使用yolov8的dockerfile在ubuntu上部署环境

最新推荐文章于 2025-06-18 01:16:33 发布
最新推荐文章于 2025-06-18 01:16:33 发布
阅读量2.4k 收藏 9
点赞数 2
CC 4.0 BY-SA版权
文章标签： ubuntu YOLO docker
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/GODLwc/article/details/128969083

使用dockerfile在ubuntu上部署环境

  1. 首先进入doceker文件夹 cd yolov8/ultralytics-main/docker
    在这里插入图片描述

  2. 执行命令docker build -t yolov8:v1 .
    yolov8:v1（镜像名称:镜像标签,可以自己定义）
    注意点：
    （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/
    （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

  3. 通过docker ps -a查看容器ID，例如：f4f9d5

最低0.47元/天 解锁文章
谷生百雨
关注
Ubuntu22.04版本的YOLOv8TensorRT模型部署
qq_53545309的博客
07-19 2514
如何使用代码导出onnx文件。你将会的到例如：yolov8n.trt、yolov8s.trt、yolov8m.trt等文件。yaml是官方提供的配置文件，如果是自己训练的模型，那就设置为自定义yaml文件即可。
2.2 YOLOv8训练自己的模型并部署RK3588（Rock5B开发板）
m0_46087051的博客
04-12 1588
cp Dockerfile_ubuntu_20_04_for_cp38 Dockerfile sudo docker build -t "rknn/toolkit2:20240208" . sudo docker image ls sudo docker run -it -v $(pwd -P):/workplace rknn/toolkit2:20240208 /bin/bashpython convert.py ./best.onnx rk3588修改OBJ_CLASS_NUM，否则会在后处理报错
YOLOv8 测试 4：在 Linux 中使用 Docker 部署 YOLOv8 模型，并使用简单的命令行脚本测试模型
积累，沉淀，温故而知新
04-09 6110
在 Linux 中使用 Docker 部署 YOLOv8 模型，并使用简单的命令行脚本 CLI 测试模型，对图片内容进行识别。
【YOLO】Docker搭建镜像+运行容器
qq_44703886的博客
05-23 996
本文介绍了如何使用Docker搭建镜像并运行容器的完整流程。首先，验证宿主机是否安装了Docker、NVIDIA-Docker和显卡驱动。接着，配置Docker镜像加速器以提升拉取镜像的速度。然后，通过手动拉取基础镜像并编辑Dockerfile来构建自定义镜像，确保镜像包含所需的依赖和环境。构建完成后，通过运行容器并进入容器内部，验证环境配置是否正确。最后，提供了Docker常用命令，如启动、进入、删除容器等，帮助用户更好地管理和操作Docker容器。
ubuntu20.04利用docker部署yolov8检测算法（保姆级教程）
givxd的博客
08-13 3063
在ubuntu20.04系统上利用docker部署yolov8检测算法，使用系统基础镜像，同样可以部署其他深度学习算法。
docker部署yolov8
d121028379的博客
03-21 3084
ubuntu20.04;cuda11.7;docker23.0.1,numpy==1.23.0
使用yolov8的Dockerfile构建Docker
weixin_50078210的博客
08-08 2242
因网络原因我先将需要下载的文件下载好存放在yolov8项目的docker文件夹中2、3、yolov8权重文件。
YOLOV8 进行docker环境配置
u011489887的专栏
10-20 2740
sudo docker save -o /home/yolov8_v0.tar。停止运行容器 sudo docker stop 删除容器 sudo docker rm 删除镜像 sudo docker rmi
YOLOv8模型自动化部署：环境配置的未来趋势
