需要执行这些手动任务。您只需安装 Ultralytics 即可,我将向您展示如何通过一个简单的命令安装它。 这是一个提

    2024年02月01日
    浏览(52)
  • yolov8 + deepsort 用于进行多目标检测(车流统计,人流统计)

    参考视频:https://www.youtube.com/watch?v=nkptX_vXJKo git地址:https://github.com/MuhammadMoinFaisal/YOLOv8-DeepSORT-Object-Tracking Clone the repository Goto the cloned folder. cd YOLOv8-DeepSORT-Object-Tracking Install the dependecies 这里要注意不是在yolo环境下执行,而是在普通命令行下执行,否则会报错 Run the code with

    2024年02月16日
    浏览(40)
  • 从0开始yolov8模型目标检测训练

    首先有大环境,即已经准备好了python、nvidia驱动、cuda、cudnn等。 2.1 创建虚拟环境 2.2 激活虚拟环境 注意:激活虚拟环境的时候,需要清楚自己创建的虚拟环境(yolov8)是在root权限下,还是在user权限下,否则,当使用source activate yolov8激活环境的时候,可能一直会提示Could n

    2024年02月12日
    浏览(43)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包