You Only Look Once

YOLO 也是一种著名的 目标检测算法（You Only Look Once）。

它能在一张图片或一段视频中快速、准确地识别并定位出多个目标物体。

相比传统方法，YOLO 以“端到端”的方式一次性预测所有物体的位置和类别，速度非常快，因此被广泛用于自动驾驶、监控、机器人视觉等场景

高度流行、社区活跃版本

Linux 部署

可以把 快速部署 YOLO 理解成几个简单步骤：安装环境 → 获取模型 → 推理 → 可选加速。下面我整理了一个实用入门指南。

1️⃣ 安装环境

# 克隆 YOLO 仓库
git clone https://github.com/ultralytics/yolov5.git
cd yolov5

# 安装依赖
pip install -U pip
pip install -r requirements.txt

包含 PyTorch、OpenCV 等必要依赖。

2️⃣ 下载预训练模型

YOLO 提供多种预训练模型：

示例下载 yolov5s：

wget https://github.com/ultralytics/yolov5/releases/download/v6.1/yolov5s.pt

3️⃣ 推理使用

使用 Python 脚本即可快速运行：

import torch

# 加载模型
model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True)

# 推理单张图片
img = 'data/images/bus.jpg'
results = model(img)

# 显示结果
results.show()

# 保存检测结果
results.save('runs/detect/')

results.render() 返回带框的图像，可用于自定义显示。

4️⃣ 视频/摄像头实时检测

import cv2

cap = cv2.VideoCapture(0)  # 打开摄像头
while True:
    ret, frame = cap.read()
    if not ret:
        break
    results = model(frame)
    cv2.imshow('YOLOv5 Detection', results.render()[0])
    if cv2.waitKey(1) & 0xFF == 27:  # ESC退出
        break
cap.release()
cv2.destroyAllWindows()

5️⃣ 可选：加速部署（ONNX/TensorRT）

如果要在嵌入式或高性能平台部署：

# 导出 ONNX 模型
python export.py --weights yolov5s.pt --img 640 --batch 1 --device 0 --include onnx

然后可使用 TensorRT、OpenVINO 等工具加速推理。

6️⃣ 总结流程

1. 安装环境 → PyTorch + YOLOv5
2. 下载预训练模型
3. 运行 Python 脚本推理
4. （可选）部署到摄像头/视频
5. （可选）导出 ONNX/TensorRT 提升速度

✅ 小贴士：

• 先安装linux navida 显卡驱动
• 测试和学习用 yolov5s 就够了，轻量快速。
• 工业部署或高精度需求可以用 yolov5l 或 yolov5x。

docker 部署

是的，YOLOv5 提供了官方的 Docker 镜像，您可以轻松地在 Docker 容器中运行 YOLOv5，包括 yolov5s 模型。

🧱 官方 Docker 镜像

Ultralytics 官方提供的 YOLOv5 Docker 镜像地址为：

• Docker Hub 页面：ultralytics/yolov5
• GitHub Wiki 快速入门指南：Docker Quickstart

🚀 快速部署步骤

1. 拉取 Docker 镜像

在终端中运行以下命令：

docker pull ultralytics/yolov5:latest

这将下载最新版本的 YOLOv5 镜像。

2. 运行 Docker 容器

启动一个交互式容器：

docker run --ipc=host -it ultralytics/yolov5:latest

如果需要访问本地数据集，可以使用以下命令：

docker run --ipc=host -it -v "$(pwd)"/datasets:/usr/src/datasets ultralytics/yolov5:latest

这将把当前目录下的 datasets 文件夹挂载到容器内的 /usr/src/datasets 路径。

3. 使用 YOLOv5

在容器中，您可以执行以下命令来使用 YOLOv5：

• 训练模型：

  python train.py

• 验证模型：

  python val.py --weights yolov5s.pt

• 进行推理：

  python detect.py --weights yolov5s.pt --source path/to/images

• 导出模型：

  python export.py --weights yolov5s.pt --include onnx coreml tflite

💡 小贴士

• GPU 加速：如果您的系统支持 GPU，可以在运行容器时添加 --gpus all 参数，以启用 GPU 加速。

• 挂载本地目录：使用 -v 参数将本地目录挂载到容器内，方便访问数据集和保存结果。

• 持久化数据：为了持久化训练结果和模型，建议将容器的输出目录挂载到本地磁盘。

你现在 系统里还没有安装 NVIDIA 驱动，所以 nvidia-smi 找不到命令，也无法在 Docker 中使用 GPU。你需要先安装 NVIDIA 驱动，然后再配置 Docker GPU 支持。

