> For the complete documentation index, see [llms.txt](https://unsloth.ai/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://unsloth.ai/docs/jp/meru/install/docker.md).

# Docker経由でUnslothをインストールする

公式Dockerコンテナを使ってUnslothをインストールします

Unsloth Docker コンテナを使ってモデルの実行と学習を行う方法を学びましょう。セットアップは不要です。依存関係はすべてあらかじめインストールされています。イメージを pull するだけで、ローカルの NVIDIA または AMD GPU でモデルの実行と学習を始められます。

| **NVIDIA** Docker: [**`unsloth/unsloth`**](https://hub.docker.com/r/unsloth/unsloth) | **AMD** Docker: [**`unsloth/unsloth-rocm`**](https://hub.docker.com/r/unsloth/unsloth-rocm) |
| ------------------------------------------------------------------------------------ | ------------------------------------------------------------------------------------------- |

{% hint style="success" %}
**新着 2026年9月: Unsloth Docker コンテナが Unsloth Studio と AMD に対応して更新されました。**

Unsloth は不要な再ダウンロードを避けるため、ノートブックやスクリプトと同じキャッシュを共有します。
{% endhint %}

### クイックスタート

このガイドのセクションは NVIDIA GPU を搭載したシステム向けです。お使いの環境が [AMD の場合はこちら](#amd-quickstart).

{% tabs %}
{% tab title="Linux / WSL" %}
NVIDIA GPU で Unsloth の Docker を使うには、ターミナルで次を実行します:

```bash
docker run -d --name unsloth --gpus all --ipc=host \
  --ulimit memlock=-1 --ulimit stack=67108864 \
  -p 8000:8000 -p 8888:8888 \
  -e JUPYTER_PASSWORD="mypassword" \
  -v "$PWD":/workspace/host \
  -v "$HOME/.cache/huggingface":/workspace/.cache/huggingface \
  -v unsloth-studio:/opt/unsloth-studio \
  unsloth/unsloth
```

* プロジェクトフォルダーから実行してください。そのフォルダー（`$PWD`）が `/workspace/host`.
* 各フラグの役割: 8000（Unsloth Studio）と 8888（JupyterLab）のポートを公開し、3 つの `-v` フラグにより、ファイル、モデル、Unsloth Studio のデータが保持されます。
* 要件: NVIDIA ドライバー 570.26 以降。

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2Fz1bQUO7kRRL6jrzDKsRO%2FiShot_2026-09-17_16.30.18.png?alt=media&amp;token=1a5a23ee-e384-4bc7-b5f5-4cb934989094" alt=""><figcaption></figcaption></figure>
{% endtab %}

{% tab title="Windows（PowerShell）" %}
PowerShell で次を実行します:

```powershell
docker run -d --name unsloth --gpus all --ipc=host `
  --ulimit memlock=-1 --ulimit stack=67108864 `
  -p 8000:8000 -p 8888:8888 `
  -e JUPYTER_PASSWORD="mypassword" `
  -v "${PWD}:/workspace/host" `
  -v "${HOME}/.cache/huggingface:/workspace/.cache/huggingface" `
  -v "unsloth-studio:/opt/unsloth-studio" `
  unsloth/unsloth
```

* プロジェクトフォルダーから実行してください。そのフォルダー（`${PWD}`）が `/workspace/host`.
* 各フラグの役割: 8000（Unsloth Studio）と 8888（JupyterLab）のポートを公開し、3 つの `-v` フラグにより、ファイル、モデル、Unsloth Studio のデータが保持されます。
* 要件: NVIDIA ドライバー 570.26 以降。

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2F70dKPYWYN9PrkPkMtbdg%2Fimage.png?alt=media&amp;token=5b4a4309-c97b-4e65-8daa-babb312a97ca" alt=""><figcaption></figcaption></figure>
{% endtab %}
{% endtabs %}

### 前提条件

NVIDIA Container Toolkit 用の Docker がインストールされていない場合は、以下に従ってください:

{% tabs %}
{% tab title="Linux / WSL" %}
インストール [Docker Engine](https://docs.docker.com/engine/install/) または [Docker Desktop](https://docs.docker.com/desktop/)、まだの場合は:

```bash
curl -fsSL https://get.docker.com -o get-docker.sh && sh get-docker.sh
```

NVIDIA GPU をお使いの場合は、 [NVIDIA Container Toolkit](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html#installation) まだの場合は:

```bash
curl -fsSL https://raw.githubusercontent.com/unslothai/unsloth/main/docker/install_nvidia_toolkit.sh -o install_nvidia_toolkit.sh && sudo -E bash install_nvidia_toolkit.sh
```

