Docker部署YOLOv8训练+推理完整教程（含报错解决）

说明

1、本教程适配 Windows10+/Ubuntu20.04/22.04，全程一键复制命令，无需配置Python、CUDA、PyTorch

2、使用Ultralytics官方GPU镜像，环境纯净、无版本冲突

3、包含：环境安装、容器部署、数据集制作、训练、推理、模型导出、全套报错解决方案

4、训练必须Nvidia独立显卡，CPU仅能推理，训练速度极慢不推荐

一、前置硬件&软件要求

1、硬件：Nvidia独立显卡（驱动版本≥515）、空闲硬盘≥20G、内存≥8G

2、软件：无预装依赖，仅需安装Docker

3、核心优势：容器隔离环境，一次部署永久使用，不会污染本地电脑环境

二、安装Docker环境

2.1 Windows系统安装Docker

1、下载Docker Desktop：https://www.docker.com/products/docker-desktop/

2、默认路径安装，安装完成重启电脑

3、打开PowerShell，输入以下命令验证安装成功：

复制代码

docker --version

4、Docker设置开启GPU支持：Settings → Features → 勾选【Use the WSL 2 based engine】、【Enable GPU support】，重启Docker

2.2 Ubuntu系统安装Docker

复制全部命令一键执行：

bash 复制代码

sudo apt update sudo apt install docker.io -y sudo systemctl start docker sudo systemctl enable docker

2.3 安装Nvidia GPU容器支持（必装！！！）

Ubuntu系统一键安装：

bash 复制代码

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg distribution=$(. /etc/os-release;echo $ID$VERSION_ID) curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list sudo apt update sudo apt install -y nvidia-container-toolkit sudo systemctl restart docker

2.4 验证GPU环境是否正常

通用验证命令（Windows/Ubuntu通用）：

bash 复制代码

docker run --rm --gpus all nvidia/cuda:11.8.0-base-ubuntu22.04 nvidia-smi

输出显卡信息 = 环境正常

报错 = 显卡驱动过低/未开启GPU支持，查看文末排错方案

三、拉取YOLOv8官方镜像

官方镜像内置CUDA、PyTorch、YOLOv8全部依赖，一键拉取：

bash 复制代码

docker pull ultralytics/ultralytics:latest

四、创建本地工作目录（持久化数据）

作用：容器删除后，数据集、训练权重、结果依然保存在本地

4.1 Windows创建目录

手动新建文件夹：D:\yolo_workspace

内部新建三个子文件夹：datasets、runs、weights

4.2 Ubuntu一键创建目录

bash 复制代码

mkdir -p ~/yolo_workspace/datasets mkdir -p ~/yolo_workspace/runs mkdir -p ~/yolo_workspace/weights

五、启动YOLOv8容器（核心命令）

5.1 Windows启动命令（PowerShell执行）

bash 复制代码

docker run -it --gpus all ^ -v D:\yolo_workspace:/usr/src/ultralytics ^ -p 8080:8080 ^ ultralytics/ultralytics:latest

5.2 Ubuntu启动命令

bash 复制代码

docker run -it --gpus all \ -v ~/yolo_workspace:/usr/src/ultralytics \ -p 8080:8080 \ ultralytics/ultralytics:latest

出现root@xxx:/usr/src/ultralytics# 即进入训练环境，部署完成

后续重新进入容器命令：docker start -ai 容器ID

六、环境测试（确保可正常运行）

6.1 测试推理

yolo predict model=yolov8n.pt source=bus.jpg

6.2 测试快速训练（5轮快速验证）

yolo train model=yolov8n.pt data=coco8.yaml epochs=5 imgsz=640

运行无报错、生成结果文件 = 环境完全正常

七、自定义数据集配置（标准YOLO格式）

7.1 固定数据集目录结构

将数据集放入：yolo_workspace/datasets/自定义文件夹名（示例my_dataset）

my_dataset/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 ├── labels/ │ ├── train/ # 训练集txt标签 │ └── val/ # 验证集txt标签 └── data.yaml # 数据集配置文件

7.2 编写data.yaml配置文件（直接复制修改）

bash 复制代码

path: /usr/src/ultralytics/datasets/my_dataset train: images/train val: images/val nc: 2 names: 0: cat 1: dog

修改说明：nc为类别总数，names对应自己的目标类别，其余内容无需改动

八、自定义数据集训练命令（小白通用）

bash 复制代码

yolo train \ model=yolov8n.pt \ data=datasets/my_datset/data.yaml \ epochs=100 \ imgsz=640 \ batch=8 \ device=0

参数解释

model：预训练权重（n/s/m/l/x，从小到大，速度递减、精度递增）

epochs：训练轮数，通用100-300轮

imgsz：推理尺寸，固定640即可

batch：批次大小，显存4G改4、2G改2

device：指定0号GPU训练

训练结果路径

本地：yolo_workspace/runs/train/exp（自动递增文件夹）

best.pt：最优模型权重（实际部署使用）

last.pt：最后一轮模型权重（继续训练使用）

九、模型推理、验证、导出命令

9.1 模型推理测试

yolo predict \ model=runs/train/exp/weights/best.pt \ source=datasets/my_dataset/images/val \ save=True

9.2 模型精度验证

yolo val model=runs/train/exp/weights/best.pt data=datasets/my_dataset/data.yaml

9.3 导出ONNX/TensorRT部署模型

# 导出ONNX yolo export model=runs/train/exp/weights/best.pt format=onnx # 导出TensorRT（高速推理） yolo export model=runs/train/exp/weights/best.pt format=engine

十、继续上次未完成的训练

yolo train model=runs/train/exp/weights/last.pt resume=True

原因：未开启GPU支持/显卡驱动版本过低

解决：更新Nvidia官方驱动≥515，Windows开启Docker GPU支持，重启Docker