使用Docker容器的入門技巧

上一篇內容為大家介紹了從 NVIDIA NGC 下載 DeepStream 6.1 的容器版鏡像到本地在 Jetson 上設備的基礎指令，不過在正式使用容器版 DeepStream6.1 之前，我們還是需要為入門用戶提供基本的使用方式與一些小技巧。

Jetson Orin 開發(fā)套件內置 64GB EMMC 存儲，并且很容易擴充 64G 甚至更大的 NVME 存儲設備，可以有非常充沛的空間，在這種情況下就非常推薦使用 Docker 容器技術，能有效簡化應用軟件的安裝與調試工作，非常適合用來開發(fā)與部署較為復雜的多功能智能應用，并且在 NVIDIA NGC 上提供了非常豐富的 Docker 版本應用鏡像文件，用戶只要一條指令便可輕松下載使用，這是邊緣計算非常重要的一項應用技術。

Docker 是一種比較新的 “容器” 技術，是 NVIDIA 近年來非常大力推廣的應用重點，越來越多的 GPU 開發(fā)環(huán)境都以 Docker 鏡像（或稱為 “倉” ）形式提供，具備以下的優(yōu)點與特性：

1、輕量級：這是相較于虛擬機的比對，容器內不需要獨立操作系統(tǒng)，它是基于主機上的操作系統(tǒng)，透過一些映射指令去指向資源路徑。大部分的容器鏡像都在數十 MB 到數 GB 大小規(guī)模。

2、硬件調度能力：這是 NVIDIA 非常喜歡 Docker 容器技術的重點之一，虛擬機環(huán)境對 GPU 支持能力并不好，得透過底層穿透（pass through）方式調用，但容易影響系統(tǒng)穩(wěn)定性。Docker 容器直接與操作系統(tǒng)交互運作，只要主機上操作系統(tǒng)裝好 NVIDIA GPU 的驅動，甚至不需要安裝 CUDA 開發(fā)包，在 Docker 容器內就能輕松用上 GPU 并行計算的功能。

3、封裝完整：相較于 conda 或 virtualenv 這類環(huán)境虛擬技術而言，Docker 容器的封裝更為完整而且獨立，這在開發(fā) Python 相關應用時更加明顯，因為 Python 版本升級太頻繁，相關依賴包之間的版本牽動關系復雜，而 Docker 容器的封裝就顯得非常有效，并且移植十分簡便。

Docker 作為一個開源的應用容器引擎，允許開發(fā)者很方便地打包應用程序和依賴庫到可移植的容器中，然后發(fā)布到任何流行的 Linux 設備上，Docker 完全使用沙箱機制，容器之間相互獨立，不存在任何接口，因此，允許開發(fā)者在同一臺機器上，運行不同環(huán)境的應用程序與服務，大大簡化應用程序（或者服務）的運維操作，同時也提高了開發(fā)與測試效率。

對于 CUDA 設備的調用，需要 NVIDIA 自行開發(fā)的 nvidia-docker2 指令轉換插件的協(xié)助，在 x86 設備上都需要自行安裝 Docker 管理機制與 nvidia-docker2 界面，不過 JetPack 都為 Jetson 安裝好了這兩個元件，我們只要使用就可以。

現在就開始教大家如何使用 Docker 容器，以及從 NVIDIA NGC 中心下載可以在 Jetson 設備上使用的鏡像。

1、檢查 Docker 環(huán)境與修改儲存路徑：

用 JetPack 安裝好系統(tǒng)之后，直接輸入以下指令，就能檢查目前系統(tǒng)中 Docker 的所有狀態(tài)信息：

sudo  docker  info

可以看到一長串關于 Docker 環(huán)境的內容，由于信息量較大就不在這里單獨列出所有內容。如果要單純查看版本號，只要執(zhí)行以下指令就可以：

sudo  docker  version

現在會看到如下版本信息，包括用戶（Client）端與服務（Server）端：

如果要看最簡單的版本信息，那么下面指令是最適合的：

sudo  docker  --version

要檢查目前 Docker 系統(tǒng)放置鏡像文件的路徑，可以執(zhí)行以下指令：

sudo  docker  info  |  grep  -i  root

系統(tǒng)預設的存放路徑為 /var/lib/docker，如果有自己添加的額外 NVME 存儲設備，可以在 /etc/docker/daemon.json 文件中添加以下指令，調整存放路徑：

# 文件 /etc/docker/daemon.json{"data-root": "<自己指定路徑>",    "runtimes": {        "nvidia": {            "path": "nvidia-container-runtime",            "runtimeArgs": []        }    }}

修改完后執(zhí)行以下指令，讓新的設定值生效：

sudo  systemctl  daemon-reloadsudosystemctlrestartdocker.service

現在可以檢查看看存儲的路徑是否更新。

2、簡化 Docker 指令：

這個應用完全依賴指令操作，在 Ubuntu 操作系統(tǒng)時又需要 “sudo” 取得操作權限，例如執(zhí)行 “docker info” 指令，會出現下面信息，表示權限不足。

