Skip to content

aux-docker.md

Latest commit

 

History

History
94 lines (62 loc) · 6.75 KB

aux-docker.md

File metadata and controls

94 lines (62 loc) · 6.75 KB
Raw

Back | Next | Contents
System Setup

Docker Container Run(수행하기)

해당 프로젝트를 진행하기 위한 미리 빌드된 도커 컨테이너 이미지는 DockerHub에 업로드 돼있습니다. 혹은 직접 빌드를 진행할 수도 있습니다. Build the Project from Source.

아래는 현재 사용 가능한 컨테이너들의 태그들입니다.

Container Tag L4T version JetPack version
dustynv/jetson-inference:r32.6.1 L4T R32.6.0 JetPack 4.6
dustynv/jetson-inference:r32.5.0 L4T R32.5.0 JetPack 4.5
dustynv/jetson-inference:r32.4.4 L4T R32.4.4 JetPack 4.4.1
dustynv/jetson-inference:r32.4.3 L4T R32.4.3 JetPack 4.4

note: Jetson에 설치한 Jetpack-L4T의 버전과 위에서 제시한 L4T version이 일치해야합니다. 만약 다른 버전의 JetPack-L4T를 설치했다면 JetPack을 최신 버전으로 업그레이드 하거나 직접 빌드하여 사용하는 방법이 있습니다 Build the Project from Source to compile the project directly.

위 도커 컨테이너들은 l4t-pytorch 베이스 컨테이너로 사용하고 있습니다. 따라서 tranfer learning과 re-training에 대한 지원을 포함하고 있습니다.

컨테이너 launch 하기

여러 마운트들과 장치들이 컨테이너를 run 하기 원하기 때문에 docker/run.sh 스크립트를 사용하여 컨테이너를 run(수행)하는 것을 권장합니다.

$ git clone --recursive https://github.com/dusty-nv/jetson-inference
$ cd jetson-inference
$ docker/run.sh

note: 도커 스크립트와 컨테이너 안에 마운트된 데이터 디렉토리 구조 때문에 호스트 디바이스에 프로젝트를 clone 해야합니다.

docker/run.sh 는 자동으로 알맞은 컨테이터 tag를 현재 설치된 JetPack-L4T 버전을 기반으로 도커 허브로 부터 pull(다운로드) 해옵니다. 그리고 데이터 디렉토리와 사용할 기기들 사용할 수 있도록 마운트합니다. 따라서 컨테이너 안에서 cameras/display/ect 로부터 카메라를 사용할 수 있습니다. 그리고 download DNN models 하도록 입력창이 나타납니다. 만약 아직 아무런 입력창이 나타나지 않는다면 아직은 도커 컨테이너가 설치 중인 것입니다. 금방 끝납니다.

Mounted Data Volumes

참고로, 아래 경로들이 jetson 장치 자체에서 컨테이너로 마운트됩니다.

  • jetson-inference/data (network models이 저장됨, serialized TensorRT engines, and test images)
  • jetson-inference/python/training/classification/data (classification training datasets 이 저장됨)
  • jetson-inference/python/training/classification/models (Pytorch로 훈련된 classification models 이 저장됨)
  • jetson-inference/python/training/detection/ssd/data (객체 검출 training datasets 이 저장됨)
  • jetson-inference/python/training/detection/ssd/models (pytorch로 훈련된 객체 검출 models 이 저장됨)

위 마운트된 (volumes)디렉토리들은 컨테이너 밖에 저장돼있기 때문에 컨테이너가 꺼져도 (shut down) 삭제되지 않습니다.

만약 직접 다른 디렉토리를 컨테이너 안에 마운트하고 싶다면 다음과 같은 인자를 --volume HOST_DIR:MOUNT_DIR docker/run.sh 명령에 전달할 수 있습니다.

$ docker/run.sh --volume /my/host/path:/my/container/path    # these should be absolute paths

더 많은 정보가 필요하면 다음 파일을 직접 확인할 수 있습니다. docker/run.sh

어플리케이션 (Run)수행

컨테이너가 올라가 있고 (running)실행되고 있다면, 이제는 튜토리얼의 예제 프로그램들을 컨테이너 내부에서 아래와 같이 실행시켜볼 수 있습니다.

# cd build/aarch64/bin
# ./video-viewer /dev/video0
# ./imagenet images/jellyfish.jpg images/test/jellyfish.jpg
# ./detectnet images/peds_0.jpg images/test/peds_0.jpg
# (press Ctrl+D to exit the container)

note: 만약 수행 결과 이미지를 저장하고 싶다면, images/test 해당 디렉토리 아래에 저장하는 것을 권장합니다. 그러면 해당 이미지를 호스트 기기의 다음 디렉토리에서 jetson-inference/data/images/test 쉽게 볼 수 있기 때문입니다.

컨테이너 빌드하기

만약 Hello AI World 튜토리얼을 따라하는 중이라면 해당 섹션을 넘어가도 괜찮습니다. 그러나 직접 새로운 컨테이너 빌드하거나 re-build(다시 빌드) 하고 싶다면 다음 스크립트를 수행할 수 있습니다. docker/build.sh. 해당 스크립트는 이 프로젝트의 Dockerfile 파일을 빌드합니다.

$ docker/build.sh

note: 먼저 디폴트 docker-runtime 을 nvidia에 설정해두어야합니다. 자세한 사항은 다음을 참고하세요. here

Dockerfile을 다음과 FROM dustynv/jetson-inference:r32.4.3 같이 수정하여 직접 생성하고 싶은 컨테이너의 (base)베이스를 이 컨테이너 위에 올릴 수 있습니다.

Getting Started

도커 컨테이너 안에서 프로젝트를 진행하기로 했다면, 다음을 진행하세요. ImageNet으로 이미지 분류하기.
그렇지 않고 소스코드로 직접 수행하기로 했다면, 다음을 참조하세요. 소스코드로부터 프로젝트 빌드하기.

Next | Building the Project from Source
Back | Setting up Jetson with JetPack

© 2016-2020 NVIDIA | Table of Contents