一、前言
记录时间 [2024-4-9]
系列文章简摘：
YOLOv8 模型的简单测试，Windows 环境下安装部署（Python+PyTorch+Conda+cpu+CLI）
YOLOv8 模型的简单测试 2，PyCharm 集成开发环境安装使用（Windows+Python+PyTorch+Conda+cpu）
Win11中安装虚拟化软件VMware，以及Linux虚拟机的详细安装配置
Docker 学习笔记（二）：在 Linux 中部署 Docker（Centos7 下安装 docker、环境配置，以及镜像简单使用）
Docker 学习笔记（三）：Centos7 中 Docker 使用，镜像、容器，以及操作等常用命令小结
本文主要讲述如何在 Linux 中使用 Docker 部署 YOLOv8 模型，并使用简单的命令行脚本测试模型。
准备工作：
- Docker 官方文档
- YOLOv8 官方文档
- Linux 云服务器/虚拟机
- 远程连接工具 FinalShell
二、实现思路
- 准备 Linux 服务器/虚拟机，在 Centos7 中部署 Docker
- 参考 Windows 下，我们安装了 Conda 环境，那么在 Docker 中也部署 Conda 环境
- 下载 YOLOv8 模型
- 进行简单的命令行脚本测试
整理完思路是不是发现变简单啦？动手操作一下吧。
三、部署 Docker
在 Centos7 中部署 Docker
查看下 Docker 版本，检查是否安装成功：
docker version
四、部署 Conda
在 Docker 中部署 Conda 环境
1. 下载 Conda 镜像
使用 Docker 搜索 miniconda3：
docker search miniconda3
查看结果：
[root@localhost ~]# docker search miniconda3
NAME DESCRIPTION STARS OFFICIAL
datajoint/miniconda3 A minimal base docker image with conda. 2
continuumio/miniconda3 Powerful and flexible package manager 475
conda/miniconda3 Ready to use, debian-based, miniconda3 docke… 53
我们选择 conda/miniconda3镜像下载：
docker pull conda/miniconda3
2. 创建容器并运行
-it是交互式方式，运行命令后，我们能直接进入 yolopy02 容器
docker run -it --name yolopy02 conda/miniconda3 /bin/bash
3. 配置 Conda 环境
进入 yolopy02 容器后，创建虚拟环境：
conda create -n yolov8 python=3.9
# Proceed ([y]/n)? y
创建完成检查一下：
conda env list
检查结果：
root@5267608bda3f:/# conda env list
# conda environments:
#
base * /usr/local
yolov8 /usr/local/envs/yolov8
然后进入 base 环境
source activate
4. 激活 Conda 环境
创建 yolov8 运行：
conda activate yolov8
此时进入 yolov8 成功：
(base) root@5267608bda3f:/# conda activate yolov8
(yolov8) root@5267608bda3f:/#
5. 配置清华源镜像
升级 pip 到最新的版本 (>=10.0.0) 后进行配置：
想了解更多，点击这里
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
6. 安装PyTorch
进入官网，在里面找合适的版本，文中使用的是 Windows 下的 CPU only 版本，没有特殊要求的话，直接复制安装即可。
注意：命令中的斜杠\是在一条命令没写完但是要进行换行情况下使用，如果命令写在同一行就不需要斜杠。
pip install torch==1.13.1+cpu torchvision==0.14.1+cpu torchaudio==0.13.1 \
--extra-index-url https://download.pytorch.org/whl/cpu
五、部署 YOLOv8 模型
此处使用 pip 方式，更多方式请参考YOLOv8 官方文档
1. 下载 YOLOv8 模型
检查下 Python 环境是否正确，我们下载的是 3.9 版本
python --version
下载 YOLOv8 模型
pip install ultralytics
查看下载信息可知，ultralytics下载在 /usr/local/envs/yolov8/lib/python3.9/site-packages目录中，进入该目录。
cd /usr/local/envs/yolov8/lib/python3.9/site-packages/ultralytics
2. 重置 YOLO
如果之前有其他项目使用过 YOLO，可能会导致 YOLOv8 训练时生成的 runs 文件不在项目根目录中而在其他项目路径中的问题。
解决办法是重置一下：
yolo settings reset
呜呜呜，遇到报错了
ImportError: libGL.so.1: cannot open shared object file: No such file or directory
原因分析：所用的 Docker 镜像中，Opencv 所需依赖 libGL.so.1 缺失
解决一下吧，更新下 opencv-python 依赖
pip uninstall opencv-python -y
pip install opencv-python-headless -i https://pypi.tuna.tsinghua.edu.cn/simple
再试试重置，成功啦！
六、命令行脚本测试
好啦，进入测试环节。
参考参考YOLOv8 官方文档，用命令行脚本（CLI）测试一下：
yolo predict model = yolov8n.pt source=assets/bus.jpg
bus.jpg是模型自带的测试图片，存放在ultralytics/assets/目录下- 用
yolov8n.pt模型对图片进行目标识别
识别结果如下：
# 第一次使用 yolov8n.pt 需要下载，它会自动从官网下载
Downloading https://github.com/ultralytics/assets/releases/download/v8.1.0/yolov8n.pt to 'yolov8n.pt'...
# 下载完成后，对图片进行目标识别
# 识别结果：图片中有 4 persons, 1 bus, 1 stop sign
image 1/1 /usr/local/envs/yolov8/lib/python3.9/site-packages/ultralytics/assets/bus.jpg: 640x480 4 persons, 1 bus, 1 stop sign, 302.0ms
Speed: 12.0ms preprocess, 302.0ms inference, 231.8ms postprocess per image at shape (1, 3, 640, 480)
# 识别结果保存，保存形式为图片
Results saved to runs/detect/predict
💡 Learn more at https://docs.ultralytics.com/modes/predict
七、下载测试结果
因为我们使用了 FinalShell，它有一个非常好用的功能，那就是：下载图片到本地。
我们尝试把识别结果下载下来。
1. 退出容器
exit
2. 把容器内文件复制到宿主机
docker cp 5267608bda3f:/usr/local/envs/yolov8/lib/python3.9/site-packages/ultralytics/runs/detect/predict/bus.jpg /home
3. 下载图片到本地
如图，在宿主机 home 目录下找到 bus.jpg，选择下载即可在本机桌面查看图片。
识别结果长这样子：
八、总结
本文主要讲述如何在 Linux 中使用 Docker 部署 YOLOv8 模型，并使用简单的命令行脚本测试模型。
一些参考资料
Docker 官方文档：https://docs.docker.com/engine/install/centos/
Docker 远程仓库：https://hub.docker.com/
FinalShell 下载：http://www.hostbuf.com/t/988.html
YOLOv8 官方文档：https://docs.ultralytics.com/zh/
YOLOv8 模型仓库地址：https://github.com/ultralytics/ultralytics