（全网最详细）如何在docker里搭建mmdetection环境并封装成镜像
目录
前言
1. 理解docker
2.搭建过程
2.1 创建基础镜像
2.2 构建容器
2.3 进入容器
2.4 搭建环境
2.5 测试
2.6 提交
3. 小结
前言
目的：由于一个AI比赛需要提交算法Docker，捣鼓好几天终于有点眉目，特此记录！
适用对象：已熟练搭建mmdet环境，需要进行docker部署
资料参考：
1.特定版本docker安装（必读）
2.nvidia-docker安装 （选读 docker-19.03及以上版本已经内部集成，本文还需要安装）
3.docker基本使用（选读）
4.docker如何使用GPU （选读）
5. 官方Docker仓库 （选读）
1. 理解docker
Docker 是一个开源的应用容器引擎，基于 Go 语言 并遵从 Apache2.0 协议开源。Docker 可以让开发者打包他们的应用以及依赖包到一个轻量级、可移植的容器中，然后发布到任何流行的 Linux 机器上，也可以实现虚拟化。容器是完全使用沙箱机制，相互之间不会有任何接口（类似 iPhone 的 app）,更重要的是容器性能开销极低。
两个关键概念：
镜像：静态 一旦构建即固化，无法直接修改
容器：动态 启动一个镜像即会构建一个容器，即一个镜像可以有无数个容器，但不要构建太多，以免浪费内存，注意构建一个容器后，里面环境、文件均可自由修改，提交后可以生成一个新镜像(即镜像的间接修改方法）
2.搭建过程
前提：请读者自行完成docker、nvidia-docker的安装，以及基本使用方法的了解。
这里没有采用Dockerflie 文件(有点像Makefile)一键构建，而是采用传统安装方式一步步来，目的为了让读者能对docker构建过程理解更深入，其实docker也可以看做一个虚拟环境，进入虚拟环境后（和anaconda很像），操作和正常方式几乎一样，特殊的是这个容器可以固化成镜像，并无限复制，只要硬件支持，就能实现随下随用，再也不用为搭环境而苦恼的，后面我也会出一篇Dockerfile构建镜像的教程。
本文采用以下要求进行镜像配置：
系统：Ubuntu18.04 CPU架构X86_64
CUDA：10.0 CUDNN: 7
Docker版本：18.*MMDetection: 2.14
2.1 创建基础镜像
可以通过 docker pull 镜像名 来构建
docker pull nvidia/cuda:10.0-cudnn7-devel-ubuntu18.04注意：只有选devel采支持cuda编译的，nvcc作为cuda的编译器，在runtime的镜像中是不提供的。读者需要根据自己需求选择，笔者需要用到部分cuda编译，所以选择devel版本的。
查看已构建镜像
docker images
到此，基础镜像构建成功！
2.2 构建容器
运行镜像即可构建一个容器，之后就只对这个容器镜像进行操作，最好不要再执行镜像，以免生成过多的容器，造成内存的浪费呀。
构建并进入容器终端 执行命令如下：
nvidia-docker run -it --privileged=true nvidia/cuda:10.0-cudnn7-devel-ubuntu18.04 /bin/bash如果复制执行不成功，则自己手动敲，nvidia-docker还不支持自动补全，有点辛苦哈。
nvidia-docker 执行，容器内能够调用GPU，非常关键！以下说明GPU驱动正常：
查看CUDA版本：nvcc -V
退出当前容器：exit
查看所有容器，不加 -a 只能看正在运行的容器
docker ps -a
这个CONTAINER ID： efc9f720a254 比较重要，是容器唯一标识号，后面会用到
2.3 进入容器
1. 唤醒容器 （efc9 为容器ID简写）
docker start efc9
2. 进入容器
docker attach efc9（离开容器停止）
docker exec -it efc9 /bin/bash （离开容器不停止）
到此，容器也搭建好了！
2.4 搭建环境
和在自己电脑安装过程一样，步骤可以按照mmdet官方说明，由于笔者采用的是mmdet2.14 , pytorch1.40_cu10_cudnn7（比赛要求没办法），所以安装mmdet方式比较特别，并不和官方文档完全一样，所以读者可以自行参考。
值得关注的是，这个版本的pytorch在官方安装主页上是找不到的（提供的版本并不全），说明我们可以根据自己实际需求去安装对应版本的pytorch，笔者也是第一次值得这种方式。
1. 下载 torch1.4.0 torchvision0.5 mmdet2.14源码
torch下载地址：https://download.pytorch.org/whl/
mmdet2.14下载地址：https://github.com/open-mmlab/mmdetection.git
2. 将下载的文件放入容器内
#/home/z/code/input_pa
