Docker部署YOLOv8训练+推理完整教程(含报错解决)

在docker容器中部署yolov5(基于ncnn神经网络推理框架) 使用Docker部署NCNN推理框架神经网络能够简化环境配置、提供环境隔离和一致性、实现可移植性、提高资源利用率并具备良好的可扩展性。这些好处可以加速开发和部署过程,提升系统的可靠性和稳定性。简化环境配置:NCNN是一个基于C++的轻量级神经网络推理框架,具有高效、快速和低内存占用等特点。使用Docker可以将NCNN及其依赖项打包成一个独立的容器,避免了手动安装和配置各种依赖项的繁琐过程,减少了环境配置的难度。环境隔离和一致性:Docker提供隔离的容器环境,每个容器都拥有独立的文件系统和运行环境。 阅读详情

说明

1、本教程适配 Windows10+/Ubuntu20.04/22.04,全程一键复制命令,无需配置Python、CUDA、PyTorch

2、使用Ultralytics官方GPU镜像,环境纯净、无版本冲突

3、包含:环境安装、容器部署、数据集制作、训练、推理、模型导出、全套报错解决方案

4、训练必须Nvidia独立显卡,CPU仅能推理,训练速度极慢不推荐

一、前置硬件&软件要求

1、硬件:Nvidia独立显卡(驱动版本≥515)、空闲硬盘≥20G、内存≥8G

2、软件:无预装依赖,仅需安装Docker

3、核心优势:容器隔离环境,一次部署永久使用,不会污染本地电脑环境

二、安装Docker环境

2.1 Windows系统安装Docker

1、下载Docker Desktop:https://www.docker.com/products/docker-desktop/

2、默认路径安装,安装完成重启电脑

3、打开PowerShell,输入以下命令验证安装成功:

docker --version

4、Docker设置开启GPU支持:Settings → Features → 勾选【Use the WSL 2 based engine】、【Enable GPU support】,重启Docker

2.2 Ubuntu系统安装Docker

复制全部命令一键执行:

sudo apt update sudo apt install docker.io -y sudo systemctl start docker sudo systemctl enable docker

2.3 安装Nvidia GPU容器支持(必装!!!)

Ubuntu系统一键安装:

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg distribution=$(. /etc/os-release;echo $ID$VERSION_ID) curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list sudo apt update sudo apt install -y nvidia-container-toolkit sudo systemctl restart docker

2.4 验证GPU环境是否正常

通用验证命令(Windows/Ubuntu通用):

docker run --rm --gpus all nvidia/cuda:11.8.0-base-ubuntu22.04 nvidia-smi

输出显卡信息 = 环境正常

报错 = 显卡驱动过低/未开启GPU支持,查看文末排错方案

三、拉取YOLOv8官方镜像

官方镜像内置CUDA、PyTorch、YOLOv8全部依赖,一键拉取:

docker pull ultralytics/ultralytics:latest

四、创建本地工作目录(持久化数据)

作用:容器删除后,数据集、训练权重、结果依然保存在本地

4.1 Windows创建目录

手动新建文件夹:D:\yolo_workspace

内部新建三个子文件夹:datasets、runs、weights

4.2 Ubuntu一键创建目录

mkdir -p ~/yolo_workspace/datasets mkdir -p ~/yolo_workspace/runs mkdir -p ~/yolo_workspace/weights

五、启动YOLOv8容器(核心命令)

5.1 Windows启动命令(PowerShell执行)

docker run -it --gpus all ^ -v D:\yolo_workspace:/usr/src/ultralytics ^ -p 8080:8080 ^ ultralytics/ultralytics:latest

5.2 Ubuntu启动命令

docker run -it --gpus all \ -v ~/yolo_workspace:/usr/src/ultralytics \ -p 8080:8080 \ ultralytics/ultralytics:latest

出现root@xxx:/usr/src/ultralytics# 即进入训练环境,部署完成

后续重新进入容器命令:docker start -ai 容器ID

六、环境测试(确保可正常运行)

6.1 测试推理

yolo predict model=yolov8n.pt source=bus.jpg

6.2 测试快速训练(5轮快速验证)

yolo train model=yolov8n.pt data=coco8.yaml epochs=5 imgsz=640

运行无报错、生成结果文件 = 环境完全正常

七、自定义数据集配置(标准YOLO格式)

