Docker

Docker é uma plataforma de código aberto que permite aos programadores automatizar a implementação, o dimensionamento e a gestão de aplicações através da conteinerização. No contexto da inteligência artificial e da aprendizagem automática, o Docker funciona como uma unidade padronizada de software que empacota o código e todas as suas dependências — como bibliotecas, ferramentas do sistema e definições — para que a aplicação seja executada de forma rápida e fiável de um ambiente computacional para outro. Isto elimina o problema comum de «funciona na minha máquina», garantindo que uma rede neuronal treinada no portátil de um investigador se comporte exatamente da mesma forma quando implementada num servidor de nuvem de grande escala ou num dispositivo de edge.

Por que motivo o Docker é importante para a IA e a aprendizagem automática#

As modernas operações de aprendizagem automática (MLOps) dependem fortemente da reprodutibilidade e da portabilidade. Um projeto de IA envolve frequentemente uma pilha complexa de software, incluindo versões específicas de Python, controladores CUDA para aceleração por GPU e estruturas de aprendizagem profunda como PyTorch ou TensorFlow. Gerir estes elementos manualmente entre diferentes equipas e infraestruturas é propenso a erros.

O Docker simplifica este processo ao criar contentores autónomos e leves. Ao contrário das máquinas virtuais (VMs) tradicionais, que requerem um sistema operativo completo para cada instância, os contentores partilham o kernel do sistema operativo da máquina anfitriã, mas são executados em espaços de utilizador isolados. Isto torna-os significativamente mais eficientes em termos de recursos e mais rápidos a iniciar, algo essencial ao dimensionar a infraestrutura de serving de modelos ou ao executar tarefas de treino distribuído.

Aplicações no mundo real#

O Docker está presente em todas as fases do ciclo de vida da IA, desde a experimentação inicial até à implementação final.

1. Ambientes de treino consistentes: Uma equipa de ciência de dados pode utilizar imagens Docker para partilhar um ambiente de desenvolvimento unificado. Por exemplo, um investigador que trabalhe em deteção de objetos pode obter uma imagem pré-criada que contém todos os controladores e bibliotecas necessários. Isto garante que, quando treina um modelo YOLO26, os resultados sejam reproduzíveis pelos seus colegas, independentemente das diferenças no hardware subjacente.

2. Implementação de IA na edge: Na vigilância de cidades inteligentes, é necessário enviar modelos atualizados para milhares de dispositivos de edge, como câmaras de trânsito ou drones. Os contentores Docker permitem aos engenheiros empacotar uma nova versão do modelo e implementá-la remotamente. Como o contentor inclui o runtime de inferência, o processo de atualização é simples e não interfere com o sistema operativo principal do dispositivo.

Docker vs. Kubernetes vs. Máquinas virtuais#

É útil distinguir o Docker das tecnologias relacionadas para compreender o seu papel específico:

• Docker vs. Máquinas virtuais (VMs): As VMs virtualizam o hardware, o que significa que cada VM executa um sistema operativo completo, como o Windows ou o Linux, sobre um hipervisor. Isto consome uma quantidade significativa de memória e CPU. O Docker virtualiza o sistema operativo, tornando os contentores muito menores e mais rápidos do que as VMs.
• Docker vs. Kubernetes: Estas são tecnologias complementares, não concorrentes. O Docker é a ferramenta utilizada para criar e executar contentores individuais. O Kubernetes é uma plataforma de orquestração de contentores que gere clusters de contentores Docker, tratando de tarefas como o dimensionamento automático, o balanceamento de carga e a autorrecuperação em ambientes de computação em nuvem de grande escala.

Exemplo: executar inferência num contentor#

O exemplo seguinte demonstra como poderia ser um script Python dentro de um contentor Docker concebido para visão por computador. Este script utiliza o pacote ultralytics para carregar um modelo e executar inferência. O ambiente do contentor garante que as dependências corretas, como opencv-python e torch, já estão 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.")

Integrar o Docker no teu fluxo de trabalho#

Para começar a utilizar a conteinerização, os programadores normalmente definem um Dockerfile, que é um documento de texto que contém todos os comandos necessários para montar uma imagem. Depois de criadas, estas imagens podem ser armazenadas em registos como o Docker Hub ou o Catálogo NVIDIA NGC, que disponibiliza contentores otimizados para GPU.

Para quem pretende simplificar o processo de treino e implementação sem gerir manualmente ficheiros Dockerfile, a Ultralytics Platform disponibiliza ferramentas integradas que tratam da complexidade dos ambientes de nuvem. Isto permite que os utilizadores se concentrem em melhorar a precisão do modelo, em vez de configurarem a infraestrutura. Além disso, podes consultar o nosso Guia de início rápido do Docker para aprenderes a executar imediatamente modelos Ultralytics em contentores.