使用 Docker 容器的最大好處就是 “獨(dú)立性強(qiáng)”，在前面文章中我們教大家如何使用 NVIDIA 在 NGC 提供創(chuàng)建好的 l4t-ml 系列鏡像為基礎(chǔ)，去創(chuàng)建各種機(jī)器學(xué)習(xí) / 深度學(xué)習(xí)的開(kāi)發(fā)或部署用途的獨(dú)立容器，包括各種基于 TensorRT 的推理應(yīng)用、基于 PyTorch 的各種 YOLO 相關(guān)應(yīng)用等等。

但是 l4t-ml 容器內(nèi)將大部分深度學(xué)習(xí)所需要的工具全部涵蓋進(jìn)去，使得這個(gè)容器鏡像變得十分龐大，例如配合 JetPack 5.0 DP 版本的 nvcr.io/nvidia/l4t-ml:r34.1.1-py3 鏡像需要占用 16.2G 空間，這對(duì)大部分存儲(chǔ)空間較為緊湊的 Jetson 邊緣設(shè)備來(lái)說(shuō)是個(gè)不小的負(fù)擔(dān)，需要進(jìn)一步的優(yōu)化。

熟悉 Docker 創(chuàng)建容器的人都知道，只要使用 “docker build -f DOCKERFILE” 方式就能創(chuàng)建容器，不過(guò) Dockerfile 內(nèi)容是有復(fù)雜度的，至少包含以下兩大部分：

• 基礎(chǔ)鏡像

這是相對(duì)神奇的環(huán)節(jié)，我們至少得先在一個(gè)“以操作系統(tǒng)為基礎(chǔ)”的基礎(chǔ)鏡像文件之上去創(chuàng)建新的容器，不過(guò)還好操作系統(tǒng)源頭都會(huì)提供這些基礎(chǔ)鏡像，只要我們能找到這些基礎(chǔ)鏡像的發(fā)行位置，就能在 Dockerfile 一開(kāi)始使用 “FROM” 指令進(jìn)行導(dǎo)入。

在 Jetson 設(shè)備上使用的 L4T（Linxun for Tegra）版本 Ubuntu 操作系統(tǒng)是由 NVIDIA 所維護(hù)，因此操作系統(tǒng)基礎(chǔ)鏡像也由 NVIDIA 所提供，并且存放在 NGC 云中心提供下載，可以在https://catalog.ngc.nvidia.com/orgs/nvidia/containers/l4t-base/tags 上找到詳細(xì)的內(nèi)容與下載的指令。

l4t-base 容器內(nèi)只有最基礎(chǔ)的操作系統(tǒng)、驅(qū)動(dòng)與 Python 開(kāi)發(fā)環(huán)境，并未安裝 CUDA、cuDNN 或 TensorRT 等開(kāi)發(fā)庫(kù)，L4T 版本與 JetPack 版本是對(duì)應(yīng)的，請(qǐng)參考下表：

如果要使用 l4t-base 鏡像為基礎(chǔ)，去創(chuàng)建與深度學(xué)習(xí)相關(guān)應(yīng)用的鏡像文件，就需要自行在 Dockerfile 內(nèi)加入 CUDA / cuDNN / TensorRT 以及其他所需要的依賴(lài)庫(kù)與軟件的安裝步驟，以下整理出不同 JetPack 版本所對(duì)應(yīng)的 CUDA / cuDNN / TensorRT / OpenCV 的版本，提供讀者在創(chuàng)建相關(guān)鏡像時(shí)候可以參考：

從上面簡(jiǎn)表可以看出，在 JetPack 4.4 至 4.6 版本的操作系統(tǒng)都是 Ubuntu 18.04、CUDA 版本都是 10.2、Python3 的版本都是 3.6、OpenCV 版本都是 4.1.1，至于 cuDNN 與 TensoRT 則有些微的差異，基本上鏡像文件的兼容性比較高。不過(guò)到了 JetPack 5.0 之后，操作系統(tǒng)升級(jí)至 Ubuntu 20.04 版之后，包括 Python、OpenCV、CUDA 版本的變化就比較大，與 JetPack 4.x 版本的鏡像

基礎(chǔ)容器的版本編號(hào)是對(duì)應(yīng) L4T 版本號(hào)，如下圖：

因此要?jiǎng)?chuàng)建 Jetson 容器的首要工作，就是先確認(rèn)系統(tǒng)的 L4T 版本，然后再挑選合適的基礎(chǔ)鏡像來(lái)進(jìn)行創(chuàng)建的任務(wù)。