下面给你一个 Ubuntu 系统安装流程（假设你用的是 Ubuntu 22.04/24.04）：

1️⃣ 安装 NVIDIA 驱动

推荐安装最新稳定版（535 系列）：

sudo apt update
sudo apt install nvidia-utils-535 nvidia-driver-535

nvidia-driver-535 会安装对应驱动，nvidia-utils-535 提供 nvidia-smi 工具。

安装完成后重启系统：

sudo reboot

2️⃣ 验证 NVIDIA 驱动

重启后，检查 GPU 是否可用：

nvidia-smi

• 如果显示 GPU 信息和驱动版本，说明安装成功
• 如果报错，需要确认显卡型号和驱动匹配

3️⃣ 安装 NVIDIA Container Toolkit

Docker 才能在容器中访问 GPU：

# 添加 NVIDIA Docker 仓库
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt-get update

# 安装 nvidia-docker2
sudo apt-get install -y nvidia-docker2
sudo systemctl restart docker

4️⃣ 测试 Docker GPU

sudo docker run --rm --gpus all nvidia/cuda:12.1-base nvidia-smi

• 输出 GPU 信息表示配置成功

5️⃣ 运行 YOLOv5 Docker

sudo docker run --ipc=host -it --gpus all ultralytics/yolov5:latest

现在容器里就可以使用 GPU 了。

✅ 总结

• 你目前没有安装 NVIDIA 驱动，需要先安装驱动和 utils
• 安装完成后，再安装 NVIDIA Docker 支持
• 最后就可以在 Docker 容器里用 YOLOv5 GPU 运行

太好了，你已经成功进入了 YOLOv5 Docker 容器，现在在容器内可以直接运行 YOLOv5 的训练和推理脚本。

🔹 容器内常用命令示例

1️⃣ 测试推理（检测图片）

python detect.py --weights yolov5s.pt --source data/images/bus.jpg

• --weights yolov5s.pt：使用预训练模型
• --source：输入图片/视频路径
• 输出结果默认保存在 runs/detect/exp

2️⃣ 查看推理结果

ls runs/detect/exp

• 可以看到带检测框的图片

3️⃣ 使用本地数据集（挂载卷）

如果你想用宿主机的数据集：

exit  # 先退出容器
sudo docker run --ipc=host -it -v /home/link/datasets:/usr/src/app/datasets ultralytics/yolov5:latest

• /home/link/datasets：宿主机数据集路径
• /usr/src/app/datasets：容器内访问路径

然后在容器内：

python detect.py --weights yolov5s.pt --source datasets/my_image.jpg

4️⃣ 训练模型（CPU 上）

python train.py --img 640 --batch 4 --epochs 10 --data coco128.yaml --weights yolov5s.pt

• --batch 4：CPU 上批量不能太大，否则内存吃满
• --img 640：输入图片大小
• --epochs 10：训练轮数

注意：CPU 上训练大模型很慢，建议只测试小模型 yolov5s 或做少量 epoch 测试

5️⃣ 导出模型

python export.py --weights yolov5s.pt --include onnx

• 可将 PyTorch 模型导出为 ONNX，便于部署

🔹 小贴士

• 你现在是 root 用户，在容器内对文件操作很方便
• CPU 上训练速度慢，推理可以正常使用
• 建议先做 小数据集或预训练模型推理 测试

使用摄像头

好的，我们先确认你的摄像头在本地（宿主机）能正常工作，而不涉及 Docker。下面我给你几个方法：

1. 使用 ls /dev/video* 查看摄像头设备

在终端输入：

ls /dev/video*

• 输出类似 /dev/video0 表示系统识别到一个摄像头。
• 如果有多个摄像头，可能会有 /dev/video1、/dev/video2。

2. 使用 cheese 查看摄像头

cheese 是 Linux 下的摄像头预览工具。

sudo apt update
sudo apt install cheese -y
cheese

• 打开后就能看到摄像头画面。
• 如果能看到画面，说明摄像头正常工作。

3. 使用 OpenCV 测试摄像头

如果你想用 Python 简单测试：

import cv2

cap = cv2.VideoCapture(0)  # 0 表示第一个摄像头

if not cap.isOpened():
    print("无法打开摄像头")
    exit()

while True:
    ret, frame = cap.read()
    if not ret:
        print("无法读取视频帧")
        break

    cv2.imshow('Camera Test', frame)

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

• 运行后会弹出窗口显示摄像头画面。
• 按 q 退出。

直接在 Docker 里用 YOLOv5 进行实时摄像头检测了。

下面是一个完整示例命令（保证摄像头、共享内存和结果挂载都正常）：

sudo docker run --ipc=host -it \
--device=/dev/video0:/dev/video0 \
-v /home/link/yolov5_results:/usr/src/app/runs/detect \
ultralytics/yolov5:latest \
python detect.py --source 0 --weights yolov5s.pt --conf 0.25

参数说明：

• --ipc=host → 共享内存，提高 PyTorch 性能，避免内存不足报错
• --device=/dev/video0:/dev/video0 → 容器可以访问宿主机摄像头
• -v ~/yolov5_results:/usr/src/app/runs/detect → 挂载结果目录
• --source 0 → 使用默认摄像头
• --weights yolov5s.pt → 使用轻量级模型（检测速度快）
• --conf 0.25 → 置信度阈值

运行后：

• 会弹出摄像头实时检测窗口
• 检测结果会保存在 ~/yolov5_results