[YOLOv8模型自动化部署：环境配置的未来趋势](https://viso.ai/wp-content/uploads/2022/01/YOLO-comparison-blogs-coco-1060x398.png) # 1. YOLOv8模型概述与优势 ## 1.1 YOLOv8的发展历程 YOLO（You Only Look ...
基于YOLOv8的蜂巢健康监测系统：从数据集构建到Web界面部署
最新发布
06-18 403
传统的蜂巢检查方法依赖养蜂人的经验判断，不仅效率低下而且容易遗漏早期问题。本文将详细介绍如何利用深度学习技术，特别是YOLOv8目标检测算法，构建一个智能化的蜂巢健康监测系统。本系统能够自动识别蜂巢中的多个关键指标：蜂王存在状态、工蜂数量、雄蜂比例、幼虫发育情况、病虫害感染迹象以及蜜脾存储量等。我们将从数据集构建开始，逐步讲解模型训练、性能优化，最终实现一个完整的Web应用界面。对于本系统，我们将使用自建数据集与公开数据集的组合。一个高质量的蜂巢图像数据集是构建可靠监测系统的基础。
Ubuntu 20.04 ARM64 YOLOv5完整实现指南
zzcufo的博客
05-28 592
本文提供了在Ubuntu 20.04 ARM64系统上实现YOLOv5的完整指南。首先介绍了系统环境配置，包括基础依赖安装、Python虚拟环境设置、ARM64专用PyTorch安装以及OpenCV部署方案。然后详细说明了YOLOv5的训练流程，包括数据集结构规范、配置文件创建、标签格式转换脚本编写，以及训练参数配置方法。针对ARM64架构特点，文中特别推荐使用CPU版本的PyTorch，并建议减小batch_size和workers数量以优化性能。整个实现过程涵盖了从环境搭建到模型训练的全流程，为ARM平
Docker搭建yolov8并训练、验证、推理化学仪器数据集
m0_58700887的博客
06-21 3246
本文通过docker的方式搭建yolov8运行环境，并成功训练了化学仪器数据集，其中训练数据215张，验证数据65张，类别14。
使用docker搭建yolov8环境（从头到尾完整流程，小白也能行！）
m0_58700887的博客
12-03 2490
Linux服务器，CentOS 7系统，CUDA版本11.4，确保显卡可以正常使用。
Ubuntu配置Yolov8环境并训练自己的数据集 + ROS实时运行
热门推荐
zardforever123的博客
11-10 3万+
简单介绍了Yolov8的环境环境配置以及训练自己数据集的方法一、环境配置与功能测试 1.1 安装 目标检测 实例分割 分类 姿态检测 训练数据标注 数据集训练方法 命令训练 代码训练
Ubuntu yolov8安装配置
2203_75994053的博客
08-04 3487
解决方法：手动删除requirement.txt文件中的下载链接（@file以及后面的）解决pip install pipreqs # 安装pipreqs。一定要在安装完CUDA以及Anaconda后才可安装yolov8。解决：pip freeze > requirements.txt。激活后看见（base）变成(yolov8)就是成功激活了。jepg是自己下载用于检测的，****即为路径。若遇到问题可以在评论区发出来一起讨论研究下。python版本要自己注意好。
YOLOv8 测试 5-2：Linux 中 Dockerfile 部署 YOLOv8 项目一键运行，Python 封装 API 接口测试
积累，沉淀，温故而知新
04-15 2868
本文在测试 5 基础上进行升级，采用 Dockerfile 的方式来构建 Conda 镜像，部署 YOLOv8 项目一键运行。整理了 Dockerfile 制作 YOLOv8 镜像过程中的常见问题。
【yolov8系列】ubuntu上环境搭建、yolov8的开启训练的极简操作
magic_ll的博客
06-28 1740
yolov8的广泛使用，拉取yolov8源码工程，然后配置环境后直接运行，初步验证自己数据的检测效果，在数据集准备OK的情况下 需要信手拈来，以保证开发过程的高效进行。提高显卡驱动版本或降低pytorch版本即可。这里方便起见，降低pytorch版本与显卡驱动匹配即可。顺便也记录下ubuntu下的一些简单的常用的操作。
在linux中使用Docker部署yolov8（cpu版）
Mjy的博客
09-24 1356
查看下载信息可知，ultralytics下载在 /usr/local/envs/yolov8/lib/python3.9/site-packages目录中，进入该目录。进入官网，在里面找合适的版本，文中使用的是 Windows 下的 CPU only 版本。下载 YOLOv8 模型，检查下 Python 环境是否正确，我们下载的是 3.9 版本。如图，在宿主机 home 目录下找到 bus.jpg，选择下载即可在本机桌面查看图片。-it是交互式方式，运行命令后，我们能直接进入 yolo 容器。