• 添加所需軟件的安裝步驟與其他細(xì)節(jié)：

這部分就是將平常安裝軟件的正確步驟加入 Dockerfile，使用 “RUN” 指令來(lái)執(zhí)行所有安裝內(nèi)容，為了要讓容器結(jié)構(gòu)更加簡(jiǎn)化，通常會(huì)將所有需要的依賴(lài)庫(kù)全部放在一個(gè) “RUN” 指令里操作，因此創(chuàng)建者需要先收集并確認(rèn)所需要的內(nèi)容。

由于創(chuàng)建的容器會(huì)以 root 用戶(hù)進(jìn)行操作，因此過(guò)程都不需要用 “sudo” 去取得權(quán)限，可以直接使用 apt-get、pip 或 dpkg 等安裝方式，有些需要預(yù)先下載的 .deb、.whl 或壓縮文件，在使用過(guò)后最好刪除以減少空間的占用。

這部分的細(xì)節(jié)內(nèi)容相當(dāng)繁瑣，需要比較多的執(zhí)行經(jīng)驗(yàn)與整理過(guò)程，對(duì)初學(xué)者來(lái)說(shuō)難度較大，因此本文特別挑選 NVIDIA 高級(jí)工程師所維護(hù)的 jetson-container 開(kāi)源項(xiàng)目，針對(duì)在 Jetson 設(shè)備上創(chuàng)建深度學(xué)習(xí)與 ROS 兩大類(lèi)應(yīng)用，提供各種對(duì)應(yīng)的 Dockerfile 參考內(nèi)容，包括安裝 CUDA、cuDNN、TensorRT、OpenCV、PyTorch、TensorFlow 以及 ROS 相關(guān)環(huán)境的細(xì)節(jié)，讀者可以參考這些內(nèi)容再進(jìn)行調(diào)整。

接下來(lái)就是下載 jetson-container 項(xiàng)目，并且以創(chuàng)建 l4t-ml 容為示范來(lái)進(jìn)行講解其操作的重點(diǎn)，讀者只要比照相同的邏輯進(jìn)行調(diào)整與修改，就能輕松地創(chuàng)建自己的應(yīng)用與開(kāi)發(fā)用途的容器鏡像。

1、下載開(kāi)源項(xiàng)目

項(xiàng)目開(kāi)源倉(cāng)位置在 https://github.com/dusty-nv/jetson-containers，請(qǐng)執(zhí)行以下指令下載到Jetson 設(shè)備上：

gitclonehttps://github.com/dusty-nv/jetson-containerscdjetson-containers

項(xiàng)目倉(cāng)的內(nèi)容總共有將近 60 個(gè)文件，主要分為以下三大類(lèi)：

• 在主目錄下有 12 個(gè)以 “Dockerfile.xxx” 格式命名的文件，作為創(chuàng)建各種容器所需要的配置文件；

• 在 scripts 目錄下有 16 個(gè)創(chuàng)建容器與確認(rèn)各項(xiàng)相關(guān)軟件版本的 .sh 腳本文件；

• 在 test 目錄下有 21 個(gè)測(cè)試用的 Python 代碼。

接下來(lái)分析執(zhí)行的重點(diǎn)。

2、分析創(chuàng)建容器的腳本

這個(gè)項(xiàng)目主要提供深度學(xué)習(xí)與 ROS 兩大應(yīng)用類(lèi)別的容器創(chuàng)建資源，真正的使用入口就是 scripts 目錄下的 docker_build_ml.sh 與 docker_build_ros.sh 這兩個(gè)腳本，其余腳本多是輔助用途的，用來(lái)協(xié)助判斷相關(guān)軟件版本，然后甚至對(duì)應(yīng)變量給執(zhí)行腳本進(jìn)行完整的鏡像創(chuàng)建步驟。

現(xiàn)在以 docker_build_ml.sh 為例來(lái)進(jìn)行說(shuō)明，后面可以加上 all、TensorFlow 或 PyTorch 等機(jī)器學(xué)習(xí)框架選項(xiàng)，現(xiàn)在來(lái)看看腳本的主要內(nèi)容：

（1）確認(rèn)基礎(chǔ)鏡像版本：

前面說(shuō)過(guò)，創(chuàng)建 Docker 鏡像的首要任務(wù)就是要確認(rèn) L4T 版本，然后指定 NGC 中合適的基礎(chǔ)鏡像版本，作為 Dockerfile 中第一個(gè) “FROM” 的參數(shù)，在 “docker build” 過(guò)程中下載這個(gè)鏡像。

