第4章开发环境搭建（二）

4、开发环境搭建（二）：Docker容器化环境搭建、使用NVIDIA Docker进行GPU加速、Dockerfile编写最佳实践

上一节我们把基础开发环境搞定了。但说实话，搞嵌入式视觉最头疼的就是环境迁移——你在一台机器上配好的OpenCV、TensorRT、CUDA，换台机器就得重来一遍。我早期做项目时，光配环境就花了两天，结果同事的Ubuntu版本不一样，又折腾半天。

Docker就是来解决这个问题的。它把你的整个开发环境打包成一个“集装箱”，拿到哪都能跑。今天我们就聊聊怎么用Docker搭建深度视觉的开发环境，特别是怎么让容器用上GPU。

为什么非得用Docker？

你想想看，一个典型的深度视觉项目依赖什么？CUDA、cuDNN、TensorRT、OpenCV、PyTorch或TensorFlow……这些库的版本稍微不对付，就可能出幺蛾子。Docker把整个环境固化下来，团队里每个人拉同一个镜像，结果就是一致的。

我在项目中遇到过最典型的情况：客户现场需要部署模型，但对方的系统是Ubuntu 20.04，我们开发用的是22.04。如果没有Docker，光是解决CUDA版本兼容问题就够喝一壶的。有了Docker，直接把镜像丢过去，pull下来就能跑。

  核心思想： Docker让“在我机器上能跑”变成“在任何机器上都能跑”。

Docker基础概念速览

如果你之前没用过Docker，这几个概念得先搞明白：

镜像（Image）： 一个只读的模板，包含运行环境的所有文件。好比一个ISO安装盘。
容器（Container）： 镜像的运行实例。你可以启动、停止、删除它。好比用ISO装好的操作系统。
Dockerfile： 一个文本文件，里面写了如何构建镜像的指令。好比安装脚本。
仓库（Registry）： 存放镜像的地方。最常用的是Docker Hub。

说白了，你写一个Dockerfile，然后build成镜像，最后run成容器。就这么简单。

安装Docker Engine

在Ubuntu上安装Docker，我建议用官方仓库，别用apt自带的版本——太老了。

# 卸载旧版本
sudo apt-get remove docker docker-engine docker.io containerd runc

# 安装依赖
sudo apt-get update
sudo apt-get install ca-certificates curl gnupg lsb-release

# 添加Docker官方GPG密钥
sudo mkdir -p /etc/apt/keyrings
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg

# 设置仓库
echo \
  "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu \
  $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

# 安装Docker Engine
sudo apt-get update
sudo apt-get install docker-ce docker-ce-cli containerd.io docker-compose-plugin

# 验证安装
sudo docker run hello-world

看到“Hello from Docker!”就说明装好了。嗯，这里要注意：默认情况下，运行docker命令需要sudo。我习惯把当前用户加到docker组里，省得每次输密码。

sudo usermod -aG docker $USER
# 然后退出重新登录，或者执行 newgrp docker

小技巧： 加完组后如果还是报权限错误，重启一下Docker服务：sudo systemctl restart docker

安装NVIDIA Container Toolkit

做深度视觉，GPU是刚需。但Docker容器默认是访问不到宿主机的GPU的。NVIDIA Container Toolkit就是用来打通这条路的。

我曾经踩过一个坑：在容器里跑PyTorch，结果发现它用的是CPU，训练速度慢得让人抓狂。后来才发现是没装NVIDIA Container Toolkit。

# 设置NVIDIA容器工具包仓库
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

# 安装
sudo apt-get update
sudo apt-get install -y nvidia-docker2

# 重启Docker
sudo systemctl restart docker

# 验证GPU是否可用
sudo docker run --rm --gpus all nvidia/cuda:11.8.0-base-ubuntu22.04 nvidia-smi

如果能看到GPU信息，就说明配置成功了。注意--gpus all这个参数，它告诉Docker把宿主机所有GPU都挂载到容器里。你也可以指定某一块：--gpus '"device=0"'。

避坑指南： 我曾经在Ubuntu 22.04上装nvidia-docker2时遇到依赖冲突。解决方案是先升级libnvidia-container-tools：sudo apt-get install --only-upgrade libnvidia-container-tools

编写Dockerfile：最佳实践

Dockerfile是构建镜像的蓝图。写得好不好，直接影响镜像大小、构建速度和安全性。我总结了几条经验：

1. 选择合适的基础镜像

别用ubuntu:latest这种大而全的镜像。做深度视觉，我推荐直接用NVIDIA官方提供的CUDA镜像：

# 推荐：带CUDA 11.8和cuDNN 8的Ubuntu 22.04
FROM nvidia/cuda:11.8.0-cudnn8-devel-ubuntu22.04

# 不推荐：自己从零装CUDA，容易出兼容问题
# FROM ubuntu:22.04

为什么？因为NVIDIA官方镜像已经帮你配好了CUDA和cuDNN的路径，省去很多麻烦。

2. 分层构建，利用缓存

Docker构建镜像时，每一行指令都会生成一个层。如果某层没变，Docker会复用缓存。所以要把变化少的指令放前面：

# 先装系统依赖（变化少）
RUN apt-get update && apt-get install -y \
    python3 \
    python3-pip \
    libgl1-mesa-glx \
    libglib2.0-0 \
    && rm -rf /var/lib/apt/lists/*