{% endtab %}

{% tab title="Windows" %}
**Docker Desktop と NVIDIA ドライバーをインストールしてください。**

インストール [Windows 用 Docker Desktop](https://docs.docker.com/desktop/setup/install/windows-install/) および最新の [NVIDIA Windows ドライバー](https://www.nvidia.com/Download/index.aspx)。 \
その後、PowerShell で WSL を更新します:

```powershell
wsl --update
```

Docker Desktop の設定で、 **一般** を選択し、 **Use the WSL 2 based engine** が有効になっていることを確認してください。続行する前にエンジンが起動するまで待ちます。

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FNSQSDRFKVGyePWp7zKZA%2Fimage.png?alt=media&amp;token=0516785a-3fc1-41bc-8690-b98df7085fbf" alt=""><figcaption></figcaption></figure>

別途 NVIDIA Container Toolkit をインストールする必要はありません。 [Windows の GPU トラブルシューティング](https://docs.docker.com/desktop/features/gpu/).
{% endtab %}
{% endtabs %}

### AMD クイックスタート

このガイドのセクションは AMD GPU を搭載したシステム向けです。お使いの環境が [NVIDIA の場合はこちら](#quickstart).

{% tabs %}
{% tab title="Linux" %}
AMD GPU で Unsloth の Docker を使うには、ターミナルで次を実行します:

```bash
GPU_FLAGS="--device /dev/kfd"
[ -e /dev/dri ] && GPU_FLAGS="$GPU_FLAGS --device /dev/dri"
for g in video render; do
  gid=$(getent group "$g" | cut -d: -f3)
  [ -n "$gid" ] && GPU_FLAGS="$GPU_FLAGS --group-add $gid"
done
docker run -d --name unsloth \
  $GPU_FLAGS \
  --ipc=host \
  --ulimit memlock=-1 --ulimit stack=67108864 \
  -p 8000:8000 -p 8888:8888 \
  -e JUPYTER_PASSWORD="mypassword" \
  -v "$PWD":/workspace/host \
  -v "$HOME/.cache/huggingface":/workspace/.cache/huggingface \
  -v unsloth-studio:/opt/unsloth-studio \
  unsloth/unsloth-rocm
```

* プロジェクトフォルダーから実行してください。そのフォルダー（`$PWD`）が `/workspace/host`.
* 各フラグの役割: `$GPU_FLAGS` GPU デバイスノードとグループ ID を渡します。8000（Unsloth Studio）と 8888（JupyterLab）のポート、および 3 つの `-v` フラグにより、ファイル、モデル、Unsloth Studio のデータが保持されます。
* 要件: 動作する `amdgpu` ドライバー。ROCm 7.2 向けにビルドされており、RDNA1 以降および CDNA をサポートします。
  {% endtab %}

{% tab title="WSL" %}
WSL では、AMD GPU は WSL2 の DXG ブリッジ経由でアクセスします。これは PowerShell ではなく WSL2 ディストリの中で実行してください。WSL2 には `/dev/kfd` がないため、GPU は代わりに `/dev/dxg` として渡されます:

```bash
docker run -d --name unsloth --device /dev/dxg --ipc=host \
  --ulimit memlock=-1 --ulimit stack=67108864 \
  -e HSA_ENABLE_DXG_DETECTION=1 \
  -e LD_LIBRARY_PATH=/usr/lib/wsl/lib:/opt/rocm/lib \
  -p 8000:8000 -p 8888:8888 \
  -e JUPYTER_PASSWORD="mypassword" \
  -v /usr/lib/wsl/lib:/usr/lib/wsl/lib:ro \
  -v "$PWD":/workspace/host \
  -v "$HOME/.cache/huggingface":/workspace/.cache/huggingface \
  -v unsloth-studio:/opt/unsloth-studio \
  unsloth/unsloth-rocm
```

* WSL2 の中から（`wsl -d Ubuntu`）実行してください。プロジェクトフォルダーから実行してください。そのフォルダー（`$PWD`）が `/workspace/host`.
* 各フラグの役割: `--device /dev/dxg` と `/usr/lib/wsl/lib` の mount で GPU を WSL2 経由で通します。8000（Unsloth Studio）と 8888（JupyterLab）のポート、および 3 つの `-v` フラグにより、ファイル、モデル、Unsloth Studio のデータが保持されます。
* 要件: ホスト上で WSL2 をサポートする AMD Windows ドライバー
  {% endtab %}

{% tab title="Windows（PowerShell）" %}
PowerShell で次を実行します:

```powershell
docker run -d --name unsloth --device /dev/dxg --ipc=host `
  --ulimit memlock=-1 --ulimit stack=67108864 `
  -e HSA_ENABLE_DXG_DETECTION=1 `
  -e LD_LIBRARY_PATH=/usr/lib/wsl/lib:/opt/rocm/lib `
  -p 8000:8000 -p 8888:8888 `
  -e JUPYTER_PASSWORD="mypassword" `
  -v "/usr/lib/wsl/lib:/usr/lib/wsl/lib:ro" `
  -v "${PWD}:/workspace/host" `
  -v "${HOME}/.cache/huggingface:/workspace/.cache/huggingface" `
  -v "unsloth-studio:/opt/unsloth-studio" `
  unsloth/unsloth-rocm
```