• 腳本第 4 行 “source scripts/docker_base.sh” 會(huì)啟動(dòng) docker_base.sh 腳本以確認(rèn)需要下載的基礎(chǔ)鏡像版本；

• 而 docker_base.sh 第 3 行又呼叫 l4t_version.sh 腳本，獲取本系統(tǒng)上的 l4t 版本，例如為 r34.1.1，分別存入以下 5 個(gè)變量之中：

• $L4T_VERSION=34.1.1

• $L4T_RELEASE=34

• $L4T_REVISION=1.1

• $L4T_REVISION_MAJOR=1

• $L4T_REVISION_MINOR=1

然后傳回給 docker_bash.sh 腳本使用；

• docker_base.sh 根據(jù)上面變量決定基礎(chǔ)鏡像版本，存放到 $BASE_IMAGE_L4T 里，例如 “nvcr.io/nvidia/l4t-base:r34.1.1”，這樣就完成了第一個(gè)最重要的工作。

（2）確認(rèn) OpenCV 與 Python 版本：

腳本第 6、7 行分別執(zhí)行 opencv_version.sh 與 python_version.sh，去決定這兩個(gè)部分的版本。

其中 OpenCV 部分經(jīng)過(guò)作者修改之后固定為 4.5.0 版本，并以 $OPENCV_DEB與$OPENCV_URL 變量存放安裝包的下載路徑與名稱(chēng)。而 Python 版本則指定于所使用的 Jetson 設(shè)備上的版本，如果是 JetPack 4.x 版本的設(shè)備則 Python 版本為 3.6，如果是 JetPack 5.0 以后版本的設(shè)備則 Python 版本為 3.8。

（3）確認(rèn)各容器相關(guān)應(yīng)用版本：

這部分主要是 PyTorch 與 TensorFlow 的版本，因?yàn)檫@兩個(gè)是目前深度學(xué)習(xí)領(lǐng)域使用率最高的框架，因此這里就以這兩個(gè)工具為主來(lái)創(chuàng)建深度學(xué)習(xí)的容器鏡像。

腳本第 37~137 行與 160~221 行的內(nèi)容，會(huì)根據(jù) $L4T_RELEASE 變量，分別針對(duì)創(chuàng)建 PyTorch 與 TensorFlow 鏡像所需要的配套資源，提供完整的對(duì)應(yīng)參數(shù)，包括需要賦予對(duì)應(yīng)的下載鏈接、文件名稱(chēng)、鏡像標(biāo)簽（tag）等等信息，在 PyTorch 部分還需要提供 torchvision 與 torchaudio 的版本。

下表是根據(jù) NGC 提供的 l4t-ml 鏡像所整理的各項(xiàng)版本信息：

前面判斷好相關(guān)版本信息之后，就會(huì)分別調(diào)用第 14 行 build_pytorch()與第 142 行 build_tensorflow()分別創(chuàng)建 l4t-pytorch 與 l4t-tensorflow 容器鏡像。

下面截屏是 build_pytorch()的主要內(nèi)容，會(huì)調(diào)用 scripts/docker_build.sh 腳本與目錄下的 Dockerfile.pytorch 配置文件，然后套用 6 個(gè) “--build-arg” 參數(shù)進(jìn)行實(shí)際創(chuàng)建的工作，這樣就完成對(duì) l4t-pytorch 鏡像的創(chuàng)建任務(wù)。

創(chuàng)建 l4t-tensorflow 鏡像的方式也是大致相同，就不重復(fù)說(shuō)明。腳本最后第 229~235 行是創(chuàng)建包含 PyTorch 與 TensorFlow 兩種框架的 l4t-ml 鏡像，主要指令如下：

這樣就完成在 Jetson 上從頭創(chuàng)建深度學(xué)習(xí)相關(guān)的容器鏡像任務(wù)，另一個(gè)創(chuàng)建 ROS 應(yīng)用的 docker_build_ros.sh 腳本內(nèi)容也是雷同，所有的關(guān)鍵就是先確認(rèn) $L4T_RELEASE 版本信息，其他的軟件版本都會(huì)根據(jù)這個(gè)參數(shù)進(jìn)行調(diào)整。

本文先講解這個(gè)開(kāi)源項(xiàng)目?jī)?nèi)的腳本內(nèi)容，下一篇文章會(huì)進(jìn)一步說(shuō)明 Dockerfile 的主要細(xì)節(jié)，這樣就能很輕松地掌握容器鏡像的創(chuàng)建過(guò)程。