7.1 固定数据集目录结构

将数据集放入:yolo_workspace/datasets/自定义文件夹名(示例my_dataset)

my_dataset/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 ├── labels/ │ ├── train/ # 训练集txt标签 │ └── val/ # 验证集txt标签 └── data.yaml # 数据集配置文件

7.2 编写data.yaml配置文件(直接复制修改)

path: /usr/src/ultralytics/datasets/my_dataset train: images/train val: images/val nc: 2 names: 0: cat 1: dog

修改说明:nc为类别总数,names对应自己的目标类别,其余内容无需改动

八、自定义数据集训练命令(小白通用)

yolo train \ model=yolov8n.pt \ data=datasets/my_datset/data.yaml \ epochs=100 \ imgsz=640 \ batch=8 \ device=0

参数解释

model:预训练权重(n/s/m/l/x,从小到大,速度递减、精度递增)

epochs:训练轮数,通用100-300轮

imgsz:推理尺寸,固定640即可

batch:批次大小,显存4G改4、2G改2

device:指定0号GPU训练

训练结果路径

本地:yolo_workspace/runs/train/exp(自动递增文件夹)

best.pt:最优模型权重(实际部署使用)

last.pt:最后一轮模型权重(继续训练使用)

九、模型推理、验证、导出命令

9.1 模型推理测试

yolo predict \ model=runs/train/exp/weights/best.pt \ source=datasets/my_dataset/images/val \ save=True

9.2 模型精度验证

yolo val model=runs/train/exp/weights/best.pt data=datasets/my_dataset/data.yaml

9.3 导出ONNX/TensorRT部署模型

# 导出ONNX yolo export model=runs/train/exp/weights/best.pt format=onnx # 导出TensorRT(高速推理) yolo export model=runs/train/exp/weights/best.pt format=engine

十、继续上次未完成的训练

yolo train model=runs/train/exp/weights/last.pt resume=True

原因:未开启GPU支持/显卡驱动版本过低

解决:更新Nvidia官方驱动≥515,Windows开启Docker GPU支持,重启Docker

 

YOLOV8 进行docker环境配置 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 阅读详情

相关推荐

【YOLO】Docker搭建镜像+运行容器

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。

qq_44703886的博客 2056

使用docker搭建yolov8环境(从头到尾完整流程,小白也能行!)

Linux服务器,CentOS 7系统,CUDA版本11.4,确保显卡可以正常使用。

m0_58700887的博客 4245

告别环境报错:用Docker 10分钟在本地/服务器部署YOLOv8完整开发环境

本文详细介绍了如何使用Docker在10分钟内快速部署YOLOv8完整开发环境,解决传统环境搭建中的CUDA版本冲突、依赖包不兼容等问题。通过预构建镜像和自定义Dockerfile,实现从本地到服务器的无缝迁移,支持推理和训练全流程,大幅提升计算机视觉开发效率。

weixin_33728708的博客 383

YOLOv8模型部署最佳实践:基于Docker Run的容器化方案

通过Docker实现YOLOv8模型的高效、可复现部署,解决环境依赖与GPU配置难题。结合挂载卷、SSH调试和Jupyter交互,提升边缘计算与生产环境下的迭代效率,推动AI从实验室到产线的落地。

weixin_34438187的博客 1052

保姆级教程:用Docker和Ultralytics库5分钟跑通YOLOv8完整训练流程

本文提供了一份详细的YOLOv8训练流程指南,通过Docker和Ultralytics库实现5分钟快速部署。内容涵盖环境配置、数据准备、模型训练、性能调优及生产部署全流程,帮助开发者高效掌握YOLOv8在计算机视觉任务中的应用。

weixin_29696711的博客 326

YOLOv8【第九章:模型部署篇·第9节】一文搞懂,Docker容器化部署!

