Docker

Docker 是一个开源平台，支持开发者使用容器化技术自动执行应用程序的部署、扩展和管理。在人工智能和机器学习领域，Docker 充当一种标准化的软件单元，将代码及其所有依赖项（例如库、系统工具和设置）打包在一起，使应用程序能够在不同的计算环境之间快速、可靠地运行。这消除了常见的“在我的机器上能运行”问题，确保在研究人员笔记本电脑上训练的神经网络，部署到大型云服务器或边缘设备时，其行为完全一致。

Docker 对人工智能和机器学习的重要性#

现代机器学习运维 (MLOps)高度依赖可复现性和可移植性。一个 AI 项目通常涉及复杂的软件栈，包括特定版本的 Python、用于GPU 加速的 CUDA 驱动程序，以及 PyTorch 或 TensorFlow 等深度学习框架。在不同团队和基础设施之间手动管理这些组件很容易出错。

Docker 通过创建轻量级、独立的容器简化了这一过程。与传统的虚拟机 (VMs) 不同，传统虚拟机要求每个实例都配备完整的操作系统，而容器共享主机的操作系统内核，但在隔离的用户空间中运行。因此，容器的资源效率显著更高，启动速度也更快；在扩展模型服务基础设施或运行分布式训练任务时，这一点至关重要。

实际应用#

从初始实验到最终部署，Docker 广泛应用于 AI 生命周期的各个阶段。

1. 一致的训练环境： 数据科学团队可以使用 Docker 镜像共享统一的开发环境。例如，开展目标检测工作的研究人员可以拉取一个预构建镜像，其中包含所有必需的驱动程序和库。这样，无论底层硬件有何差异，他们训练的 YOLO26 模型都能由同事复现相同的结果。

2. 边缘 AI 部署： 在智慧城市监控中，需要将更新后的模型推送到数千台边缘设备，例如交通摄像头或无人机。Docker 容器允许工程师打包新版本的模型，并通过无线方式部署。由于容器包含推理运行时，更新过程能够无缝完成，不会干扰设备的核心操作系统。

Docker、Kubernetes 与虚拟机的比较#

要理解 Docker 的具体作用，最好将它与相关技术区分开来：

• Docker 与虚拟机 (VMs) 的比较： 虚拟机对硬件进行虚拟化，这意味着每台虚拟机都在虚拟机监控程序之上运行完整的操作系统（例如 Windows 或 Linux）。这会消耗大量内存和 CPU。Docker 对操作系统进行虚拟化，因此容器比虚拟机更小、启动速度更快。
• Docker 与 Kubernetes 的比较： 二者是互补技术，而不是竞争关系。Docker 用于创建和运行单个容器。Kubernetes 是一个容器编排平台，负责管理 Docker 容器集群，并在大规模云计算环境中处理自动扩缩容、负载均衡和自愈等任务。

示例：在容器中运行推理#

以下示例演示了用于计算机视觉的 Docker 容器中可能运行的 Python 脚本。该脚本使用 ultralytics 软件包加载模型并执行推理。容器环境可确保正确的依赖项（例如 opencv-python 和 torch）已预先安装。

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.")

将 Docker 集成到你的工作流中#

要开始使用容器化技术，开发者通常会定义一个 Dockerfile，这是一个包含构建镜像所需全部命令的文本文档。构建完成后，这些镜像可以存储在 Docker Hub 或 NVIDIA NGC Catalog 等镜像仓库中，后者提供经过 GPU 优化的容器。

如果你希望在不手动管理 Dockerfile 的情况下简化训练和部署流程，Ultralytics Platform 提供了能够处理云环境复杂性的集成工具。这样，你可以专注于提升模型精度，而不是配置基础设施。此外，你还可以参阅我们的 Docker 快速入门指南，了解如何立即在容器中运行 Ultralytics 模型。