### 如何使用 Docker 运行 YOLO 镜像 为了通过 Docker 容器化环境运行 YOLO 模型，可以按照以下方法操作。此过程假设已经完成 Docker 的安装以及配置为开机自启[^1]。 #### 准备工作 确保本地已安装 Docker 并验证其状态正常： ```bash docker --version sudo systemctl status docker ``` 如果未启动，则需手动启动 Docker 服务并启用自动加载功能： ```bash sudo systemctl start docker sudo systemctl enable docker ``` #### 获取官方 YOLO 镜像 Ultralytics 提供了基于 Docker 的 YOLOv5 和 YOLOv8 支持[^2]。可以通过拉取预构建的镜像快速开始： 对于 **YOLOv5**： ```bash docker pull ultralytics/yolov5:latest ``` 对于 **YOLOv8**（推荐版本）： ```bash docker pull ultralytics/yolov8:latest ``` #### 创建并运行容器 创建一个新的交互式会话以便于调试和测试模型性能。以下是针对不同需求的具体命令示例： ##### 基础运行方式 进入容器内部查看可用脚本及文档说明： ```bash docker run -it --rm ultralytics/yolov8:latest bash ``` ##### 绑定主机文件夹到容器内路径 当需要共享数据集或者保存训练成果时，可挂载宿主机上的目录至容器中指定位置： ```bash docker run -it --rm \ -v /path/to/local/dataset:/datasets \ -v /path/to/save/results:/results \ ultralytics/yolov8:latest python detect.py --source /datasets/input.jpg --save-txt --project /results ``` 此处 `/path/to/local/dataset` 替换为你实际的数据存储地址；而 `--source`, `--weights` 参数则依据具体任务调整[^2]。 #### 执行推理任务 利用内置 CLI 工具实现目标检测等功能无需额外编码即可调用相应接口完成图片处理流程演示[^2]: ```bash docker run -it --rm ultralytics/yolov8:latest predict source=/path/to/image_or_video_file conf=0.25 imgsz=640 save=True ``` 以上即完成了从准备阶段到最后一步执行预测整个环节的操作指导[^2]. ```python import torch from PIL import Image from yolov5.utils.general import non_max_suppression, scale_coords from yolov5.models.experimental import attempt_load def load_model(weights_path='yolov5s.pt'): model = attempt_load(weights_path, map_location=torch.device('cpu')) return model.eval() model = load_model() img = Image.open("/test_image.png") # Replace with your image path. preds = model(img)[0] detected_objects = non_max_suppression(preds) print(detected_objects) ```