* プロジェクトフォルダーから実行してください。そのフォルダー（`${PWD}`）が `/workspace/host`.
* 要件: WSL2 対応の AMD Windows ドライバーと、WSL 2 エンジンを使用する Docker Desktop。
  {% endtab %}
  {% endtabs %}

Docker がインストールされていない場合は、次のコマンドを実行してください:

```bash
curl -fsSL https://get.docker.com -o get-docker.sh && sh get-docker.sh
```

AMD ではコンテナツールキットは不要で、必要なのは `amdgpu` ホスト上のドライバーだけです。Windows では、Docker Desktop と WSL2 対応の AMD ドライバーをインストールしてください。

### 📖 使い方ガイド

#### Unsloth Studio のセットアップ

Unsloth Studio はあらかじめインストールされているため、同じ Docker コンテナからモデルとのチャット、ファインチューニング、画像生成を行えます。

{% stepper %}
{% step %}
**Unsloth コンテナを起動します。** \
完全な `docker run` お使いの OS 用の **クイックスタート** を実行し、起動に約 1 分待ちます。コンテナがすでに実行中ならこの手順はスキップしてください。

```bash
docker start unsloth
```

{% endstep %}

{% step %}
**パスワードを確認します。** \
パスワードをまだ把握していない場合は、コンテナのログを確認してください:

```bash
docker logs -f unsloth
```

を探してください。 **Unsloth コンテナの準備完了** でリンクとパスワードの詳細を確認します。ログの追跡を停止するには **Ctrl+C** を押します。コンテナはそのまま実行され続けます。
{% endstep %}

{% step %}
**サインイン**

開く [`http://localhost:8000`](http://localhost:8000) して、 `unsloth`としてサインインしてください。初回セットアップでは、生成されたパスワードを使い、求められたら新しいパスワードを選択します。それ以外の場合は、既存のパスワードを使ってください。
{% endstep %}

{% step %}
**パスワードを忘れましたか？**

```bash
docker exec unsloth unsloth studio reset-password --username unsloth
```

これにより新しいパスワードが生成され、既存のセッションがサインアウトされ、API キーが無効化されます。再起動は不要です。これらのコマンドはコンテナ名が `unsloth`であることを前提としています。必要に応じて、 `docker ps` を実行して名前または ID を確認してください。

{% hint style="info" %}
Docker が別のマシン（クラウド GPU やサーバーなど）で動作している場合、 `localhost` はあなたのコンピューターを意味します。リンクを開く前にポート転送が必要です。次を実行してください: `ssh -L 8000:localhost:8000 -L 8888:localhost:8888 user@your-server`。詳細は [セキュリティに関する注意](#security-notes) セクションを参照してください。
{% endhint %}
{% endstep %}
{% endstepper %}

#### **モデルとチャットする**

{% hint style="info" %}
Unsloth Studio と JupyterLab は同じ GPU を共有します。Unsloth で読み込んだモデルは、アンロードするまで GPU メモリを保持します。メモリ不足になった場合は、Unsloth でモデルをアンロードするか、ノートブックのカーネルを停止してください。
{% endhint %}

{% stepper %}
{% step %}
**ページ上部でモデルを選択してダウンロードします。**

開く **モデルを選択** 参照するか、 **おすすめ**、またはモデル名を入力して **Hub を検索** をクリックして Hugging Face を検索します。モデルは **モデルハブ**.

でも閲覧できます。GGUF モデルでは、利用可能な RAM と VRAM に合う量子化を選んでください。 **OOM**.

と表示されたバリアントは避けてください。最初のメッセージを送る前に、モデルのダウンロードと読み込みが完了するのを待ってください。ダウンロード済みのモデルは **デバイス上**.

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FgyDczCQqKkgh7ap2PuNU%2Fimage.png?alt=media&amp;token=740ee435-e68f-4811-8bb6-aa093526f74f" alt="Unsloth Studio model selector with Hugging Face search and recommended GGUF models." width="375"><figcaption><p>で再選択できます。おすすめモデルを閲覧するか、名前で検索してください。</p></figcaption></figure>

{% hint style="info" %}
ダウンロードしたモデルは `/workspace/.cache/huggingface`に保存されます。クイックスタートのボリュームマウントを使うと、このキャッシュはノートブックと共有され、コンテナを削除してもお使いのコンピューターに残ります。
{% endhint %}
{% endstep %}

{% step %}
**メッセージを送信**

モデルの準備ができたら、メッセージを入力して **Enter**を押します。次を試してみてください:

> Docker コンテナと仮想マシンの違いを説明してください。

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FKfzGAT0DLWirgWvkfK1x%2Fimage.png?alt=media&amp;token=afff9dd2-06d4-4f7b-bba5-8a4835143090" alt=""><figcaption></figcaption></figure>

完全な対応ランタイムフラグ一覧については、 [Unsloth Studio Chat](/docs/jp/shii/studio/chat.md) ウェブ検索とその他のチャット設定についてのガイド。
{% endstep %}
{% endstepper %}

#### **モデルを学習する**

テキスト、 [ビジョン](https://unsloth.ai/docs/basics/vision-fine-tuning) そして [音声](https://unsloth.ai/docs/basics/text-to-speech-tts-fine-tuning)のモデルを学習できます。 [埋め込み](https://unsloth.ai/docs/basics/embedding-finetuning) や画像拡散にも対応しています。すべて同じ Docker イメージから行えます。

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2F66Vvgt0l5iqAkAksIRYF%2Fimage.png?alt=media&amp;token=8fcb1ad6-2b53-4128-87fa-a47bcd1deab4" alt="" width="563"><figcaption></figcaption></figure>

**モデルとデータセットを選択**

選択 **学習** を開き、 **設定**します。モデルと学習方法を選び、Hugging Face のデータセットを選択するか、自分のデータをアップロードしてください。

**学習を開始**

確認 **パラメータ** を **シンプル** または **高度な** モードで確認してから、 **学習を開始**をクリックします。進捗、損失、GPU 使用率は **現在の実行**.

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FD7qpbGJLY5YMv0E0QgrB%2Ftrainingrun_LLM-unsloth.gif?alt=media&amp;token=feb766a7-1a7b-4f47-b5f4-b38e3a0d1470" alt=""><figcaption></figcaption></figure>

**学習済みモデルを試す**

学習が終わったら、 **チャットで比較**をクリックします。元のモデルとファインチューニング後のモデルを同じプロンプトでテストし、応答の違いを確認できます。

完全な対応ランタイムフラグ一覧については、 [詳細は Studio の学習ガイド](https://unsloth.ai/docs/new/studio/start) をご覧ください。または [Data Recipes](https://unsloth.ai/docs/new/studio/data-recipe) を使ってデータセットを準備してください。

#### **画像を生成する**

{% stepper %}
{% step %}
**Images を開き、モデルを選択**

選択 **画像** をサイドバーで。 **作成** ワークフローがデフォルトで開きます。

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2F6WVNnM49nQoTBfv57RAs%2Fimage%20(529).png?alt=media&amp;token=ff61651a-4560-4473-9232-d06024cb216e" alt="Unsloth Studio Images page with Create selected in the sidebar and prompt controls." width="375"><figcaption><p>テキストプロンプトから画像を生成するには、Images を開きます。</p></figcaption></figure>

開く **画像モデルを選択** そして次から選択します **おすすめ**、たとえば Z-Image-Turbo などです。GGUF モデルでは、お使いのデバイスに合う量子化を選んでください。 **厳しい** 低速で実行される場合があります; **OOM** と表示されたモデルは、収まらない可能性が高いです。

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2F1gPBEymJifbpIE9lGfvd%2Fimage%20(530).png?alt=media&amp;token=6f1b3e41-2c5a-4c5a-9c75-f624c6f4ede6" alt="Image model selector showing Z-Image-Turbo-GGUF and available quantizations." width="375"><figcaption><p>画像モデルと、お使いのデバイスに合う量子化を選んでください。</p></figcaption></figure>
{% endstep %}

{% step %}
**プロンプトを入力して生成**

作成したい画像を説明してください。たとえば:

> 日本庭園の鯉の池を真上から撮影した写真。数十匹のオレンジ、白、黒の鯉が密集して泳いでいる。水は石の底が見えるほど澄んでおり、水面には赤いモミジの葉が浮かんでいる。明るい真昼の光、鮮やかな色彩、くっきりした反射。リアルな写真、50mm。

画像設定は既定のままにして、 **生成**.

