Skip to main content

Docker 入门指南

note

本文档由 AI 翻译。如您发现内容有误或有改进建议，欢迎通过页面下方的评论区，或在以下 Issue 页面中告诉我们：https://github.com/Seeed-Studio/wiki-documents/issues

本文转载自 Ajeet 在 collabnix.com 上撰写的 博客。所有版权归原作者所有。

上周，我有幸首次接触到最新的 Seeed Studio reComputer J1020 边缘 AI 设备。reComputer J1020 由 Jetson Nano 开发套件提供支持。这是一台小型、手掌大小的强大计算机，为嵌入式开发者带来了现代 AI 的强大功能。这款售价 259 美元的小型设备基于 NVIDIA Jetson Nano 系统模块构建，专为边缘 AI 应用设计。该设备可以并行运行多个神经网络，用于图像分类、目标检测、分割和语音处理等应用。凭借丰富的扩展模块、工业级外设和热管理功能，reComputer J1020 准备好帮助您通过部署流行的 DNN 模型和 ML 框架到边缘并以高性能进行推理，加速和扩展下一代 AI 产品，用于实时分类、目标检测、姿态估计、语义分割和自然语言处理 (NLP) 等任务。

reComputer J1020 的独特之处是什么？​

Seeed Studio reComputer J1020 提供了构建 AI 应用所需的一切。与 NVIDIA 提供的 Jetson Nano 开发套件相比，它不需要从头开始在 SD 卡上刷写操作系统。它预装了 Ubuntu 操作系统在 16 GB eMMC 上。reComputer 预装的 Jetpack 4.6 包括板支持包 (BSP)、Linux 操作系统、NVIDIA CUDA、cuDNN 和 TensorRT 软件库，用于深度学习、计算机视觉、GPU 计算、多媒体处理等。它支持整个 Jetson 软件栈 和各种 开发工具，由 Seeed Edge AI 合作伙伴提供，用于 构建快速且强大的 AI 应用。

一些显著特点包括​

  • 128 个 NVIDIA CUDA® 核心 – 提供 0.5 TFLOPs (FP16)，用于运行 AI 框架和模型，例如图像分类、目标检测、分割和语音处理。
  • 配备 Armv8 处理器
  • 搭载 NVIDIA Tegra X1(nvgpu)/集成
  • 磁盘容量为 16GB
  • 4GB 内存
  • 64 位操作系统类型
  • Ubuntu 18.04.5
  • Seeed Studio reComputer 预装了 JetPack 4.6 系统
  • 无需刷写 SD 卡，操作系统已预装
  • 支持 CUDA 10.2.300
  • CUDA 架构：5.3
  • OpenCV 版本：4.1.1

了解更多关于 reComputer 的硬件布局

reComputer 的组件​

它包含以下部件列表：

  • NVIDIA Jetson Nano x1
  • Seed 参考载板 x1
  • 被动铝制散热片 x1
  • 铝制外壳 x1
  • 12V 电源适配器 x1
  • 4 个 USB 3.0 接口
  • 2 个 HDMI 接口
  • MIPI-CSI 摄像头连接器
  • 控制和 UART 接口
  • 40 针扩展接口 (GPIO, I2C, 接口)
  • 260 针 SODIMM
  • MicroUSB
  • 千兆以太网接口
  • LED 灯

硬件设置​

要开始使用，您需要以下最低连接器：

  • 电源线
  • WiFi 模块 / 千兆以太网线
  • WiFi 键盘和鼠标的 USB 接收器
  • HDMI 显示器连接

运行 CUDA deviceQuery​

cd /usr/local/cuda/samples/1_Utilities/deviceQuery
sudo make 
./deviceQuery

以下是结果：

./deviceQuery Starting...

 CUDA Device Query (Runtime API) version (CUDART static linking
Detected 1 CUDA Capable device(s)

Device 0: "NVIDIA Tegra X1"
  CUDA Driver Version / Runtime Version          10.2 / 10.2
  CUDA Capability Major/Minor version number:    5.3
  Total amount of global memory:                 3956 MBytes (4148273152 bytes)
  ( 1) Multiprocessors, (128) CUDA Cores/MP:     128 CUDA Cores
  GPU Max Clock rate:                            922 MHz (0.92 GHz)
  Memory Clock rate:                             13 Mhz
  Memory Bus Width:                              64-bit
  L2 Cache Size:                                 262144 bytes
  Maximum Texture Dimension Size (x,y,z)         1D=(65536), 2D=(65536, 65536), 3D=(4096, 4096, 4096)
  Maximum Layered 1D Texture Size, (num) layers  1D=(16384), 2048 layers
  Maximum Layered 2D Texture Size, (num) layers  2D=(16384, 16384), 2048 layers
  Total amount of constant memory:               65536 bytes
  Total amount of shared memory per block:       49152 bytes
  Total number of registers available per block: 32768
  Warp size:                                     32
  Maximum number of threads per multiprocessor:  2048
  Maximum number of threads per block:           1024
  Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
  Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
  Maximum memory pitch:                          2147483647 bytes
  Texture alignment:                             512 bytes
  Concurrent copy and kernel execution:          Yes with 1 copy engine(s)
  Run time limit on kernels:                     Yes
  Integrated GPU sharing Host Memory:            Yes
  Support host page-locked memory mapping:       Yes
  Alignment requirement for Surfaces:            Yes
  Device has ECC support:                        Disabled
  Device supports Unified Addressing (UVA):      Yes
  Device supports Compute Preemption:            No
  Supports Cooperative Kernel Launch:            No
  Supports MultiDevice Co-op Kernel Launch:      No
  Device PCI Domain ID / Bus ID / location ID:   0 / 0 / 0
  Compute Mode:
     < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >
deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 10.2, CUDA Runtime Version = 10.2, NumDevs = 1

