如何使用docker构建目标检测算法的运行环境

1. windows环境下下载docker

1.1 windows桌面版的docker配置

• 在docker官网下载docker hub并安装：docker官网地址 ，自行安装。
• 对windows环境中可能存在的问题进行的基础配置：链接地址

1.2 测试docker环境是否安装正确

• 基础配置设置：为了提高在后续镜像环境的下载速度，加入国内的镜像源。本人加入的是中科大的镜像源地址：https://docker.mirrors.ustc.edu.cn，具体加入方法如下：
  
• 测试docker环境是否安装正确： 在命令行下输入：docker-v得到如下信息
  
  输入：docker run hello-world 得到如下信息。
  
  输入:docker images。可以看到目前我们的docker镜像只有hello-world
  
  其中： pepository：为镜像的名字，TAG：为镜像的版本号,IMAG ID：为镜像的ID

2. 深度学习环境镜像的制作

2.1 mmdetection源码的下载和版本的选择

• 在github官网上搜索mmdetection不同版本的代码网络链接，选取stars最高的代码。
  
• 下载源码至本地
  
  由于各版本存在差异，此次下载的为最新版本，若想下载不同版本，可以做如下操作
  
• 查看docker中的Dockerfile,打开dockerfile文件，查看cuda、pytorch等包的版本号。

可以看到，在dockerfile文件中已经配置好当前版本号所对应的各种包的版本号，我们所需要关注的是pytorch、cuda的版本号，由于每个人的cuda版本号是不一样的，我们可以自己设置我们所需要的cuda版本号。
注意： 版本号的变换，需要遵循官方给出的版本号建议，链接，我们可以针对不同版本的cuda和pytorch选择。

2.2 采用dockerfile 制作mmdetection的镜像

• 采用docker build -t [dockerfile的地址] 镜像的名字：版本号，如下所示：
  
  其中镜像的名字、版本号可以自己指定。下载完毕后
• 采用docker imges查看镜像
• 使用docker save -o [xxx.tar] [镜像ID]，将本地下载的镜像打包为xxx.tar
• 将打包好的镜像上传后，在服务器上采用: docker load < xxx.tar，将上传的镜像载入服务器中。
  

致此：docker环境下的mmdetection环境制作完毕。

如果我们想制作其他深度学习的镜像，如yolox的，我们可以使用本次制作的mmdetection镜像，在本地创建容器，然后采用pip命令下载yolox中所需要的包，然后将容器固化为镜像即可。

ARG PYTORCH="1.8.0"
ARG CUDA="11.1"
ARG CUDNN="7"

FROM pytorch/pytorch:${PYTORCH}-cuda${CUDA}-cudnn${CUDNN}-devel

ENV TORCH_CUDA_ARCH_LIST="6.0 6.1 7.0+PTX"
ENV TORCH_NVCC_FLAGS="-Xfatbin -compress-all"
ENV CMAKE_PREFIX_PATH="$(dirname $(which conda))/../"
RUN apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/3bf863cc.pub
RUN apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64/7fa2af80.pub
RUN apt-get update && apt-get install -y ffmpeg libsm6 libxext6 git ninja-build libglib2.0-0 libsm6 libxrender-dev libxext6 \
    && apt-get clean \
    && rm -rf /var/lib/apt/lists/*



RUN apt-getl install -i https://pypi.mirrors.ustc.edu.cn/simple/   scipy==1.4.1 \
        && apt-getl install -i https://pypi.mirrors.ustc.edu.cn/simple/ torchvision==0.9.0 \
        && apt-getl install -i https://pypi.mirrors.ustc.edu.cn/simple/   numpy\
        && apt-getl install -i https://pypi.mirrors.ustc.edu.cn/simple/   opencv-python \
 	&& apt-getl install  install -i https://pypi.mirrors.ustc.edu.cn/simple/   PyYAML \
	&& apt-getl install  install -i https://pypi.mirrors.ustc.edu.cn/simple/   tqdm \
	&& apt-getl install install -i https://pypi.mirrors.ustc.edu.cn/simple/  addict \
	&& apt-getl install install -i https://pypi.mirrors.ustc.edu.cn/simple/  pycocotools \
	&& apt-getl install install -i https://pypi.mirrors.ustc.edu.cn/simple/  onnx \
	&& apt-getl install -i https://pypi.mirrors.ustc.edu.cn/simple/  thop \
	&& apt-getl install -i https://pypi.mirrors.ustc.edu.cn/simple/  onnx-simplifier \
	&& apt-getl install -i https://pypi.mirrors.ustc.edu.cn/simple/  tensorboard

#RUN rm -rf /usr/local/python3/Python-3.7.8.tgz
#WORKDIR /var/www/algo_voice_rec
#ADD algo_voice_rec/  /var/www/algo_voice_rec/
#RUN /usr/local/python3/bin/pip3 install -i https://pypi.mirrors.ustc.edu.cn/simple/ pycocotools
#RUN /usr/local/python3/bin/pip3 install --no-cache-dir -e .

#CMD ["/usr/local/python3/bin/gunicorn", "--chdir", "/var/www/algo_voice_rec", "main:app", "-c", "/var/www/algo_voice_rec/gunicorn.py"]
#CMD ["/bin/bash", "run.sh"]

RUN conda clean --all
RUN git clone https://github.com/meituan/YOLOv6.git /yolo
WORKDIR /yolo
ENV FORCE_CUDA="1"