🏆 本文收录于 《YOLOv8实战:从入门到深度优化》 专栏。该专栏系统复现并梳理全网各类 YOLOv8 改进与实战案例(当前已覆盖分类 / 检测 / 分割 / 追踪 / 关键点 / OBB 检测等方向),坚持持续更新 + 深度解析,质量分长期稳定在 97 分以上,可视为当前市面上 覆盖较全、更新较快、实战导向极强 的 YOLO 改进系列内容之一。

**My Coding Family** 1554

YOLOv8部署到云服务器的完整流程(含docker run参数)

通过Docker将YOLOv8封装为可移植镜像,实现云服务器上一键部署目标检测环境。结合NVIDIA GPU支持、端口映射与数据挂载,快速启动Jupyter和SSH服务,兼顾交互式开发与后台训练。容器化方案有效解决环境依赖、协作混乱与任务中断等问题,提升AI工程化效率。

weixin_35753291的博客 1300

【微知】关于GB200 NVL72服务器的一些信息?(36CPU72GPU;LPDDR5X 17T;HBM3e 13.5T;5代NVlink 1.8TB; 720P算力FP8;120Kw)

本文仅根据官网介绍分析,存在纰漏仅供参考。

技术札记 5410

YOLOv3目标检测的Docker封装:从环境配置到GPU部署完整指南

目标检测模型的实际落地,往往卡在运行环境不一致上。不同机器的Python版本、CUDA版本、OpenCV依赖和显卡驱动的排列组合,足以让一次简单的代码迁移变成耗时数小时的排错现场。Docker通过镜像把操作系统层、运行库、依赖和代码整体打包,实现一次构建、到处运行。对YOLOv3这类依赖PyTorch和CUDA的检测任务而言,容器化封装的核心在于理清基础镜像选型、依赖版本矩阵以及GPU透传机制。了解这些原理后,工程团队可以将检测服务快速交付到边缘设备或老旧GPU服务器,并在多机环境中复现完全一致的推理结果。

weixin_28365523的博客 211

VMware Converter 6.2.0保姆级教程:从物理机到ESXi主机的完整迁移指南(含常见错误排查)

本文提供VMware Converter 6.2.0从物理机迁移至ESXi主机的完整保姆级教程。详细解析了迁移前的环境规划、核心转换过程步骤、版本差异对比,并重点针对代理安装失败、任务卡顿、虚拟机无法启动等常见错误提供了实战排查与解决方案,确保P2V迁移顺利进行。

sam99的博客 384

【网络图】:附Origin详细画图教程

网络图,是一种由节点(或顶点)和连接这些节点的边(或链路)组成的图形结构。在网络图中,节点通常代表系统中的一个实体(如项目中的一项任务、通信网络中的一个设备、或运输网络中的一个站点),而边则代表这些实体之间的直接联系或流动(如任务的先后顺序、数据的传输路径、或乘客的旅行路线)。 有向图:如果边具有方向性,即从一个节点指向另一个节点,则称为有向图。这种图常用于表示具有明确先后顺序或方向性的系统,如项目管理中的任务依赖关系。 无向图:如果图中的边没有方向,则称为无向图。它适用于表示实体间相互关联但无明确方向性的

weixin_50236590的博客 3957

docker部署yolov8

ubuntu20.04;cuda11.7;docker23.0.1,numpy==1.23.0

d121028379的博客 3280

图注意力网络(GAT)原理与代码实战案例讲解

1. 背景介绍 图注意力网络(Graph Attention Network,简称GAT)是一种基于图神经网络(Graph Neural Networks,简称GNN)的深度学习方法。它能够处理具有复杂关系的节点数据,并在多个领域取得了显著的效果,如社交网络分析、推荐系统等。 2. 核心概念与联系

AI架构师小马 2723

用Docker搭建yolov5开发环境

用Docker搭建yolov5开发环境,小白可以上手。

Fan0920的专栏 5352

面向非平行语料的语音转换技术综述

摘要语音转换是语音及人工智能领域的一项研究课题,其目标是在保持源语音内容不变的情况下改变语音的音色,使其听上去像是由另一个目标说话人说出的,同时还需保证语音的质量和自然度。面向非平行语料的语音转换技术是当下的热门研究内容,其使用非平行的多说话人语音数据集进行模型训练,能完成多对多以及任意对任意的语音转换。对近年来面向非平行语料的语音转换进行了全面的总结和分析。首先概述了早期面向平行语料的语音转换及其缺陷,然后对当下面向非平行语料的语音转换的各类实现方法进行介绍和对比分析,最后对语音转换技术进行了总结和展望。

