Docker部署深度学习模型

30 0 0

Docker部署深度学习模型

基础概念

Docker

Docker是一个打包、分发和运行应用程序的平台，允许将你的应用程序和应用程序所依赖的整个环境打包在一起。比如我有一个目标检测的项目，我想分享给朋友，那么他首先需要在自己的电脑上配置好显卡驱动、CUDA、CuDNN，在拿到我的项目后，还需要安装各种依赖库，最后代码还不一定跑起来。如果我是用了docker环境进行项目配置，我只需要将环境打包好后分享给朋友。他只需要安装好显卡驱动就行，什么cuda、pytorch之类的都在我分享的环境了。

镜像

Docker镜像里包含了你打包的应用程序及其所依赖的环境。包含应用程序可用的文件系统和其他元数据。

容器

Docker容器通常是一个Linux容器，基于Docker镜像被创建，一个运行中的容器是一个运行在Docker主机上的进程，但和主机及所有在主机上的其他进程是隔离的。其资源是受限的，只能访问和使用分配的资源（CPU、内存）。

拉取镜像

在Windows上安装Docker Desktop就不过多赘述了。

先拉取一个pytorch镜像（结合自己电脑的显卡版本挑选适合的镜像版本）：

docker pull anibali/pytorch:1.13.0-cuda11.8-ubuntu22.04

准备深度学习项目

我们拿yolov5举例。

在Windwos上下载好yolov5项目代码，同时下载检查点模型。

准备好测试代码：

import torch

# Model
model = torch.hub.load('.', 'custom', path='yolov5l.pt',source='local')

# Images
img = "./pic/gyt.jpg"  # or file, Path, PIL, OpenCV, numpy, list

# Inference
results = model(img)

# Results
results.save()  # or .show(), .save(), .crop(), .pandas(), etc.

创建容器

镜像我们有了，现在我们可以创建容器了。同时我们需要将深度学习项目资源拷贝到容器中，下面有两种方法。

直接拷贝

创建容器的命令是：

docker run -it --gpus all --name container1 anibali/pytorch:1.13.0-cuda11.8-ubuntu22.04 /bin/bash

在这个命令中，run是创建容器的指令，-it是交互式终端，因为创建的容器就相当于一个本机中的linux服务器，我们可以通过终端与容器交互。–gpus all这个就是使用本机的gpu，–name是给新建容器取个名字， anibali/pytorch:1.13.0-cuda11.8-ubuntu22.04就是要使用的镜像，/bin/bash是指定bash。

当容器创建好后，将Windows的深度学习项目文件直接拷贝到容器中：

# 启动容器，配置或确认文件接收路径
docker ps -a
docker start 容器ID或容器名
docker exec -it 容器ID或容器名 bashmkdir demo

# 关闭容器
docker stop 容器ID或容器名

# 执行拷贝
docker cp D:FileNeedUploadToDocker.txt 容器ID或容器名:/opt/demo
docker start 容器ID或容器名
docker exec -it 容器ID或容器名 bash
cd opt/demo/dir

资源映射

与直接拷贝不同的是，用资源映射既可以节省存储资源，又更加灵活方便（Windows或容器中的文件变化会实时反映到另一方，因为二者用的是同一份文件）。

Docker部署深度学习模型

使用资源映射的方法创建容器：

docker run -it -v F:Desktopyolov5-master:/app/yolov5 --gpus all --name container1 anibali/pytorch:1.13.0-cuda11.8-ubuntu22.04 /bin/bash

进入容器

下面介绍两种进入容器的方法。

（1）使用命令行进入：

docker exec -it <container_name_or_id> /bin/bash

（2）使用Docker Desktop的GUI进入：

右键点击你想要进入的容器，选择“Open in PowerShell”

配置环境

Docker部署深度学习模型

首先在容器中运行nvidia-smi命令，检查容器的显卡是否可用。若出现上图的情况，则表示成功。

创建conda环境：

conda create -n yolo python=3.8

安装pytorch：

pip install torch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 --index-url https://download.pytorch.org/whl/cu118

安装其他库：

pip install -r requirements.txt

Docker部署深度学习模型

运行代码

运行“准备深度学习项目”中提到的测试代码，也许会遇到下图中的报错：

Docker部署深度学习模型

解决方法如下：

apt update
apt install libgl1-mesa-glx
pip uninstall opencv-python -y
pip install opencv-python-headless -i https://pypi.tuna.tsinghua.edu.cn/simple

成功运行截图：

Docker部署深度学习模型

运行结果会保存到runs/detect/exp2这个目录下，下面是模型的输出：

Docker部署深度学习模型

导出镜像

下面介绍两种导出镜像的方法。

将容器打包为镜像

运行命令：

docker commit -m "some information" <容器ID> <image_name:version>

Docker部署深度学习模型

打包成功后，我们再介绍两种方法分享镜像。

（1）将镜像导出为tar分享给他人

docker save image_naem:version -o output_name.tar

（2）将镜像推送到云仓库

docker tag new_image:version username/new_image:version
docker push username/pt_test_image:0

Docker部署深度学习模型

基于Dockerfile构建镜像

在Windows中的深度学习项目文件夹下运行命令：

docker build -t myapp .

-t参数用于指定镜像的名称，.表示使用当前文件夹中的Dockerfile。

下面看一下yolov5提供的Dockerfile文件：

# Start FROM PyTorch image https://hub.docker.com/r/pytorch/pytorch
FROM pytorch/pytorch:2.0.0-cuda11.7-cudnn8-runtime

# Downloads to user config dir
ADD https://ultralytics.com/assets/Arial.ttf https://ultralytics.com/assets/Arial.Unicode.ttf /root/.config/Ultralytics/

# Install linux packages
ENV DEBIAN_FRONTEND noninteractive
RUN apt update
RUN TZ=Etc/UTC apt install -y tzdata
RUN apt install --no-install-recommends -y gcc git zip curl htop libgl1 libglib2.0-0 libpython3-dev gnupg
# RUN alias python=python3

# Security updates
# https://security.snyk.io/vuln/SNYK-UBUNTU1804-OPENSSL-3314796
RUN apt upgrade --no-install-recommends -y openssl

# Create working directory
RUN rm -rf /usr/src/app && mkdir -p /usr/src/app
WORKDIR /usr/src/app

# Copy contents
COPY . /usr/src/app

# Install pip packages
COPY requirements.txt .
RUN python3 -m pip install --upgrade pip wheel
RUN pip install --no-cache -r requirements.txt albumentations comet gsutil notebook 
    coremltools onnx onnx-simplifier onnxruntime 'openvino-dev>=2023.0'
    # tensorflow tensorflowjs 

# Set environment variables
ENV OMP_NUM_THREADS=1

# Cleanup
ENV DEBIAN_FRONTEND teletype

# 随笔