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2Fy0qucNcG7XQlDVvv3XZE%2Fimage%20(493).png?alt=media&amp;token=47888a19-5384-4ace-b5d7-f90cf4fb9b0f" alt="Unsloth Studio Create images page with Z-Image-Turbo loaded, a koi pond prompt, a generated image, and Recipe and Download controls." width="563"><figcaption><p>Z-Image-Turbo を使った生成例。</p></figcaption></figure>

ギャラリーで画像を開き、 **ダウンロード** 保存するには、または **レシピ** そのプロンプトと設定を再利用するには、

**Transform**, **インペイント** そして **編集** は読み込まれたモデルによって異なります。対応ワークフローと設定については、 [画像拡散ガイド](https://unsloth.ai/docs/basics/diffusion-image) を参照してください。
{% endstep %}
{% endstepper %}

#### **JupyterLab にアクセス**

{% columns %}
{% column %}
Unsloth Docker イメージには、JupyterLab とすぐに使えるノートブックが含まれています。

開く [`http://localhost:8888`](http://localhost:8888) してサインインします。コンテナの起動時に選んだ `JUPYTER_PASSWORD` を使ってください。設定していない場合は、コンテナログに表示される生成済みパスワードを使ってください。

{% hint style="info" %}
JupyterLab のパスワードはコンテナ作成時に設定されます。変更するには、コンテナを削除して新しいパスワードで再作成してください。
{% endhint %}
{% endcolumn %}

{% column %}

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FQapcJDBCYgxaEfG5zEEn%2Fimage.png?alt=media&amp;token=8eb72fbd-8ca1-43f6-9c6a-e45cb7a06da0" alt="" width="375"><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

サインインすると、 **Unsloth Notebooks**が表示され、フォルダーはモデルとタスクごとにグループ化されています。

これらのフォルダーには、 `/workspace/unsloth-notebooks`内のノートブックファイルへのショートカットが入っています。コンテナが起動するたびに、編集内容を上書きせずに GitHub からノートブックが更新されます。

ダブルクリックして **01 Main Notebooks** を開いて例を参照するか、vision、speech、reinforcement learning などのカテゴリを選択してください。

<div data-with-frame="true"><figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FXceIgyo451mqw1hchpXR%2Fimage.png?alt=media&amp;token=b32a2968-0e94-4eff-b6a5-ed9f9b617ca4" alt="" width="563"><figcaption></figcaption></figure></div>

#### **ノートブックでモデルをファインチューニングする**

学習を始める前に、Unsloth Studio で読み込まれているモデルをすべてアンロードして、ノートブックに必要な GPU メモリを確保してください。

でノートブックを開き **01 Main Notebooks** 、指示に従ってください。 **Shift+Enter** を押して各セルを順番に実行します。最初の実行で、モデルが Hugging Face キャッシュにダウンロードされます。

たとえば、 `Gemma3_(4B)-Vision.ipynb` では、数式画像を LaTeX に変換するための Gemma 3 4B のファインチューニング手順が案内されます。

<div data-with-frame="true"><figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FyLdWCorjvMlW0OPkE2v4%2Fimage.png?alt=media&amp;token=ca2e62b5-5857-4cbf-89f4-735030f1123b" alt="" width="563"><figcaption></figcaption></figure></div>

学習後は、ノートブックの **推論** セクションを使ってモデルをテストします。学習済みモデルを数式画像でテストします。以下に、可読性のため高解像度で再作成した数式を示します。

<div data-with-frame="true"><figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FGJdMUUr0ig4NQL5TMk2I%2Fimage.png?alt=media&amp;token=fa1eb118-dcbd-4ad3-a8f4-48e47659c143" alt="" width="563"><figcaption></figcaption></figure></div>

モデルは元のデータセット画像から LaTeX を生成します。セルの下に LaTeX の結果を出力します。

#### **モデルを保存してエクスポートする**

ノートブックの Saving セクションに従って、学習済み LoRA アダプターを保存するか、マージ済みモデルをエクスポートしてください。

次のような相対パスは `"gemma_3_lora"` ノートブックの隣、次の場所に保存されます `/workspace/Unsloth Notebooks/...`。そのフォルダーはコンテナ内にあるため、コンテナを削除すると削除されます。結果を自分のコンピューターに残すには、次の場所に保存してください: `/workspace/host`.

* **LoRA アダプターをローカルに保存:** このセルは既定で実行されます。パスを次に変更してください `/workspace/host`.

  ```python
  model.save_pretrained("/workspace/host/gemma_3_lora")
  processor.save_pretrained("/workspace/host/gemma_3_lora")
  ```
* **マージ済み 16 ビットモデルをエクスポート:** エクスポート用セルでは、 `if False:` を `if True:` を使いたい विकल्पに応じて切り替えてください。選べるのは 1 つだけです。

  ```python
  if True: model.save_pretrained_merged("/workspace/host/unsloth_finetune", processor)
  ```

<div data-with-frame="true"><figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FERw6laeLKXj5mLtoWB8y%2Fimage.png?alt=media&amp;token=5d43449b-cc98-4448-93f5-79599d39148f" alt="" width="563"><figcaption></figcaption></figure></div>

* **Hugging Face にアップロード:** アップロードには書き込み権限のあるトークンが必要です。 `YOUR_USERNAME` そして `YOUR_HF_TOKEN` のプレースホルダーを自分の情報に置き換えてください。

さらに詳しい手順は、 [ファインチューニングガイド](https://unsloth.ai/docs/get-started/fine-tuning-llms-guide), [RL ガイド](https://unsloth.ai/docs/get-started/reinforcement-learning-rl-guide)と [ノートブック集](https://github.com/unslothai/notebooks).

