最近比赛要提交打包好的CNN模型给主办方去测试，使用Docker镜像。这可难倒了我这个小白，搞了好几天才打包好。在这里记录一下Docker使用过程，希望能给广大同学们提供点帮助。

文章内容包含以下3个部分：Docker安装

打包镜像 Docker Build Image

测试镜像 Docker Run

Docker 安装

不同平台的Docker安装方式可以参考官方文档(Docker Install) ，我这里就用Ubuntu系统作为例子。

# Docker$ sudo apt-get update$ sudo apt-get install \ apt-transport-https \ ca-certificates \ curl \ gnupg-agent \ software-properties-common$ curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -$ sudo add-apt-repository \ "deb [arch=amd64] https://download.docker.com/linux/ubuntu \$(lsb_release -cs)\stable"# Docker engine$ sudo apt-get update$ sudo apt-get install docker-ce docker-ce-cli containerd.io

安装完docker后，我的机器还不能用docker调用GPU，所以还需要安装NVIDIA Docker。NVIDIA Docker

详细安装步骤见NVIDIA Docker Installation Guide. 安装完记得重启Docker，并用nvidia/cuda：11.0-base这个默认容器测试一下是否安装成功。

# Restart the Docker daemon to complete the installation after setting the default runtime:

sudo systemctl restart docker

sudo docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi

# 出现显卡信息界面即为安装成功

+-----------------------------------------------------------------------------+

| NVIDIA-SMI 450.51.06 Driver Version: 450.51.06 CUDA Version: 11.0 |

|-------------------------------+----------------------+----------------------+

| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |

| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |

| | | MIG M. |

|===============================+======================+======================|

| 0 Tesla T4 On | 00000000:00:1E.0 Off | 0 |

| N/A 34C P8 9W / 70W | 0MiB / 15109MiB | 0% Default |

| | | N/A |

+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+

| Processes: |

| GPU GI CI PID Type Process name GPU Memory |

| ID ID Usage |

|=============================================================================|

| No running processes found |

+-----------------------------------------------------------------------------+

打包镜像整理代码

将需要打包的模型代码整理到同一个目录下。举例来说，目录应该包含模型代码、数据文件夹、输出文件夹：

Model：

Code

Val Data

Output Data

如果用的是python语言的，可以准备一个requirement.txt，列出需要安装的包。后面就可以一步安装到位。

# 到代码目录下新建requirement.txt文件

touch requirment.txt

我的只需要再安装一个opencv包，所以我的requirment文件只要加上：

opencv-python==3.4.2.17

大家看自己需要什么额外的包直接写上名称和对应版本就可以了。用pip生成的requirement文件包含太多重复无用的包，建议还是自己简单写几个。创建Dockfile

同样，新建一个Dockfile文件，每一步的详细说明可以查看Dockerfile说明 。

因为我用到了opencv库，这个包是依赖于许多个包的，简单安装一个opencv库会导致后续无法运行，会提示找不到库：libSM.so.6、libXrender.so.1、libXexr.so.6

为了opencv能在容器中运行，我们需要在Dockerfile里加上：

RUN apt-get update

RUN apt-get -y install libglin2.0-0

RUN apt-get -install libsm6

RUN apt-get -y install libxrender-dev

RUN apt-get -y install libxext6

因此，整个Dockerfile的内容就是下面所示：(假设model文件夹保存了我们的模型)

Frompytorch/pytorchCOPY ./modelWORKDIR/model# python# opencv dependencyRUN apt-get updateRUN apt-get -y install libglin2.0-0RUN apt-get -install libsm6RUN apt-get -y install libxrender-devRUN apt-get -y install libxext6# pip installRUN pip install -r requirement.txt# /val/outputCMD python3 test.py

最后打包镜像：

# 打包镜像

docker build -t image-name .

# 保存文件

docker save -o output-filename image-name

测试镜像导入Docker镜像

docker load -i output-filename运行Docker镜像

每个Docker镜像只被分配了几百M的共享内存，对于很多CNN模型是远远不够的，因此需要加上 --shm-size 8G 来增大Docker镜像的共享内存大小(Shared Memories Size)。我的任务8G就够用了。

docker run --shm-size 8G --gpus all -v -it --rm image-name

由于Docker镜像执行后只会预测在文件夹/model/val/images下的图像，然后输出到文件夹/model/output/images下。为了能让Docker镜像预测新的测试集，并输出到宿主机的硬盘上，可以使用-v命令映射文件夹。

添加-v Path：/model/val 就可以将宿主机上的Path文件夹映射到Docker镜像里的val文件夹下，那么Docker镜像运行时就会从Path这个文件夹下取数据，记得Path一定要是绝对路径。Ubuntu中可以通过Ctrl+L得到文件的绝对路径。

对于我这个任务来说，我需要将新测试集和输出文件夹位置映射给Docker镜像，所以运行命令就是：

sudo docker run --shm-size 8G --gpus all -v PATH_TO_VAL:/model/val

-v PATH_TO_PUT:/model/output -it --rm image_name

测试成功就可以提交打包的镜像啦！希望这篇文章能够帮助到有需要的xdm，祝大家都能取得好成绩。