Docker

Dockerは、コンテナ化技術を使用してアプリケーションのデプロイ、スケーリング、管理を自動化できるオープンソースのプラットフォームです。人工知能や機械学習の文脈において、Dockerはコードと、ライブラリ、システムツール、設定などのすべての依存関係をパッケージ化する標準化されたソフトウェア単位として機能し、アプリケーションがあるコンピューティング環境から別の環境へと迅速かつ確実に対応できるようにします。これにより、よくある「自分のマシンでは動く」という問題が解消され、研究者のノートパソコンでトレーニングされたneural networkが、大規模なクラウドサーバーやエッジデバイスにデプロイされた際にも全く同じように動作することが保証されます。

AIおよび機械学習においてDockerが重要である理由#

現代のmachine learning operations (MLOps)は、再現性と移植性に大きく依存しています。AIプロジェクトには、特定のバージョンのPython、GPU acceleration用のCUDAドライバ、およびPyTorchやTensorFlowなどのディープラーニングフレームワークを含む、複雑なソフトウェアスタックがしばしば関与します。これらを異なるチームやインフラストラクチャにわたって手動で管理することは、エラーの原因となります。

Dockerは、軽量でスタンドアロンなコンテナを作成することでこれをシンプルにします。各インスタンスに完全なオペレーティングシステムを必要とする従来の仮想マシン（VM）とは異なり、コンテナはホストマシンのOSカーネルを共有しながら、隔離されたユーザー空間で実行されます。これにより、リソース効率が大幅に向上し、起動が高速化されます。これは、model servingのインフラストラクチャをスケーリングしたり、分散トレーニングジョブを実行したりする際に非常に重要です。

実社会での応用#

Dockerは、初期の実験から最終的なデプロイに至るまで、AIライフサイクル全体で広く利用されています。

1. 一貫したトレーニング環境: データサイエンスチームは、Dockerイメージを使用して統一された開発環境を共有することができます。例えば、object detectionに取り組む研究者は、必要なすべてのドライバとライブラリを含む事前構築済みのイメージをプルすることができます。これにより、YOLO26モデルをトレーニングする際、基盤となるハードウェアの違いに関係なく、同僚がその結果を再現できるようになります。

2. エッジAIのデプロイ: smart city surveillanceにおいて、更新されたモデルは、交通監視カメラやドローンなどの何千ものエッジデバイスにプッシュする必要があります。Dockerコンテナを使用すると、エンジニアは新しいモデルバージョンをパッケージ化し、無線経由でデプロイできます。コンテナには推論ランタイムが含まれているため、アップデートプロセスはシームレスであり、デバイスの中核となるオペレーティングシステムを妨げません。

Docker、Kubernetes、および仮想マシンの比較#

Dockerの特定の役割を理解するために、関連技術との違いを区別すると役立ちます。

• Dockerと仮想マシン (VM) の比較: VMはハードウェアを仮想化します。つまり、各VMはハイパーバイザー上で完全なOS（WindowsやLinuxなど）を実行します。これには多くのメモリとCPUを消費します。Dockerはオペレーティングシステムを仮想化するため、VMよりもコンテナがはるかに小さく高速になります。
• DockerとKubernetesの比較: これらは競合するものではなく、補完的なテクノロジーです。Dockerは、個々のコンテナを作成して実行するために使用されるツールです。Kubernetesは、Dockerコンテナのクラスターを管理するコンテナオーケストレーションプラットフォームであり、大規模なcloud computing環境における自動スケーリング、ロードバランシング、セルフヒーリングなどのタスクを処理します。

例: コンテナ内での推論の実行#

次の例は、コンピュータービジョン用に設計されたDockerコンテナ内でPythonスクリプトがどのように見えるかを示しています。このスクリプトは、ultralyticsパッケージを使用してモデルをロードし、推論を実行します。コンテナ環境により、正しい依存関係（opencv-pythonやtorchなど）がすでに存在していることが保証されます。

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.")

ワークフローへのDockerの統合#

コンテナ化を始めるにあたって、開発者は通常、イメージを組み立てるためのすべてのコマンドを含むテキストドキュメントであるDockerfileを定義します。一度ビルドされると、これらのイメージは、Docker Hubや、GPU最適化されたコンテナを提供するNVIDIA NGC Catalogなどのレジストリに保存できます。

Dockerfilesを手動で管理することなくトレーニングおよびデプロイプロセスを効率化したい場合、Ultralytics Platformはクラウド環境の複雑さを処理する統合ツールを提供します。これにより、ユーザーはインフラストラクチャの設定ではなく、model accuracyの改善に集中できるようになります。さらに、Docker Quickstart Guideを参考にして、コンテナ内でUltralyticsモデルをすぐに実行する方法を学ぶことができます。