使用 Docker 容器的最大好處就是 “獨立性強”，在前面文章中我們教大家如何使用 NVIDIA 在 NGC 提供創建好的 l4t-ml 系列鏡像為基礎，去創建各種機器學習 / 深度學習的開發或部署用途的獨立容器，包括各種基于 TensorRT 的推理應用、基于 PyTorch 的各種 YOLO 相關應用等等。

但是 l4t-ml 容器內將大部分深度學習所需要的工具全部涵蓋進去，使得這個容器鏡像變得十分龐大，例如配合 JetPack 5.0 DP 版本的 nvcr.io/nvidia/l4t-ml:r34.1.1-py3 鏡像需要占用 16.2G 空間，這對大部分存儲空間較為緊湊的 Jetson 邊緣設備來說是個不小的負擔，需要進一步的優化。

熟悉 Docker 創建容器的人都知道，只要使用 “docker build -f DOCKERFILE” 方式就能創建容器，不過 Dockerfile 內容是有復雜度的，至少包含以下兩大部分：

• 基礎鏡像

這是相對神奇的環節，我們至少得先在一個“以操作系統為基礎”的基礎鏡像文件之上去創建新的容器，不過還好操作系統源頭都會提供這些基礎鏡像，只要我們能找到這些基礎鏡像的發行位置，就能在 Dockerfile 一開始使用 “FROM” 指令進行導入。

在 Jetson 設備上使用的 L4T（Linxun for Tegra）版本 Ubuntu 操作系統是由 NVIDIA 所維護，因此操作系統基礎鏡像也由 NVIDIA 所提供，并且存放在 NGC 云中心提供下載，可以在https://catalog.ngc.nvidia.com/orgs/nvidia/containers/l4t-base/tags 上找到詳細的內容與下載的指令。

l4t-base 容器內只有最基礎的操作系統、驅動與 Python 開發環境，并未安裝 CUDA、cuDNN 或 TensorRT 等開發庫，L4T 版本與 JetPack 版本是對應的，請參考下表：

如果要使用 l4t-base 鏡像為基礎，去創建與深度學習相關應用的鏡像文件，就需要自行在 Dockerfile 內加入 CUDA / cuDNN / TensorRT 以及其他所需要的依賴庫與軟件的安裝步驟，以下整理出不同 JetPack 版本所對應的 CUDA / cuDNN / TensorRT / OpenCV 的版本，提供讀者在創建相關鏡像時候可以參考：

從上面簡表可以看出，在 JetPack 4.4 至 4.6 版本的操作系統都是 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 與 TensoRT 則有些微的差異，基本上鏡像文件的兼容性比較高。不過到了 JetPack 5.0 之后，操作系統升級至 Ubuntu 20.04 版之后，包括 Python、OpenCV、CUDA 版本的變化就比較大，與 JetPack 4.x 版本的鏡像

基礎容器的版本編號是對應 L4T 版本號，如下圖：

因此要創建 Jetson 容器的首要工作，就是先確認系統的 L4T 版本，然后再挑選合適的基礎鏡像來進行創建的任務。

• 添加所需軟件的安裝步驟與其他細節：

這部分就是將平常安裝軟件的正確步驟加入 Dockerfile，使用 “RUN” 指令來執行所有安裝內容，為了要讓容器結構更加簡化，通常會將所有需要的依賴庫全部放在一個 “RUN” 指令里操作，因此創建者需要先收集并確認所需要的內容。

由于創建的容器會以 root 用戶進行操作，因此過程都不需要用 “sudo” 去取得權限，可以直接使用 apt-get、pip 或 dpkg 等安裝方式，有些需要預先下載的 .deb、.whl 或壓縮文件，在使用過后最好刪除以減少空間的占用。

這部分的細節內容相當繁瑣，需要比較多的執行經驗與整理過程，對初學者來說難度較大，因此本文特別挑選 NVIDIA 高級工程師所維護的 jetson-container 開源項目，針對在 Jetson 設備上創建深度學習與 ROS 兩大類應用，提供各種對應的 Dockerfile 參考內容，包括安裝 CUDA、cuDNN、TensorRT、OpenCV、PyTorch、TensorFlow 以及 ROS 相關環境的細節，讀者可以參考這些內容再進行調整。

接下來就是下載 jetson-container 項目，并且以創建 l4t-ml 容為示范來進行講解其操作的重點，讀者只要比照相同的邏輯進行調整與修改，就能輕松地創建自己的應用與開發用途的容器鏡像。

