74797469/yolo-amd64-gpu

Darknet-YOLOv4 镜像文档

镜像概述

Darknet-YOLOv4 是一个基于 nvidia/cuda:11.3.0-cudnn8-devel-ubuntu20.04 的 Docker 镜像，预编译集成了支持 CUDA、cuDNN 和 OpenCV 的 YOLOv4 目标检测框架，为深度学习目标检测任务提供便捷的运行环境。

核心功能与特性

• 基础环境：基于 nvidia/cuda:11.3.0-cudnn8-devel-ubuntu20.04，提供完整的 CUDA 开发环境
• 框架支持：已编译 YOLOv4，支持 CUDA 硬件加速、cuDNN 优化及 OpenCV 图像处理
• 多场景适配：提供不同标签版本，满足本地训练和云环境部署需求

标签说明

no-entry

• 用途：适用于本地训练场景，允许用户自定义训练流程
• 特性：无预设入口点，需手动启动训练过程
• 运行命令：

  bash
  nvidia-docker run -it -v your-folder:/training-data 74797469/yolo-amd64-gpu:no-entry
  

  说明：your-folder 为本地训练数据目录，挂载至容器内 /training-data 路径后，可在容器内执行自定义训练命令。

azure

• 用途：适用于 Azure 云环境部署
• 特性：包含预设入口点，容器启动后自动开始训练流程

使用场景

• 本地深度学习目标检测模型的训练与调试
• Azure 云环境下的自动化目标检测训练任务部署
• 需要 CUDA、cuDNN 和 OpenCV 支持的 YOLOv4 应用开发

使用方法

本地训练（no-entry 标签）

1. 确保本地已安装 nvidia-docker
2. 准备训练数据，将本地数据目录挂载至容器：

   bash
   nvidia-docker run -it -v /path/to/local/data:/training-data 74797469/yolo-amd64-gpu:no-entry
   

3. 容器启动后，在交互终端中执行 YOLOv4 训练命令，例如：

   bash
   cd darknet && ./darknet detector train /training-data/cfg/yolov4.cfg /training-data/weights/yolov4.weights -dont_show
   

Azure 环境部署（azure 标签）

直接部署镜像，容器启动后将自动执行预设的训练入口点，无需额外手动启动命令。