#### コンテナを停止、再起動、更新する

コマンドはイメージ名ではなく、コンテナ名または ID を指定します `unsloth/unsloth`.

コンテナを停止するが保持する:

```bash
docker stop unsloth
```

同じ状態で再起動する:

```bash
docker start unsloth
```

実行中かどうかにかかわらず、コンテナを再度見つける:

```bash
docker ps -a
```

コンテナを停止して削除する:

```bash
docker rm -f unsloth
```

コンテナを削除しても、モデル、ホスト上のファイル（`/workspace/host`）、または Unsloth Studio のデータ（アカウント、チャット、エクスポート）は削除されません。同じ `-v` フラグで新しいコンテナを起動すると、前回の続きから再開され、Unsloth のパスワードもそのままです。コンテナ内に書き込まれたその他のものは失われます。

Unsloth Studio のデータを完全に削除するには、そのボリュームを削除します:

```bash
docker volume rm unsloth-studio
```

最新の Unsloth バージョンに更新するには、新しいイメージを pull します:

```bash
#NVIDIA GPU
docker pull unsloth/unsloth
#AMD GPU
docker pull unsloth/unsloth-rocm
```

その後、古いコンテナを削除して、同じフラグでクイックスタートのコマンドを再度実行してください。モデル、ファイル、Unsloth Studio のデータは引き継がれます。

```bash
docker rm -f unsloth
```

#### **SSH で接続する**

SSH は `SSH_KEY` または `PUBLIC_KEY`を設定しない限り無効です。コンテナ内の 22 番ポートで、鍵のみの認証を使って `root` ユーザーとして接続します。

SSH キーを生成:

```bash
ssh-keygen -t ed25519 -f ~/.ssh/container_key
```

SSH キーはコンテナ作成時に適用されるため、追加するにはコンテナを再作成する必要があります。次の完全なコマンドを使って、SSH ポートをホストの 2222 に割り当て、パスワードを設定し、ボリュームをマウントしてください。

{% tabs %}
{% tab title="NVIDIA" %}

```bash
docker run -d --name unsloth --gpus all --ipc=host \
  --ulimit memlock=-1 --ulimit stack=67108864 \
  -p 8000:8000 -p 8888:8888 -p 2222:22 \
  -e JUPYTER_PASSWORD="choose-a-jupyter-password" \
  -e UNSLOTH_STUDIO_PASSWORD="choose-a-studio-password" \
  -e SSH_KEY="$(cat ~/.ssh/container_key.pub)" \
  -v "$PWD":/workspace/host \
  -v "$HOME/.cache/huggingface":/workspace/.cache/huggingface \
  -v unsloth-studio:/opt/unsloth-studio \
  unsloth/unsloth
```

{% endtab %}

{% tab title="AMD" %}

```bash
GPU_FLAGS="--device /dev/kfd"
[ -e /dev/dri ] && GPU_FLAGS="$GPU_FLAGS --device /dev/dri"
for g in video render; do
  gid=$(getent group "$g" | cut -d: -f3)
  [ -n "$gid" ] && GPU_FLAGS="$GPU_FLAGS --group-add $gid"
done
docker run -d --name unsloth $GPU_FLAGS --ipc=host \
  --ulimit memlock=-1 --ulimit stack=67108864 \
  -p 8000:8000 -p 8888:8888 -p 2222:22 \
  -e JUPYTER_PASSWORD="choose-a-jupyter-password" \
  -e UNSLOTH_STUDIO_PASSWORD="choose-a-studio-password" \
  -e SSH_KEY="$(cat ~/.ssh/container_key.pub)" \
  -v "$PWD":/workspace/host \
  -v "$HOME/.cache/huggingface":/workspace/.cache/huggingface \
  -v unsloth-studio:/opt/unsloth-studio \
  unsloth/unsloth-rocm
```

{% endtab %}
{% endtabs %}

`UNSLOTH_STUDIO_PASSWORD` は、 `unsloth-studio` ボリュームが最初に使用されるときにのみ適用されます。 [詳細設定](#advanced-settings) 以下で、すべての環境変数、ボリューム、ポートを確認してください。

コンテナに接続:

```bash
ssh -i ~/.ssh/container_key -p 2222 root@localhost
```

#### 📂 コンテナ構成

* `/workspace/host/` — マウントされた作業ディレクトリ
* `/workspace/.cache/huggingface` — モデルとデータセットのダウンロード
* `/workspace/.cache/triton` — コンパイル済み Triton カーネル
* `/workspace/unsloth-notebooks/` — 編集内容を含む、ファインチューニング用のサンプルノートブック
* `/workspace/Unsloth Notebooks` — 起動のたびに再構築される、トピック別のサンプルファインチューニングノートブック
* `/opt/unsloth-studio` — Unsloth Studio のアカウント、チャット、出力、エクスポート、実行履歴