1、下載開源項目

項目開源倉位置在 https://github.com/dusty-nv/jetson-containers，請執行以下指令下載到Jetson 設備上：

gitclonehttps://github.com/dusty-nv/jetson-containerscdjetson-containers

項目倉的內容總共有將近 60 個文件，主要分為以下三大類：

• 在主目錄下有 12 個以 “Dockerfile.xxx” 格式命名的文件，作為創建各種容器所需要的配置文件；

• 在 scripts 目錄下有 16 個創建容器與確認各項相關軟件版本的 .sh 腳本文件；

• 在 test 目錄下有 21 個測試用的 Python 代碼。

接下來分析執行的重點。

2、分析創建容器的腳本

這個項目主要提供深度學習與 ROS 兩大應用類別的容器創建資源，真正的使用入口就是 scripts 目錄下的 docker_build_ml.sh 與 docker_build_ros.sh 這兩個腳本，其余腳本多是輔助用途的，用來協助判斷相關軟件版本，然后甚至對應變量給執行腳本進行完整的鏡像創建步驟。

現在以 docker_build_ml.sh 為例來進行說明，后面可以加上 all、TensorFlow 或 PyTorch 等機器學習框架選項，現在來看看腳本的主要內容：

（1）確認基礎鏡像版本：

前面說過，創建 Docker 鏡像的首要任務就是要確認 L4T 版本，然后指定 NGC 中合適的基礎鏡像版本，作為 Dockerfile 中第一個 “FROM” 的參數，在 “docker build” 過程中下載這個鏡像。

• 腳本第 4 行 “source scripts/docker_base.sh” 會啟動 docker_base.sh 腳本以確認需要下載的基礎鏡像版本；

• 而 docker_base.sh 第 3 行又呼叫 l4t_version.sh 腳本，獲取本系統上的 l4t 版本，例如為 r34.1.1，分別存入以下 5 個變量之中：

• $L4T_VERSION=34.1.1

• $L4T_RELEASE=34

• $L4T_REVISION=1.1

• $L4T_REVISION_MAJOR=1

• $L4T_REVISION_MINOR=1

然后傳回給 docker_bash.sh 腳本使用；

• docker_base.sh 根據上面變量決定基礎鏡像版本，存放到 $BASE_IMAGE_L4T 里，例如 “nvcr.io/nvidia/l4t-base:r34.1.1”，這樣就完成了第一個最重要的工作。

（2）確認 OpenCV 與 Python 版本：

腳本第 6、7 行分別執行 opencv_version.sh 與 python_version.sh，去決定這兩個部分的版本。

其中 OpenCV 部分經過作者修改之后固定為 4.5.0 版本，并以 $OPENCV_DEB與$OPENCV_URL 變量存放安裝包的下載路徑與名稱。而 Python 版本則指定于所使用的 Jetson 設備上的版本，如果是 JetPack 4.x 版本的設備則 Python 版本為 3.6，如果是 JetPack 5.0 以后版本的設備則 Python 版本為 3.8。

（3）確認各容器相關應用版本：

這部分主要是 PyTorch 與 TensorFlow 的版本，因為這兩個是目前深度學習領域使用率最高的框架，因此這里就以這兩個工具為主來創建深度學習的容器鏡像。

腳本第 37~137 行與 160~221 行的內容，會根據 $L4T_RELEASE 變量，分別針對創建 PyTorch 與 TensorFlow 鏡像所需要的配套資源，提供完整的對應參數，包括需要賦予對應的下載鏈接、文件名稱、鏡像標簽（tag）等等信息，在 PyTorch 部分還需要提供 torchvision 與 torchaudio 的版本。

下表是根據 NGC 提供的 l4t-ml 鏡像所整理的各項版本信息：

前面判斷好相關版本信息之后，就會分別調用第 14 行 build_pytorch()與第 142 行 build_tensorflow()分別創建 l4t-pytorch 與 l4t-tensorflow 容器鏡像。

下面截屏是 build_pytorch()的主要內容，會調用 scripts/docker_build.sh 腳本與目錄下的 Dockerfile.pytorch 配置文件，然后套用 6 個 “--build-arg” 參數進行實際創建的工作，這樣就完成對 l4t-pytorch 鏡像的創建任務。

創建 l4t-tensorflow 鏡像的方式也是大致相同，就不重復說明。腳本最后第 229~235 行是創建包含 PyTorch 與 TensorFlow 兩種框架的 l4t-ml 鏡像，主要指令如下：

這樣就完成在 Jetson 上從頭創建深度學習相關的容器鏡像任務，另一個創建 ROS 應用的 docker_build_ros.sh 腳本內容也是雷同，所有的關鍵就是先確認 $L4T_RELEASE 版本信息，其他的軟件版本都會根據這個參數進行調整。

本文先講解這個開源項目內的腳本內容，下一篇文章會進一步說明 Dockerfile 的主要細節，這樣就能很輕松地掌握容器鏡像的創建過程。