# 再装Python包（变化中等）
COPY requirements.txt .
RUN pip3 install --no-cache-dir -r requirements.txt

# 最后复制代码（变化最频繁）
COPY . /app

这样你改代码后重新构建，只需要重新执行最后两步，前面都走缓存，速度飞快。

3. 合并RUN指令，减少层数

每一条RUN指令都会增加一层。层数太多不仅让镜像变大，还会降低性能。我习惯用&&把多个命令串起来：

RUN apt-get update && \
    apt-get install -y --no-install-recommends \
        python3 \
        python3-pip \
        libgl1-mesa-glx && \
    apt-get clean && \
    rm -rf /var/lib/apt/lists/*

注意--no-install-recommends这个参数，它只装核心依赖，不装推荐包，能省不少空间。

4. 使用多阶段构建

如果你的项目需要编译源码（比如编译OpenCV），编译过程中会产生大量临时文件。多阶段构建可以让你只保留最终产物：

# 第一阶段：编译
FROM nvidia/cuda:11.8.0-cudnn8-devel-ubuntu22.04 AS builder
WORKDIR /build
COPY opencv_src/ .
RUN cmake ... && make -j$(nproc)

# 第二阶段：运行
FROM nvidia/cuda:11.8.0-cudnn8-runtime-ubuntu22.04
COPY --from=builder /build/install /usr/local
COPY app.py /app/
CMD ["python3", "/app/app.py"]

最终镜像只包含运行时需要的文件，编译工具链全被丢弃了。我有个项目用这个方法，镜像从2.3GB降到了680MB。

5. 不要以root运行

安全起见，容器里最好用非root用户运行应用：

RUN useradd -m -u 1000 appuser
USER appuser
WORKDIR /home/appuser

这样即使容器被攻破，攻击者也拿不到root权限。

完整的Dockerfile示例

下面是一个深度视觉项目的Dockerfile，融合了上面所有最佳实践：

# 使用NVIDIA CUDA 11.8 + cuDNN 8 开发镜像
FROM nvidia/cuda:11.8.0-cudnn8-devel-ubuntu22.04 AS builder

# 避免交互式安装
ENV DEBIAN_FRONTEND=noninteractive

# 安装系统依赖
RUN apt-get update && \
    apt-get install -y --no-install-recommends \
        python3 \
        python3-pip \
        python3-dev \
        build-essential \
        cmake \
        git \
        libgl1-mesa-glx \
        libglib2.0-0 \
        libsm6 \
        libxext6 \
        libxrender-dev \
        libgomp1 \
        wget \
    && apt-get clean \
    && rm -rf /var/lib/apt/lists/*

# 安装Python依赖
COPY requirements.txt .
RUN pip3 install --no-cache-dir -r requirements.txt

# 第二阶段：运行时镜像
FROM nvidia/cuda:11.8.0-cudnn8-runtime-ubuntu22.04

ENV DEBIAN_FRONTEND=noninteractive \
    PYTHONUNBUFFERED=1

# 只复制运行时需要的库
RUN apt-get update && \
    apt-get install -y --no-install-recommends \
        python3 \
        python3-pip \
        libgl1-mesa-glx \
        libglib2.0-0 \
        libsm6 \
        libxext6 \
        libxrender-dev \
        libgomp1 \
    && apt-get clean \
    && rm -rf /var/lib/apt/lists/*

# 从builder阶段复制Python包
COPY --from=builder /usr/local/lib/python3.10/dist-packages /usr/local/lib/python3.10/dist-packages
COPY --from=builder /usr/local/bin /usr/local/bin

# 创建非root用户
RUN useradd -m -u 1000 appuser
USER appuser
WORKDIR /home/appuser

# 复制应用代码
COPY --chown=appuser:appuser . .

# 设置入口
CMD ["python3", "main.py"]

构建与运行

写好Dockerfile后，构建镜像：

docker build -t deepvision:1.0 .

运行容器并挂载GPU：

docker run --gpus all -it --rm \
    -v $(pwd)/data:/home/appuser/data \
    -v $(pwd)/models:/home/appuser/models \
    deepvision:1.0

-v参数把宿主机的目录挂载到容器里，这样你修改代码后不需要重新构建镜像，容器里就能看到最新文件。我开发时经常这么干，省去了反复build的时间。

知识体系总览

下面这张图总结了Docker容器化环境搭建的核心流程和关键点：

避坑指南

最后分享几个我踩过的坑：

镜像太大： 我第一次构建的镜像有3.5GB，后来发现是没清理apt缓存。加上rm -rf /var/lib/apt/lists/*后降到1.8GB。
时区问题： 容器默认是UTC时间。如果日志需要本地时间，在Dockerfile里加一行：ENV TZ=Asia/Shanghai。
中文乱码： 容器里可能没有中文字体。如果要做图像处理显示中文，记得装字体：apt-get install fonts-wqy-zenhei。
磁盘空间： Docker不会自动清理旧镜像。我习惯定期执行docker system prune -a，能释放不少空间。

好了，Docker容器化环境搭建就聊到这儿。这套流程我在多个项目里验证过，稳定可靠。你按着步骤来，应该不会出大问题。

📚 课程目录

4、开发环境搭建（二）：Docker容器化环境搭建、使用NVIDIA Docker进行GPU加速、Dockerfile编写最佳实践

为什么非得用Docker？

Docker基础概念速览

安装Docker Engine

安装NVIDIA Container Toolkit

编写Dockerfile：最佳实践

1. 选择合适的基础镜像

2. 分层构建，利用缓存

3. 合并RUN指令，减少层数

4. 使用多阶段构建

5. 不要以root运行

完整的Dockerfile示例

构建与运行

知识体系总览

避坑指南