从头创建Jetson的容器

使用 Docker 容器的最大好处就是 “独立性强”，在前面文章中我们教大家如何使用 NVIDIA 在 NGC 提供创建好的 l4t-ml 系列镜像为基础，去创建各种机器学习 / 深度学习的开发或部署用途的独立容器，包括各种基于 TensorRT 的推理应用、基于 PyTorch 的各种 YOLO 相关应用等等。

 

但是 l4t-ml 容器内将大部分深度学习所需要的工具全部涵盖进去，使得这个容器镜像变得十分庞大，例如配合 JetPack 5.0 DP 版本的 nvcr.io/nvidia/l4t-ml:r34.1.1-py3 镜像需要占用 16.2G 空间，这对大部分存储空间较为紧凑的 Jetson 边缘设备来说是个不小的负担，需要进一步的优化。

 

熟悉 Docker 创建容器的人都知道，只要使用 “docker build -f DOCKERFILE” 方式就能创建容器，不过 Dockerfile 内容是有复杂度的，至少包含以下两大部分：

 

• 基础镜像

 

这是相对神奇的环节，我们至少得先在一个“以操作系统为基础”的基础镜像文件之上去创建新的容器，不过还好操作系统源头都会提供这些基础镜像，只要我们能找到这些基础镜像的发行位置，就能在 Dockerfile 一开始使用 “FROM” 指令进行导入。

 

在 Jetson 设备上使用的 L4T（Linxun for Tegra）版本 Ubuntu 操作系统是由 NVIDIA 所维护，因此操作系统基础镜像也由 NVIDIA 所提供，并且存放在 NGC 云中心提供下载，可以在 https://catalog.ngc.nvidia.com/orgs/nvidia/containers/l4t-base/tags 上找到详细的内容与下载的指令。

 

l4t-base 容器内只有最基础的操作系统、驱动与 Python 开发环境，并未安装 CUDA、cuDNN 或 TensorRT 等开发库，L4T 版本与 JetPack 版本是对应的，请参考下表：

 

 

如果要使用 l4t-base 镜像为基础，去创建与深度学习相关应用的镜像文件，就需要自行在 Dockerfile 内加入 CUDA / cuDNN / TensorRT 以及其他所需要的依赖库与软件的安装步骤，以下整理出不同 JetPack 版本所对应的 CUDA / cuDNN / TensorRT / OpenCV 的版本，提供读者在创建相关镜像时候可以参考：

 

 

从上面简表可以看出，在 JetPack 4.4 至 4.6 版本的操作系统都是 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 与 TensoRT 则有些微的差异，基本上镜像文件的兼容性比较高。不过到了 JetPack 5.0 之后，操作系统升级至 Ubuntu 20.04 版之后，包括 Python、OpenCV、CUDA 版本的变化就比较大，与 JetPack 4.x 版本的镜像

 

基础容器的版本编号是对应 L4T 版本号，如下图：

 

 

因此要创建 Jetson 容器的首要工作，就是先确认系统的 L4T 版本，然后再挑选合适的基础镜像来进行创建的任务。

 

• 添加所需软件的安装步骤与其他细节：

 

这部分就是将平常安装软件的正确步骤加入 Dockerfile，使用 “RUN” 指令来执行所有安装内容，为了要让容器结构更加简化，通常会将所有需要的依赖库全部放在一个 “RUN” 指令里操作，因此创建者需要先收集并确认所需要的内容。

 

由于创建的容器会以 root 用户进行操作，因此过程都不需要用 “sudo” 去取得权限，可以直接使用 apt-get、pip 或 dpkg 等安装方式，有些需要预先下载的 .deb、.whl 或压缩文件，在使用过后最好删除以减少空间的占用。

 

这部分的细节内容相当繁琐，需要比较多的执行经验与整理过程，对初学者来说难度较大，因此本文特别挑选 NVIDIA 高级工程师所维护的 jetson-container 开源项目，针对在 Jetson 设备上创建深度学习与 ROS 两大类应用，提供各种对应的 Dockerfile 参考内容，包括安装 CUDA、cuDNN、TensorRT、OpenCV、PyTorch、TensorFlow 以及 ROS 相关环境的细节，读者可以参考这些内容再进行调整。

 

接下来就是下载 jetson-container 项目，并且以创建 l4t-ml 容为示范来进行讲解其操作的重点，读者只要比照相同的逻辑进行调整与修改，就能轻松地创建自己的应用与开发用途的容器镜像。

 

1、下载开源项目

 

项目开源仓位置在 https://github.com/dusty-nv/jetson-containers，请执行以下指令下载到 Jetson 设备上：

 

•  
•  

git clone https://github.com/dusty-nv/jetson-containerscd jetson-containers

 

