Docker

Docker est une plateforme open source qui permet aux développeurs d'automatiser le déploiement, la mise à l'échelle et la gestion des applications grâce à la conteneurisation. Dans le contexte de l'intelligence artificielle et de l'apprentissage automatique, Docker agit comme une unité logicielle standardisée qui regroupe le code et toutes ses dépendances (telles que les bibliothèques, les outils système et les paramètres) afin que l'application s'exécute rapidement et de manière fiable d'un environnement informatique à un autre. Cela élimine le problème courant du "ça fonctionne sur ma machine", garantissant qu'un réseau de neurones entraîné sur l'ordinateur portable d'un chercheur se comporte exactement de la même manière lorsqu'il est déployé sur un serveur cloud massif ou un appareil de périphérie.

Pourquoi Docker est important pour l'IA et l'apprentissage automatique#

Modern machine learning operations (MLOps) rely heavily on reproducibility and portability. An AI project often involves a complex stack of software, including specific versions of Python, CUDA drivers for GPU acceleration, and deep learning frameworks like PyTorch or TensorFlow. Managing these manually across different teams and infrastructure is error-prone.

Docker simplifie ce processus en créant des conteneurs autonomes et légers. Contrairement aux machines virtuelles (VM) traditionnelles qui nécessitent un système d'exploitation complet pour chaque instance, les conteneurs partagent le noyau du système d'exploitation de la machine hôte tout en s'exécutant dans des espaces utilisateur isolés. Cela les rend nettement plus efficaces en termes de ressources et plus rapides à démarrer, ce qui est crucial lors de la mise à l'échelle de l'infrastructure de service de modèles ou de l'exécution de tâches d'entraînement distribuées.

Applications concrètes#

Docker est omniprésent dans le cycle de vie de l'IA, de l'expérimentation initiale au déploiement final.

1. Consistent Training Environments: A data science team might use Docker images to share a unified development environment. For instance, a researcher working on object detection can pull a pre-built image containing all necessary drivers and libraries. This ensures that when they train a YOLO26 model, the results are reproducible by their colleagues, regardless of the underlying hardware differences.

2. Déploiement d'IA en périphérie : Dans la surveillance des villes intelligentes, les modèles mis à jour doivent être poussés vers des milliers d'appareils de périphérie, tels que des caméras de circulation ou des drones. Les conteneurs Docker permettent aux ingénieurs de regrouper une nouvelle version de modèle et de la déployer par les airs. Étant donné que le conteneur inclut le moteur d'exécution d'inférence, le processus de mise à jour est transparent et n'interfère pas avec le système d'exploitation principal de l'appareil.

Docker vs Kubernetes vs Machines Virtuelles#

Il est utile de distinguer Docker des technologies connexes pour comprendre son rôle spécifique :

• Docker vs Machines Virtuelles (VM) : Les VM virtualisent le matériel, ce qui signifie que chaque VM exécute un OS complet (comme Windows ou Linux) au-dessus d'un hyperviseur. Cela consomme une mémoire et un CPU importants. Docker virtualise le système d'exploitation, rendant les conteneurs beaucoup plus petits et rapides que les VM.
• Docker vs. Kubernetes : Ce sont des technologies complémentaires, et non concurrentes. Docker est l'outil utilisé pour créer et exécuter des conteneurs individuels. Kubernetes est une plateforme d'orchestration de conteneurs qui gère des grappes de conteneurs Docker, en gérant des tâches telles que la mise à l'échelle automatique, l'équilibrage de charge et l'auto-réparation dans les environnements de cloud computing à grande échelle.

Exemple : Exécuter l'inférence dans un conteneur#

L'exemple suivant montre à quoi peut ressembler un script Python à l'intérieur d'un conteneur Docker conçu pour la vision par ordinateur. Ce script utilise le paquet ultralytics pour charger un modèle et effectuer une inférence. L'environnement du conteneur garantit que les bonnes dépendances (telles que opencv-python et torch) sont déjà présentes.

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.")

Intégrer Docker dans ton workflow#

Pour commencer avec la conteneurisation, les développeurs définissent généralement un Dockerfile, qui est un document texte contenant toutes les commandes pour assembler une image. Une fois construites, ces images peuvent être stockées dans des registres tels que Docker Hub ou le catalogue NVIDIA NGC Catalog, qui propose des conteneurs optimisés pour GPU.

Pour ceux qui cherchent à rationaliser le processus d'entraînement et de déploiement sans gérer manuellement les Dockerfiles, la Ultralytics Platform offre des outils intégrés qui gèrent la complexité des environnements cloud. Cela permet aux utilisateurs de se concentrer sur l'amélioration de la précision du modèle plutôt que sur la configuration de l'infrastructure. De plus, tu peux explorer notre Guide de démarrage rapide Docker pour apprendre à exécuter des modèles Ultralytics dans des conteneurs immédiatement.