超详细的YOLOv8项目组成解析：一站式指南了解其架构与组件_yolov8如何运行在arm64架构上
2401_84140332的博客
04-09 1980
最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！
Ubuntu20.04部署yolov11
03-08
### 安装和配置YOLOv1进行目标检测 #### 准备工作 为了在Ubuntu 20.04上成功部署YOLOv1，需要先准备好开发环境。考虑到环境配置的复杂度以及一致性维护的需求，推荐使用Docker来构建所需的运行时环境[^1]。 #### Docker镜像准备 创建一个适合YOLOv1的Dockerfile文件，该文件定义了用于安装依赖项并设置YOLOv1所需的一切指令。对于CUDA支持下的深度学习框架来说，NVIDIA提供了官方优化过的基础镜像，这可以作为起点： ```dockerfile FROM nvidia/cuda:11.7.0-base-ubuntu20.04 RUN apt-get update && \ apt-get install -y --no-install-recommends \ build-essential \ cmake \ git \ libopencv-dev \ python3-pip \ python3-setuptools \ python3-wheel \ wget && \ rm -rf /var/lib/apt/lists/* WORKDIR /app COPY . . RUN pip3 install -r requirements.txt CMD ["bash"] ``` 此段脚本基于带有CUDA 11.7支持的Ubuntu 20.04镜像，并安装了一些必要的软件包，包括OpenCV库及其Python绑定、Git版本控制系统以及其他可能被YOLOv1项目所使用的工具或库。 #### YOLOv1源码获取与编译 通过克隆Darknet仓库获得YOLOv1的具体实现代码。需要注意的是，在执行`make`命令之前应当修改Makefile中的某些选项以适应个人硬件条件（比如是否开启GPU加速等）: ```shell git clone https://github.com/pjreddie/darknet.git cd darknet sed -i 's/GPU=0/GPU=1/' Makefile sed -i 's/CUDNN=0/CUDNN=1/' Makefile make ``` 以上命令序列完成了从GitHub拉取darknet项目的操作，并针对具有CUDA和cuDNN支持的情况调整了编译参数，最后调用了GNU make来进行实际编译过程[^2]。 #### 配置PyTorch环境 虽然YOLOv1主要由C语言编写并通过Darknet框架提供接口访问，但在现代应用中往往还需要配合其他机器学习平台一起工作。因此，建立一个兼容性强且功能完备的PyTorch环境是非常有帮助的。可以通过pip工具轻松完成这项任务： ```shell pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117 ``` 这条语句指定了额外索引URL指向包含特定于CUDA 11.7版本预编译二进制文件的位置，从而确保能够顺利安装适用于当前系统的PyTorch发行版[^4]。 #### 测试模型性能 一旦所有前期准备工作都已完成，则可以根据需求加载预训练权重并对自定义数据集实施预测分析。通常情况下，只需指定相应的配置文件路径(.cfg)，类别名称列表(.names)以及权重文件(.weights): ```python import cv2 as cv from darknet import Darknet, detect_cv2_image model = Darknet('cfg/yolov1.cfg') model.load_weights('yolov1.weights') image = cv.imread('data/dog.jpg') # 替换成自己的图片路径 detections = detect_cv2_image(model, image) for detection in detections: label, confidence, bbox = detection print(f'{label}: {confidence:.2f} at {bbox}') ``` 上述Python片段展示了如何利用已有的YOLOv1模型结构描述文档(cfg)读入网络架构信息；接着借助`.load_weights()`方法导入事先训练好的参数值；最终实现了对输入图像的目标识别流程[^3]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值