### 在NVIDIA Jetson Orin设备上使用Docker容器安装和配置CUDA #### 准备工作 为了确保能够在Jetson Orin设备上顺利部署带有CUDA支持的Docker环境，需确认已正确安装并设置了必要的驱动程序和支持软件。这包括但不限于最新的JetPack版本以及相应的CUDA工具包。 #### 配置Docker守护进程以识别NVIDIA容器运行时 执行命令`sudo nvidia-ctk runtime configure --runtime=docker`来设置Docker守护进程以便能够识别到NVIDIA提供的特定于GPU加速的应用程序运行环境[^2]。 #### 下载并启动含有CUDA支持的基础镜像 利用官方推荐的方式获取预构建好的含CUDA支持的基础映像文件，并基于此创建新的容器实例。具体操作如下所示： ```bash docker pull nvcr.io/nvidia/l4t-base:r35.3.1-cuda-11.4.0-triton-21.12 docker run --gpus all -it --rm nvcr.io/nvidia/l4t-base:r35.3.1-cuda-11.4.0-triton-21.12 /bin/bash ``` 上述命令中的标签应当依据实际需求选取最合适的版本号；同时注意参数`--gpus all`用于授予容器访问全部可用GPU资源的权利[^1]。 #### 测试CUDA功能正常与否 进入新开启的交互式shell之后，可以通过编译简单的测试程序验证当前环境中CUDA是否可以正常使用。下面给出一段C++源码作为例子： ```cpp #include <stdio.h> int main() { int deviceCount; cudaError_t error = cudaGetDeviceCount(&deviceCount); if (error != cudaSuccess || deviceCount == 0){ printf("No CUDA capable devices found.\n"); return 1; }else{ printf("%d CUDA capable device(s) detected.\n", deviceCount); return 0; } } ``` 保存以上代码至名为`test_cuda.cpp`的文件当中，接着按照常规流程完成编译链接过程： ```bash nvcc test_cuda.cpp -o test_cuda ./test_cuda ``` 如果一切无误，则会显示检测到了相应数量的支持CUDA技术的硬件单元[^3]。 #### 注意事项 考虑到Jetson系列产品的特殊性，在处理某些第三方库或框架集成的时候可能会遇到兼容性方面的问题。比如当尝试更新NuScenes开发套件(`pip install --upgrade nuscenes-devkit`)时就有可能触发此类状况，因此建议密切关注项目文档中有关平台适配性的说明部分[^5]。 另外值得注意的是，虽然Docker提供了隔离性强且易于管理的优势特性，但对于那些已经存在于宿主机上的组件而言，默认情况下它们并不会自动被纳入到新建出来的容器内部供调用。例如事先单独安裝过的ZED SDK就不会直接生效于任何后续建立起来的新容器之中[^4]。