Docker

Docker es una plataforma de código abierto que permite a los desarrolladores automatizar el despliegue, el escalado y la gestión de aplicaciones mediante la contenerización. En el contexto de la inteligencia artificial y el aprendizaje automático, Docker actúa como una unidad de software estandarizada que empaqueta el código y todas sus dependencias (como bibliotecas, herramientas del sistema y configuraciones) para que la aplicación se ejecute de forma rápida y fiable de un entorno informático a otro. Esto elimina el problema común de "en mi máquina funciona", asegurando que una red neuronal entrenada en el portátil de un investigador se comporte exactamente igual cuando se despliega en un servidor en la nube masivo o en un dispositivo de borde.

Link to this sectionPor qué es importante Docker para la IA y el aprendizaje automático#

Las operaciones de aprendizaje automático (MLOps) modernas dependen en gran medida de la reproducibilidad y la portabilidad. Un proyecto de IA a menudo implica una pila compleja de software, que incluye versiones específicas de Python, controladores CUDA para aceleración de GPU y marcos de aprendizaje profundo como PyTorch o TensorFlow. Gestionar esto manualmente entre diferentes equipos e infraestructuras es propenso a errores.

Docker simplifica esto creando contenedores ligeros e independientes. A diferencia de las máquinas virtuales (VM) tradicionales que requieren un sistema operativo completo para cada instancia, los contenedores comparten el kernel del sistema operativo de la máquina anfitriona pero se ejecutan en espacios de usuario aislados. Esto los hace mucho más eficientes en cuanto a recursos y más rápidos de iniciar, lo cual es fundamental cuando se escala la infraestructura de servicios de modelos o se ejecutan trabajos de entrenamiento distribuidos.

Link to this sectionAplicaciones en el mundo real#

Docker es omnipresente en el ciclo de vida de la IA, desde la experimentación inicial hasta el despliegue final.

1. Entornos de entrenamiento consistentes: Un equipo de ciencia de datos puede utilizar imágenes de Docker para compartir un entorno de desarrollo unificado. Por ejemplo, un investigador que trabaje en detección de objetos puede descargar una imagen preconstruida que contenga todos los controladores y bibliotecas necesarios. Esto garantiza que, cuando entrenen un modelo YOLO26, los resultados sean reproducibles por sus colegas, independientemente de las diferencias de hardware subyacentes.

2. Despliegue de IA en el borde: En la vigilancia de ciudades inteligentes, los modelos actualizados deben enviarse a miles de dispositivos de borde, como cámaras de tráfico o drones. Los contenedores Docker permiten a los ingenieros empaquetar una nueva versión del modelo y desplegarla de forma inalámbrica. Debido a que el contenedor incluye el tiempo de ejecución de inferencia, el proceso de actualización es fluido y no interfiere con el sistema operativo principal del dispositivo.

Link to this sectionDocker vs. Kubernetes vs. Máquinas Virtuales#

Resulta útil distinguir Docker de tecnologías relacionadas para comprender su función específica:

• Docker vs. Máquinas Virtuales (VM): Las VM virtualizan el hardware, lo que significa que cada VM ejecuta un sistema operativo completo (como Windows o Linux) sobre un hipervisor. Esto consume mucha memoria y CPU. Docker virtualiza el sistema operativo, haciendo que los contenedores sean mucho más pequeños y rápidos que las VM.
• Docker vs. Kubernetes: Estas son tecnologías complementarias, no competitivas. Docker es la herramienta utilizada para crear y ejecutar contenedores individuales. Kubernetes es una plataforma de orquestación de contenedores que gestiona clústeres de contenedores Docker, encargándose de tareas como el escalado automático, el equilibrio de carga y la autorreparación en entornos de computación en la nube a gran escala.

Link to this sectionEjemplo: Ejecutar inferencia en un contenedor#

El siguiente ejemplo demuestra cómo podría verse un script de Python dentro de un contenedor Docker diseñado para visión artificial. Este script utiliza el paquete ultralytics para cargar un modelo y realizar la inferencia. El entorno del contenedor garantiza que las dependencias correctas (como opencv-python y torch) ya estén presentes.

from ultralytics import YOLO

# Load the YOLO26 model (weights are typically included in the Docker image)
model = YOLO("yolo26n.pt")

# Perform inference on an image source
# In a containerized microservice, this might process incoming API requests
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Log the detection results
print(f"Detected {len(results[0].boxes)} objects in the image.")

Link to this sectionIntegrar Docker en tu flujo de trabajo#

Para empezar con la contenerización, los desarrolladores suelen definir un Dockerfile, que es un documento de texto que contiene todos los comandos para ensamblar una imagen. Una vez creadas, estas imágenes pueden almacenarse en registros como Docker Hub o el NVIDIA NGC Catalog, que ofrece contenedores optimizados para GPU.

Para aquellos que buscan agilizar el proceso de entrenamiento y despliegue sin gestionar manualmente los Dockerfiles, la Plataforma Ultralytics ofrece herramientas integradas que manejan la complejidad de los entornos en la nube. Esto permite a los usuarios centrarse en mejorar la precisión del modelo en lugar de configurar la infraestructura. Además, puedes explorar nuestra Guía de inicio rápido de Docker para aprender a ejecutar modelos de Ultralytics en contenedores de inmediato.