docker cp /home/z/code/docker_v1_cuda10.0/torch-1.4.0+cu100-cp37-cp37m-linux_x86_64.whl efc9f720a254:/workspace
docker cp /home/z/code/docker_v1_cuda10.0/torchvision-0.5.0+cu100-cp37-cp37m-linux_x86_64.whl efc9f720a254:/workspace
docker cp /home/z/code/docker_v1_cuda10.0/mmdetection_2.14/. efc9f720a254:/workspace3. 进入容器安装环境
3.1 python3.7 安装
apt-get update
apt-get install python3.7创建软链接
ln -s /usr/bin/python3.7 /usr/bin/python
3.2 pip 安装
apt-get install python3-pip
# 创建软链接（如果找不到的话）
ln -sf /usr/local/bin/pip3.7 /usr/bin/pip
3.3 torch torchvision 安装
pip install torch-1.4.0+cu100-cp37-cp37m-linux_x86_64.whl
pip install torchvision-0.5.0+cu100-cp37-cp37m-linux_x86_64.whl3.4 mmcv1.3.8 安装
这里用release版安装会报错。
pip install mmcv-full==1.3.8 -f https://download.openmmlab.com/mmcv/dist/cu100/torch1.4.0/index.html报错如下：
原因定位：fatal error: Python.h: No such file or directory 是报错的核心原因，而不是最下面的 command 'x86_64-linux-gnu-gcc' failed with exit status
具体原因：python3.7 的Python.h的缺少，而ubuntu18.4默认自带只有python2.7和python3.6的，故需要安装Python.h.
解决：安装python3.7 的 Python.h: 参考
sudo apt-get install python3.7-dev这里读者继续选择release版安装（比较推荐，不需要本地编译，比较快）
我选择源码编译，考验CPU性能的时候到了（费时费力）：参考
git clone -b v1.3.8 https://github.com/open-mmlab/mmcv.git
cd mmcv
MMCV_WITH_OPS=1 pip install -e .
3.5 mmdet 安装
在mmdet源码根目录下执行:
cd mmdetection_2.14
pip install -r requirements/build.txt
pip install -v -e . # or "python setup.py develop"
到此所有环境搭建已完成！
感谢能各位能看到这，接下来就是没啥大问题了。
2.5 测试
这里笔者自己写的大赛提交脚本进行测试，大家可以找个简单程序测试。
python run.py /input_path /output_path
补充下：脚本里笔者用到了os.system() 执行一个中间脚本就报错
os.system('python test_for_submission.py --eval-options "jsonfile_prefix=output"')后来改为才正常执行，说明了软链接修改默认解释器对os.system()无效，果然自己重头搭环境深似海，差点感觉自己都整不完这个教程了，还好找到问题点。
os.system('/usr/bin/python3.7 test_for_submission.py --eval-options "jsonfile_prefix=output"')2.6 提交
再次退出容器，使用commit 命令容器会生成一个新镜像
docker commit -a "for sar competition" -m "kongyan" efc9f720a254 detection:v1使用 docker images 查看
到此，全部完结，恭喜各位！
3. 小结
整个环境搭建可以说自己也是第一次，之前一直用anaconda 搭建深度学习环境，其实装了很多无用的包，造成了一定资源浪费，而从来没有在最简的unbuntu系统上完整搭建，尽可能只装必须的包，而且还加入了docker这个新知识，感谢Klawens一直的帮助与解答，非常优秀的AI竞赛选手，历经了四天终于完成此篇教程，限于笔者能力，或多或少还有些纰漏，希望大家积极留言指正。
友情链接：
1.Klawens的 GitHub （干货多多）
2. 笔者的 GitHub（没啥干货） and 知乎