5，Docker运行最新ultralytics-main教程
目录
1，下载ultralytics-main项目
方法一：直接下载
方法二：git获取
2，按照好Dockers，参照我之前的教程
3，Docker配置GPU
3.1 查看自己的windows里是否安装有CUDA
3.2 更新 Docker Desktop 设置:
3.3 配置 Docker实现GPU加速:
3.4 验证 GPU 加速
4，构建docker镜像
4.1 docker文件夹下，不同dockerfile的说明
4.2 这里我们以Dockerfile为例，进行内部命令解析
修改点一：
修改点二：
修改点三：
4.3 构建镜像
4.4 运行容器并调用 GPU
方法一：进入交互式 Shell
方法二：直接运行
1，下载ultralytics-main项目
方法一：直接下载
方法二：git获取
https://github.com/ultralytics/ultralytics.git
2，按照好Dockers，参照我之前的教程
3，Windows11安装docker保姆级教程-CSDN博客
3，Docker配置GPU
3.1 查看自己的windows里是否安装有CUDA
nvidia-smi
- Docker Desktop 最新版（启用 WSL 2 后端）。
- 无需在 WSL 2 内单独安装 NVIDIA 驱动或 CUDA。
3.2 更新 Docker Desktop 设置:
- 打开 Docker 设置 → Resources → WSL Integration → 启用 Ubuntu 实例。
3.3 配置 Docker实现GPU加速:
进入 Docker 设置 → Docker Engine，添加以下配置：
{"experimental": true,"features": {"buildkit": true},"registry-mirrors": ["https://registry.docker-cn.com"] // 可选镜像加速
}
-
保存并重启 Docker。
3.4 验证 GPU 加速
docker run --rm -it --gpus=all nvcr.io/nvidia/k8s/cuda-sample:nbody nbody -gpu -benchmark
4，构建docker镜像
4.1 docker文件夹下，不同dockerfile的说明
4.2 这里我们以Dockerfile为例，进行内部命令解析
基础镜像选择（核心项）,作用：官方 PyTorch 镜像，预装 CUDA 12.6 和 cuDNN 9
功能解析：
PYTHONUNBUFFERED=1：实时显示 Python 日志（容器调试必备）PIP_NO_CACHE_DIR=1：禁用 pip 缓存 → 减小镜像体积MKL_THREADING_LAYER=GNU：避免 PyTorch DDP 训练崩溃TF_CPP_MIN_LOG_LEVEL=3：屏蔽 TensorFlow 冗余日志
- 功能：用于可视化渲染中的文字显示
- 问题：国内下载可能慢，非核心功能
- 必要包（保留）：
gcc：编译工具libgl1/libglib2.0-0：OpenCV 依赖libpython3-dev：Python 开发头文件
安全更新（可删除）
问题：基础镜像已安全，升级可能引入兼容性问题
工作目录设置（核心项）
- 作用：进入后续命令执行的工作路径
- 必须保留
项目复制（核心项）
- 作用：将本地 Ultralytics 代码复制到容器
- 必须保留
预训练模型下载（可删除）
修改点一：
为什么要注释这一行？因为我的项目是自己下载的，而不是通过git，所以不会产生
.git/config文件，但Dockerfile中试图用sed修改它，从而导致失败。方法一：注释掉这一行
方法 2：用
git clone拉项目（自动带.git/），步骤如下：
cd F:\CEM
git clone https://github.com/ultralytics/ultralytics.git ultralytics-main
cd ultralytics-main
docker build -t ultralytics-gpu:latest -f docker/Dockerfile .
修改点二：
这里必须要换源，否则会下载不下来，
RUN pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -U pip setuptools wheel
RUN pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -e ".[export]"
RUN pip install -i https://pypi.tuna.tsinghua.edu.cn/simple albumentations faster-coco-eval onnxruntime-gpu tensorrt wandb
后续清理
修改点三：
这三个也要给注释掉不然下载不下来
1，将 YOLOv8 模型导出为 Edge TPU 格式，用于在 Google Coral Edge TPU 边缘计算设备上运行
2，功能：导出为 NCNN 格式，在移动端/嵌入式设备（安卓、树莓派等）高效部署
3，paddlepaddle安装，安装百度飞桨深度学习框架和转换工具
问题：
- 安装包非常大（约 1.5GB）
- 显著增加镜像体积
- 大多数用户不需要此兼容性
4.3 构建镜像
docker build -t ultralytics-gpu:latest -f docker/Dockerfile .
-t ultralytics-gpu:latest：给你的镜像打个标签
-f docker/Dockerfile：指定使用 GPU 版的 Dockerfile
可选：如果要推到 DockerHub 上，先登录
docker login，然后替换镜像名为yourhubid/ultralytics:latest并执行：
docker push yourhubid/ultralytics:latest
结果：
4.4 运行容器并调用 GPU
方法一：进入交互式 Shell
docker run --rm -it --gpus all -v F:\CEM\ultralytics-main:/ultralytics -w /ultralytics ultralytics-gpu:latest bash
进入容器后，目录下已有代码和依赖，可直接跑训练/推理。也就是跟普通命令行运行代码一样 : python predict.py
也就是相当于打开命令行，并cd 到根目录下
在这里面也可以看看ubuntu环境下是否调用了主机的显卡：
方法二：直接运行
docker run --rm --gpus all -v F:\CEM\ultralytics-main:/ultralytics ultralytics-gpu:latest python my_predict.py