Docker

Docker — это открытая платформа, которая позволяет разработчикам автоматизировать развертывание, масштабирование и управление приложениями с использованием контейнеризации. В контексте искусственного интеллекта и машинного обучения Docker действует как стандартизированный модуль программного обеспечения, который упаковывает код и все его зависимости — такие как библиотеки, системные утилиты и настройки, — благодаря чему приложение работает быстро и надежно при переносе из одной вычислительной среды в другую. Это устраняет распространенную проблему «у меня на компьютере все работает», гарантируя, что нейронная сеть, обученная на ноутбуке исследователя, ведет себя абсолютно одинаково при развертывании на мощном облачном сервере или периферийном устройстве.

Почему Docker важен для ИИ и машинного обучения#

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 упрощает эту задачу, создавая легковесные автономные контейнеры. В отличие от традиционных виртуальных машин (ВМ), которым для каждого экземпляра требуется полноценная операционная система, контейнеры используют общее ядро ОС хост-машины, но выполняются в изолированных пользовательских пространствах. Это делает их значительно более эффективными в плане ресурсов и быстрыми в запуске, что критически важно при масштабировании инфраструктуры обслуживания моделей или выполнении распределенных задач обучения.

Реальные приложения#

Docker повсеместно используется в жизненном цикле ИИ, от первоначальных экспериментов до финального развертывания.

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. Развертывание периферийного ИИ: В системах видеонаблюдения для умного города обновленные модели необходимо передавать на тысячи периферийных устройств, таких как дорожные камеры или дроны. Контейнеры Docker позволяют инженерам упаковать новую версию модели и развернуть ее «по воздуху». Поскольку контейнер включает в себя среду выполнения выводных данных, процесс обновления проходит бесшовно и не мешает основной операционной системе устройства.

Docker против Kubernetes против виртуальных машин#

Полезно различать Docker и связанные с ним технологии, чтобы лучше понять его особую роль:

• Docker против виртуальных машин (ВМ): ВМ виртуализируют оборудование, то есть каждая ВМ запускает полноценную ОС (например, Windows или Linux) поверх гипервизора. Это потребляет значительный объем памяти и ресурсов CPU. Docker виртуализирует операционную систему, что делает контейнеры намного компактнее и быстрее, чем ВМ.
• Docker против Kubernetes: Это дополняющие, а не конкурирующие технологии. Docker — это инструмент, используемый для создания и запуска отдельных контейнеров. Kubernetes — это платформа оркестрации контейнеров, которая управляет кластерами контейнеров Docker, выполняя такие задачи, как автомасштабирование, балансировка нагрузки и самовосстановление в крупномасштабных средах облачных вычислений.

Пример: Выполнение вывода в контейнере#

Следующий пример демонстрирует, как может выглядеть скрипт на Python внутри контейнера Docker, предназначенного для компьютерного зрения. Этот скрипт использует пакет ultralytics для загрузки модели и выполнения вывода. Среда контейнера гарантирует, что правильные зависимости (такие как opencv-python и torch) уже присутствуют.

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.")

Интеграция Docker в твой рабочий процесс#

Для начала работы с контейнеризацией разработчики обычно определяют Dockerfile, представляющий собой текстовый документ со всеми командами для сборки образа. После сборки эти образы можно хранить в реестрах вроде Docker Hub или NVIDIA NGC Catalog, который предлагает оптимизированные под GPU контейнеры.

Тем, кто стремится оптимизировать процесс обучения и развертывания без ручного управления Dockerfiles, платформа Ultralytics предлагает интегрированные инструменты, которые берут на себя сложность облачных сред. Это позволяет сосредоточиться на повышении точности модели, а не на настройке инфраструктуры. Кроме того, ты можешь изучить наше руководство по быстрому запуску Docker, чтобы узнать, как сразу запустить модели Ultralytics в контейнерах.