### トラブルシューティング

#### **Unsloth が私の GPU を検出しない / 使用しない**

Docker 用に特に GPU が使われていない場合は、次を試してください:

最新のイメージを手動で pull する:

```bash
 #NVIDIA GPU
 docker pull unsloth/unsloth:latest
 #AMD GPU
 docker pull unsloth/unsloth-rocm:latest
```

* GPUアクセスでコンテナを起動します:
  * `docker run`: `--gpus all`
  * Docker Compose: `capabilities: [gpu]`
  * AMD: `--device /dev/kfd --device /dev/dri` に加えて `--group-add` ids（Quickstart の `$GPU_FLAGS` ブロック）
* Linux（NVIDIA）では、NVIDIA Container Toolkit がインストールされていることを確認し、インストール後に docker を再起動してください。
* Windows（NVIDIA）では:
  * 実行 `docker exec unsloth nvidia-smi`。GPU が表示されれば、コンテナから見えています。
  * に従ってください [Docker のガイド](< https://docs.docker.com/desktop/features/gpu/>)
* AMD では、次を実行してください `docker exec unsloth rocm-smi`。GPU が表示されれば、コンテナから見えています。での権限エラーは `/dev/kfd` は、 `--group-add` ids が不足していたことを意味します。

#### ポートはすでに割り当てられています

ホスト側のポートを変更してください。例: `-p 8001:8000`、その後 [http://localhost:8001](http://localhost:8001/).

#### Unsloth Studio が1時間後に応答しなくなる

自動生成されたパスワードを変更しないと、Unsloth Studio は自動的に停止します。次を実行してください `docker restart unsloth` して再度起動し、パスワードを変更してください。

#### プロジェクトフォルダ内のファイルの所有者が root になっている

コンテナは root として実行されるため、次を使用してください `sudo chown`、または `core` を `--user`.

### ⚙️ 詳細設定

#### 環境変数

以下のいずれかを次に渡してください `docker run` を `-e NAME=value` または `--env-file`。これらは両方に適用されます `unsloth/unsloth` そして `unsloth/unsloth-rocm`.

| 変数                                 | 説明                                                 | 既定                         |
| ---------------------------------- | -------------------------------------------------- | -------------------------- |
| `UNSLOTH_STUDIO_PASSWORD`          | ユーザーの Unsloth Studio の初期パスワード `unsloth`            | 未設定: 一度生成され、 `docker logs` |
| `JUPYTER_PASSWORD`                 | JupyterLab のパスワード                                  | 未設定: 一度生成され、 `docker logs` |
| `JUPYTER_PORT`                     | コンテナ内の JupyterLab ポート                              | `8888`                     |
| `UNSLOTH_STUDIO_PORT`              | コンテナ内の Unsloth Studio ポート                          | `8000`                     |
| `UNSLOTH_STUDIO_BOOTSTRAP_TIMEOUT` | 生成されたパスワードが変更されない場合に Unsloth Studio が停止するまでの秒数     | `3600`                     |
| `SSH_KEY` または `PUBLIC_KEY`         | の SSH 公開鍵 `root` ログイン                              | 未設定: SSH は無効               |
| `UNSLOTH_ALLOW_CPU`                | GPU がなくてもコンテナを起動できるようにする                           | `1`、GPU が検出されると未設定になります    |
| `UNSLOTH_STUDIO_SECURE`            | 公開の Cloudflare HTTPS リンク経由でのみ Unsloth Studio を提供する | `0`                        |
| `UNSLOTH_STUDIO_CLOUDFLARE`        | 公開の Cloudflare リンク経由で Unsloth Studio を共有する         | `0`                        |
| `UNSLOTH_JUPYTER_CLOUDFLARE`       | 公開の Cloudflare リンク経由で JupyterLab を共有する             | `0`                        |
| `GitHub から例のノートブックを更新しない`          | 例のノートブックの更新をスキップする                                 | `0`                        |
| `UNSLOTH_SKIP_NOTEBOOK_SYNC`       | 例のノートブックの設定をスキップする                                 | `0`                        |
| `HF_TOKEN`                         | Hugging Face アクセストークン                              | 未設定                        |
| `WANDB_API_KEY`                    | Weights & Biases の API キー                          | 未設定                        |

#### ボリューム

{% hint style="warning" %}
**重要**: コンテナの実行間で作業を保持するには、ボリュームマウントを使用してください。
{% endhint %}

ボリュームに含まれていないものは、コンテナを削除すると失われます。これらは次でマウントしてください `-v <host path or volume name>:<container path>`.