Result = PASS

在 reComputer Jetson Nano 上运行 Docker​

Docker 是一套用于创建、共享和运行独立容器的软件开发工具。它是一个容器化平台，将您的应用程序及其所有依赖项打包成 Docker 容器的形式，以确保您的应用程序能够在任何环境中无缝运行。Docker 容器是一个标准化的单元，可以即时创建以部署特定的应用程序或环境。

如今开发任何类型的应用程序都非常复杂，不仅仅是编写代码。涉及多种编程语言、Web 框架、复杂的架构，以及每个生命周期阶段工具之间的不连续接口，这些都增加了巨大的复杂性。Docker 简化并加速了您的工作流程，同时让开发人员可以自由选择工具、应用程序栈和每个项目的部署环境。它使您能够将应用程序与基础设施分离，从而快速交付软件。

Docker 在 reComputer J1020（一个基于 Jetson Nano 的开发套件）上获得官方支持。该套件默认预装了最新版本的 Docker。您可以通过运行以下命令验证 Docker 的版本：

sudo docker version

Client: Docker Engine - Community
 Cloud integration: v1.0.25
 Version:           20.10.17
 API version:       1.41
 Go version:        go1.17.11
 Git commit:        100c701
 Built:             Mon Jun  6 23:02:19 2022
 OS/Arch:           linux/arm64
 Context:           default
 Experimental:      true


Server: Docker Engine - Community
 Engine:
  Version:          20.10.17
  API version:      1.41 (minimum version 1.12)
  Go version:       go1.17.11
  Git commit:       a89b842
  Built:            Mon Jun  6 23:00:46 2022
  OS/Arch:          linux/arm64
  Experimental:     false
 containerd:
  Version:          1.6.6
  GitCommit:        10c12954828e7c7c9b6e0ea9b0c02b01407d3ae1
 runc:
  Version:          1.1.2
  GitCommit:        v1.1.2-0-ga916309
 docker-init:
  Version:          0.19.0
  GitCommit:        de40ad0

安装 Docker Compose​

reComputer Jetson 默认未安装 Docker Compose。您可以按照以下步骤在系统中安装 Docker Compose：

export DOCKER_COMPOSE_VERSION=2.6.0
sudo apt-get install libhdf5-dev
sudo apt-get install libssl-dev
sudo pip3 install docker-compose=="${DOCKER_COMPOSE_VERSION}"
apt install python3
apt install python3-pip
pip install docker-compose

安装最新版本的 CUDA 工具包​

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/sbsa/cuda-ubuntu1804.pin
sudo mv cuda-ubuntu1804.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/11.3.1/local_installers/cuda-repo-ubuntu1804-11-3-local_11.3.1-465.19.01-1_arm64.deb
sudo dpkg -i cuda-repo-ubuntu1804-11-3-local_11.3.1-465.19.01-1_arm64.deb
sudo apt-key add /var/cuda-repo-ubuntu1804-11-3-local/7fa2af80.pub
sudo apt-get update
sudo apt-get -y install cuda

验证 Docker 运行时​

docker info | grep runtime

 Runtimes: nvidia runc io.containerd.runc.v2 io.containerd.runtime.v1.linuxs

运行您的第一个 Python 容器​

让我们通过运行以下命令测试一个简单的基于 Arm 的 Python Docker 镜像：

sudo docker run arm64v8/python:slim ls

使用 JTOP Docker 容器监控 CPU、GPU 和内存​

在本节中，您将学习如何设置一个系统监控工具来监控 CPU、RAM 和 GPU。我们将使用 JTOP 工具。JTOP 是一个运行在终端上的系统监控工具，可以实时查看和控制 reComputer Jetson Nano 套件的状态，包括 CPU、RAM、GPU 的状态和频率。您将学习如何将该工具容器化。让我们开始吧——

首先，创建一个包含以下内容的 Dockerfile：

FROM python:3-alpine

RUN apk update \

    && apk --no-cache add bash \

    && pip install jetson-stats \

    && rm -rf /var/cache/apk/*

第一行表明我们选择了 python:3-alpine 作为基础镜像。第二行安装了 jetson-stats 和相关依赖包。

构建 JTOP Docker 镜像​

使用 docker build CLI 构建 Docker 镜像：

docker build -t ajeetraina/jetson-stats-nano .

运行 JTOP Docker 容器​

现在是运行 Docker 容器的时候了，通过传递 --gpus 参数并将其挂载到 jtop 套接字。

docker run --rm -it --gpus all -v /run/jtop.sock:/run/jtop.sock ajeetraina/jetson-stats-nano jtop

您将看到以下结果：

在我们的下一篇博客文章中，我们将看到如何在 Docker 容器中运行 OpenDatacam 实现车辆识别。敬请期待！

请查看以下带有教程的应用示例！

关注 Ajeet：

技术支持与产品讨论​

感谢您选择我们的产品！我们致力于为您提供多种支持，以确保您使用我们的产品时能够获得尽可能顺畅的体验。我们提供多个沟通渠道，以满足不同的偏好和需求。

Loading Comments...