我們可以執(zhí)行以下步驟，在執(zhí)行 Docker 指令時可以不需要使用 “sudo”：

sudo  groupadd  dockersudo  gpasswd  -a  ${USER}  dockersudo  service  docker  restartnewgrp-docker

當然，這只是簡化權限的問題，僅提供一個參考。

3、從 NGC 尋找合適的鏡像文件：

訪問http://ngc.nvidia.com/會出現如下畫面，在左上方 “搜索欄（漏斗圖標）” 中輸入“l(fā)4t”關鍵字，就會列出能在 Jetson 上運行的鏡像列表。

目前已經提供近 20 個容器鏡像，分為以下 6 大類別：

（1）基礎類：

• NVIDIA L4T Base：

https://catalog.ngc.nvidia.com/orgs/nvidia/containers/l4t-base

• NVIDIA L4T CUDA：

https://catalog.ngc.nvidia.com/orgs/nvidia/containers/l4t-cuda

• NVIDIA Container Toolkit：

https://catalog.ngc.nvidia.com/orgs/nvidia/teams/k8s/containers/container-toolkit

（2）深度學習類：

• NVIDIA L4T ML：深度學習綜合開發(fā)環(huán)境

https://catalog.ngc.nvidia.com/orgs/nvidia/containers/l4t-ml

• NVIDIA L4T PyTorch：

https://catalog.ngc.nvidia.com/orgs/nvidia/containers/l4t-pytorch

• NVIDIA L4T TensorFlow：

https://catalog.ngc.nvidia.com/orgs/nvidia/containers/l4t-tensorflow

• NVIDIA L4T TensorRT：

https://catalog.ngc.nvidia.com/orgs/nvidia/containers/l4t-tensorrt

（3）視覺類：

• DeepStream-l4t

https://catalog.ngc.nvidia.com/orgs/nvidia/containers/deepstream-l4t

• DeepStream L4T - Intelligent Video Analytics Demo

https://catalog.ngc.nvidia.com/orgs/nvidia/helm-charts/video-analytics-demo-l4t

• DeepStream People Detection Demo on Jetson

https://catalog.ngc.nvidia.com/orgs/nvidia/containers/deepstream-peopledetection

• Gaze Demo for Jetson/L4T

https://catalog.ngc.nvidia.com/orgs/nvidia/containers/jetson-gaze

• Pose Demo for Jetson/L4T

https://catalog.ngc.nvidia.com/orgs/nvidia/containers/jetson-pose

（4）對話類：

• Voice Demo for Jetson/L4T

https://catalog.ngc.nvidia.com/orgs/nvidia/containers/jetson-voice

• Riva Speech Skills

https://catalog.ngc.nvidia.com/orgs/nvidia/teams/riva/containers/riva-speech

（5）教學類：

• DLI Getting Started with AI on Jetson Nano

https://catalog.ngc.nvidia.com/orgs/nvidia/teams/dli/containers/dli-nano-ai

• DLI Building Video AI Applications at the Edge on Jetson Nano

https://catalog.ngc.nvidia.com/orgs/nvidia/teams/dli/containers/dli-nano-deepstream

（6）醫(yī)療類：專屬于 Clara AGX 的應用容器鏡像。

4、下載 NVIDIA L4T ML 鏡像并創(chuàng)建容器

這是能在 Jetson 設備上執(zhí)行的最完整的機器學習（MachineLearning）軟件棧鏡像，訪問 https://catalog.ngc.nvidia.com/orgs/nvidia/containers/l4t-ml 之后就能看到容器內所包含的內容，以 l4t-ml:r32.6.1-py3 版本為例，其打包的工具與功能庫如下：

• TensorFlow 1.15.5

• PyTorch v1.9.0

• torchvision v0.10.0

• torchaudio v0.9.0

• onnx 1.8.0

• CuPy 9.2.0

• numpy 1.19.5

• numba 0.53.1

• OpenCV 4.5.0 (with CUDA)

• pandas 1.1.5

• scipy 1.5.4

• scikit-learn 0.23.2

• JupyterLab 2.2.9

這已經涵蓋我們所需要的絕大部分內容，只要下載鏡像后生成執(zhí)行的容器，就能直接使用里面的開發(fā)環(huán)境，這樣能節(jié)省非常大量的安裝與調試的時間。

點擊頁面右上角 “Pull Tag” 按鈕，會列出目前可下載版本的鏡像文件，最好選擇配合目前 JetPack 版本的鏡像，例如用 JetPack5.0 DP 安裝的 Jetson Orin 開發(fā)套件，其 L4T 版本為 34.1.1，就用下面指令下載 r34.1.1-py3 鏡像：

docker  pull  nvcr.io/nvidia/l4t-ml:r34.1.1-py3

下載完成之后可以用以下指令檢查：

docker  images

如果出現以下信息，則表示下載完成。

REPOSITORY        TAG           IMAGE ID       CREATED      SIZEnvcr.io/nvidia/l4t-mlr34.1.1-py393c715e8751b6weeksago16.2GB

這個方法可以用在任何 L4T 版本鏡像文件上。

下一篇文章我們將進一步帶著大家用這個鏡像文件去創(chuàng)建容器，并且開始執(zhí)行演示或開發(fā)的內容。

審核編輯：湯梓紅