| コンテナ内パス                         | 説明                                             | 推奨マウント先                                                  |
| ------------------------------- | ---------------------------------------------- | -------------------------------------------------------- |
| `/workspace/host`               | プロジェクトファイル                                     | プロジェクトフォルダ。例: `"$PWD"`                                   |
| `/workspace/.cache/huggingface` | ダウンロードしたモデルとデータセット                             | ホスト側の Hugging Face キャッシュ。例: `"$HOME/.cache/huggingface"` |
| `/opt/unsloth-studio`           | Unsloth Studio のアカウント、チャット、学習済みモデル、エクスポート、実行結果 | 名前付きボリューム `unsloth-studio`                               |
| `/workspace/unsloth-notebooks`  | 編集内容を含む例のノートブック                                | 任意                                                       |
| `/workspace/.cache/triton`      | コンパイル済み GPU カーネル                               | 任意、再起動を高速化                                               |

* `/workspace` は作業ディレクトリであり、JupyterLab が開くフォルダです。
* 次には名前付きボリュームを使用してください `/opt/unsloth-studio`、ホストフォルダではありません。Unsloth Studio にはそこでシンボリックリンクが必要で、Windows や macOS のホストフォルダではそれを許可しない場合があり、その場合はコンテナの起動が停止します。
* Unsloth Studio または JupyterLab にさらに多くのファイルを使わせるには、次の下にさらにフォルダをマウントしてください `/workspace`。例: `-v /data/datasets:/workspace/datasets`、そしてそのコンテナ内パスで参照してください。

#### ポート

| ポート    | サービス                           |
| ------ | ------------------------------ |
| `8000` | Unsloth Studio                 |
| `8888` | JupyterLab                     |
| `22`   | SSH（次の場合のみ `SSH_KEY` が設定されている） |

コンテナのポートを空いている任意のホストポートに次で割り当てます `-p <host>:<container>`。たとえば、ホストポートで SSH を有効にするには `2222`:

{% tabs %}
{% tab title="NVIDIA" %}

```bash
docker run -d --name unsloth --gpus all \
  -p 8000:8000 -p 8888:8888 -p 2222:22 \
  -e SSH_KEY="$(cat ~/.ssh/id_ed25519.pub)" \
  -v "$PWD":/workspace/host \
  -v "$HOME/.cache/huggingface":/workspace/.cache/huggingface \
  -v unsloth-studio:/opt/unsloth-studio \
  unsloth/unsloth
```

{% endtab %}

{% tab title="AMD" %}

```bash
GPU_FLAGS="--device /dev/kfd"
[ -e /dev/dri ] && GPU_FLAGS="$GPU_FLAGS --device /dev/dri"
for g in video render; do
  gid=$(getent group "$g" | cut -d: -f3)
  [ -n "$gid" ] && GPU_FLAGS="$GPU_FLAGS --group-add $gid"
done
docker run -d --name unsloth $GPU_FLAGS \
  -p 8000:8000 -p 8888:8888 -p 2222:22 \
  -e SSH_KEY="$(cat ~/.ssh/id_ed25519.pub)" \
  -v "$PWD":/workspace/host \
  -v "$HOME/.cache/huggingface":/workspace/.cache/huggingface \
  -v unsloth-studio:/opt/unsloth-studio \
  unsloth/unsloth-rocm
```

{% endtab %}
{% endtabs %}

### **🔒 セキュリティに関する注意**

* コンテナは root として実行されます。次を使用してください `unsloth/unsloth:core` を `--user <uid>:<gid>` マウントされたファイルをホストユーザーの所有にする必要がある場合。
* SSH は次の場合を除きオフです `SSH_KEY` または `PUBLIC_KEY` が設定されている場合。ポート 22 で、root としてキー認証のみです。
* 公開されたポートはすべてのインターフェースで待ち受けます。クラウドホストでは、次にバインドしてください `127.0.0.1` 、または次を使用してください `-e UNSLOTH_STUDIO_SECURE=1`.
* JupyterLab は完全なシェルです。JupyterLab にログインできる人は、コンテナ内で任意のコマンドを実行できます。Unsloth Studio と JupyterLab はプレーン HTTP で提供されるため、インターネットに直接公開しないでください。
* Unsloth Studio のツールはコードを実行できます。Studio のサーバー側ツールは既定で有効になっており、コンテナ内でコマンドを実行できます。コンテナにアクセスを許してもよいホストフォルダだけをマウントしてください。
* 環境変数は Docker ユーザーに見えます。次で渡した値は `-e` または `--env-file`、トークンやパスワードを含め、次に表示されます `docker inspect`。Docker デーモンにアクセスできる人は誰でもそれらを読み取れます。


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://unsloth.ai/docs/jp/meru/install/docker.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.