Docker

Dockerは、コンテナ化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ようにするオープンソースプラットフォームです。人工知能や機械学習の分野において、Dockerはコードとそれに関連するライブラリ、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ユニットとして機能し、アプリケーションがあらゆるコンピューティング環境で迅速かつ確実に実行できるようにします。これにより、「自分の環境では動いた」というよくある問題を排除し、研究者のノートPCで学習させたニューラルネットワークが、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を保証します。

Link to this sectionAIおよび機械学習においてDockerが重要である理由#

現代の機械学習オペレーション (MLOps)は、再現性と移植性に大きく依存しています。AIプロジェクトには多くの場合、特定のバージョンのPython、GPUアクセラレーションのためのCUDAドライバー、PyTorchやTensorFlowのようなディープラーニングフレームワークなど、複雑なソフトウェアスタックが含まれます。これらを異なるチームやインフラ間で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簡素化します。インスタンスごと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、分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。これはモデルサービングインフラストラクチャのスケーリングや分散学習ジョブの実行において不可欠です。

Link to this section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. 一貫した学習環境: 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あります。例えば、物体検出に取り組む研究者は、必要なドライバーとライブラリがすべて含まれたビルド済みイメージをプルできます。これにより、YOLO26モデルを学習させる際、基盤となるハードウェアの違いに関係なく、同僚が結果を再現できるようになります。

2. エッジAIデプロイメント: スマートシティ監視では、更新されたモデルを交通カメラやドローンなどの数千台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、更新プロセスはシームレスであり、デバイスの主要なオペレーティングシステムに干渉しません。

Link to this sectionDocker、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: これらは競合する技術ではなく、相互補完的な技術です。Dockerは個々のコンテナを作成および実行するために使用されるツールです。Kubernetesは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、Dockerコンテナのクラスターを管理し、大規模なクラウドコンピューティング環境におけるオートスケーリング、ロードバランシング、自己修復といったタスクを処理します。

Link to this section例: コンテナ内での推論の実行#

以下の例は、コンピュータ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、必要な依存関係（opencv-python や torch など）がすでに存在す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.")

Link to this sectionワークフローへのDockerの統合#

コンテナ化を始めるために、開発者は通常、イメージを構築す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。構築されたイメージは、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、学習やデプロイのプロセスを効率化したい場合、Ultralytics Platform で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ています。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、モデル精度の向上に集中できます。さらに、Dockerクイックスタートガイドを参照して、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。