项目仓的内容总共有将近 60 个文件，主要分为以下三大类：

 

• 在主目录下有 12 个以 “Dockerfile.xxx” 格式命名的文件，作为创建各种容器所需要的配置文件；

• 在 scripts 目录下有 16 个创建容器与确认各项相关软件版本的 .sh 脚本文件；

• 在 test 目录下有 21 个测试用的 Python 代码。

 

接下来分析执行的重点。

 

2、分析创建容器的脚本

 

这个项目主要提供深度学习与 ROS 两大应用类别的容器创建资源，真正的使用入口就是 scripts 目录下的 docker_build_ml.sh 与 docker_build_ros.sh 这两个脚本，其余脚本多是辅助用途的，用来协助判断相关软件版本，然后甚至对应变量给执行脚本进行完整的镜像创建步骤。

 

现在以 docker_build_ml.sh 为例来进行说明，后面可以加上 all、TensorFlow 或 PyTorch 等机器学习框架选项，现在来看看脚本的主要内容：

 

（1）确认基础镜像版本：

 

前面说过，创建 Docker 镜像的首要任务就是要确认 L4T 版本，然后指定 NGC 中合适的基础镜像版本，作为 Dockerfile 中第一个 “FROM” 的参数，在 “docker build” 过程中下载这个镜像。

 

• 脚本第 4 行 “source scripts/docker_base.sh” 会启动 docker_base.sh 脚本以确认需要下载的基础镜像版本；

   

• 而 docker_base.sh 第 3 行又呼叫 l4t_version.sh 脚本，获取本系统上的 l4t 版本，例如为 r34.1.1，分别存入以下 5 个变量之中：

• $L4T_VERSION=34.1.1

• $L4T_RELEASE=34 

• $L4T_REVISION=1.1

• $L4T_REVISION_MAJOR=1

• $L4T_REVISION_MINOR=1

然后传回给 docker_bash.sh 脚本使用；

 

• docker_base.sh 根据上面变量决定基础镜像版本，存放到 $BASE_IMAGE_L4T 里，例如 “nvcr.io/nvidia/l4t-base:r34.1.1”，这样就完成了第一个最重要的工作。

 

（2）确认 OpenCV 与 Python 版本：

 

脚本第 6、7 行分别执行 opencv_version.sh 与 python_version.sh，去决定这两个部分的版本。

 

其中 OpenCV 部分经过作者修改之后固定为 4.5.0 版本，并以 $OPENCV_DEB与$OPENCV_URL 变量存放安装包的下载路径与名称。而 Python 版本则指定于所使用的 Jetson 设备上的版本，如果是 JetPack 4.x 版本的设备则 Python 版本为 3.6，如果是 JetPack 5.0 以后版本的设备则 Python 版本为 3.8。

 

（3）确认各容器相关应用版本：

 

这部分主要是 PyTorch 与 TensorFlow 的版本，因为这两个是目前深度学习领域使用率最高的框架，因此这里就以这两个工具为主来创建深度学习的容器镜像。

 

脚本第 37~137 行与 160~221 行的内容，会根据 $L4T_RELEASE 变量，分别针对创建 PyTorch 与 TensorFlow 镜像所需要的配套资源，提供完整的对应参数，包括需要赋予对应的下载链接、文件名称、镜像标签（tag）等等信息，在 PyTorch 部分还需要提供 torchvision 与 torchaudio 的版本。

 

下表是根据 NGC 提供的 l4t-ml 镜像所整理的各项版本信息：

 

 

前面判断好相关版本信息之后，就会分别调用第 14 行 build_pytorch() 与第 142 行 build_tensorflow() 分别创建 l4t-pytorch 与 l4t-tensorflow 容器镜像。

 

下面截屏是 build_pytorch() 的主要内容，会调用 scripts/docker_build.sh 脚本与目录下的 Dockerfile.pytorch 配置文件，然后套用 6 个 “--build-arg” 参数进行实际创建的工作，这样就完成对 l4t-pytorch 镜像的创建任务。

 

 

创建 l4t-tensorflow 镜像的方式也是大致相同，就不重复说明。脚本最后第 229~235 行是创建包含 PyTorch 与 TensorFlow 两种框架的 l4t-ml 镜像，主要指令如下：

 

 

这样就完成在 Jetson 上从头创建深度学习相关的容器镜像任务，另一个创建 ROS 应用的 docker_build_ros.sh 脚本内容也是雷同，所有的关键就是先确认 $L4T_RELEASE 版本信息，其他的软件版本都会根据这个参数进行调整。

 

本文先讲解这个开源项目内的脚本内容，下一篇文章会进一步说明 Dockerfile 的主要细节，这样就能很轻松地掌握容器镜像的创建过程。

 

 

　　审核编辑：汤梓红