qq_61890005的博客 833

S7-1200中通过MODBUS TCP客户端在一次请求中实现从服务器读写一个或多个保持性寄存器的具体方法

S7-1200中通过MODBUS TCP客户端在一次请求中实现从服务器读写一个或多个保持性寄存器的具体方法

Robot_PLC_HMI_Automation 4227

部署YOLOv8总报错?独立引擎免依赖方案保姆级教程

本文介绍了基于“星图GPU”平台自动化部署“鹰眼目标检测 - YOLOv8”镜像的完整方案。该平台支持一键拉取镜像并快速构建独立运行的YOLOv8系统,无需依赖外部服务。通过ONNX格式转换与Flask WebUI集成,实现在CPU环境下的高效推理,适用于工业检测、安防监控等场景的模型微调与AI应用开发,显著提升部署稳定性与执行效率。

weixin_26805451的博客 875

2025年CSP-J复赛真题及题解:T4 多边形(polygon)

2025年CSP-J复赛真题及题解:T4 多边形(polygon)

王老师青少年编程 1728

YOLOv8推理示例解析:加载yolov8n.pt模型识别bus.jpg图像

通过Docker容器快速部署YOLOv8模型,实现对bus.jpg的高效目标检测。整个流程涵盖环境隔离、模型加载、图像预处理、GPU加速推理及结果解析,无需手动配置依赖,真正实现跨平台一致性和开箱即用的开发体验,特别适合边缘设备与生产环境的快速落地。

weixin_35755823的博客 1066

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

GitHub高星项目YOLOv8本地部署教程,附完整Git下载命令

通过Docker镜像快速部署YOLOv8,避开环境配置陷阱,实现跨平台一致的开发体验。涵盖Jupyter与命令行双模式操作,支持自定义训练、模型导出与生产优化,让开发者聚焦核心任务。

weixin_33506815的博客 750

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

YOLOv8如何实现零报错部署?免依赖引擎实战指南

本文介绍了基于星图GPU平台自动化部署“鹰眼目标检测 - YOLOv8”镜像的完整方案,实现无需依赖外部模型库的零报错工业级部署。该镜像支持本地化模型加载与CPU推理优化,适用于智能制造、安防监控等场景下的实时目标检测与数量统计应用,助力AI应用高效开发与落地。

weixin_29859471的博客 712

YOLOv8推理报错?常见问题排查与环境部署实战解决方案

本文介绍了如何在星图GPU平台上自动化部署鹰眼目标检测 - YOLOv8镜像,实现高效、稳定的目标检测服务。通过预配置环境与标准化启动流程,用户可快速完成部署,典型应用于实时街景图像中人、车等目标的识别与统计,广泛适配边缘设备及WebUI检测场景。

weixin_28913879的博客 340

YOLOv8训练全流程解析:从数据准备到模型导出

从数据准备、环境搭建到模型训练与部署,深入解析YOLOv8目标检测的完整工程链路。结合Docker镜像与ultralytics库,实现高效复现与生产落地,帮助开发者避开常见陷阱,提升开发效率。

weixin_30978239的博客 1238

通过Git下载YOLOv8源码并在Docker中快速部署(含git commit技巧)

通过Git获取YOLOv8源码,结合Docker实现环境隔离与可复现训练,涵盖commit规范、镜像构建、容器运行及模型导出完整流程,提升AI项目协作效率与部署稳定性。

weixin_35755188的博客 476

为什么YOLOv8总报错?独立引擎部署教程避坑指南

本文介绍了如何在星图GPU平台上自动化部署鹰眼目标检测 - YOLOv8镜像,实现高效稳定的目标识别应用。该方案通过独立引擎部署避免了环境依赖冲突,可快速应用于实时视频流分析、街景车辆检测等场景,为计算机视觉项目提供开箱即用的解决方案。

MoonbeamFalcon67的博客 839
上一篇: LabelMe & LabelImg 详细使用教程(新手零基础入门,附避坑指南)
下一篇: 软件最小化后,任务栏对应图标消失、找不到窗口 -------Windows 10/11 任务栏修复脚本零基础使用教程
白日做梦Q
博客等级 码龄7年 471粉丝 93原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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
⌂ 换网址