### Ubuntu 20.04 上 PaddleSeg Docker 配置教程 #### 准备工作 在安装和配置 PaddleSeg 的 Docker 环境之前，需确保系统已正确安装并运行 Docker。如果尚未安装 Docker，请通过以下命令完成安装： ```bash sudo apt update && sudo apt upgrade -y curl -fsSL https://get.docker.com | sh - sudo usermod -aG docker $USER newgrp docker docker --version ``` 确认 Docker 已成功安装后，可以继续进行后续操作。 --- #### 获取官方支持的 PaddlePaddle GPU 版本镜像 为了简化环境搭建过程，推荐使用 NVIDIA 提供的基础 CUDA 和 cuDNN 支持的容器镜像作为基础层，并在其之上构建 PaddlePaddle 及其扩展库的支持环境。以下是具体步骤： 1. **拉取 NVIDIA 基础镜像** 执行如下命令获取带有 CUDA Toolkit 11.2 的官方 NVIDIA 容器镜像： ```bash docker pull nvidia/cuda:11.2-base-ubuntu20.04 ``` 2. **创建自定义镜像文件 (Dockerfile)** 创建一个新的 `Dockerfile` 文件用于描述所需依赖项及其版本号。例如，在当前目录下新建名为 `Dockerfile` 的文件，内容如下所示： ```Dockerfile FROM nvidia/cuda:11.2-base-ubuntu20.04 RUN apt-get update && \ DEBIAN_FRONTEND=noninteractive apt-get install -y --no-install-recommends \ build-essential \ ca-certificates \ curl \ git \ python3-pip \ python3-setuptools \ python3-wheel \ libsm6 \ libxext6 \ wget && \ rm -rf /var/lib/apt/lists/* ENV PATH="/opt/conda/bin:${PATH}" ARG CONDA_DIR=/opt/conda # Install Miniconda and setup environment. RUN cd /tmp && \ mkdir -p ${CONDA_DIR} && \ wget --quiet https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh && \ bash Miniconda3-latest-Linux-x86_64.sh -bfp ${CONDA_DIR} && \ rm -f Miniconda3-latest-Linux-x86_64.sh SHELL ["/bin/bash", "-c"] RUN conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/ && \ conda config --add channels conda-forge && \ conda create -n paddle_env python=3.7 && \ echo "source activate paddle_env" > ~/.bashrc WORKDIR / COPY . . CMD ["tail", "-f", "/dev/null"] ``` 3. **构建镜像** 利用上述 `Dockerfile` 构建最终所需的镜像，执行以下指令即可完成此目标： ```bash docker build -t ubuntu20_paddleseg:v1.0 . ``` 4. **启动交互式会话测试环境变量设置情况** 启动基于刚刚生成的新镜像的一个临时实例来验证各项参数是否正常生效： ```bash docker run -it --rm --gpus all ubuntu20_paddleseg:v1.0 /bin/bash source activate paddle_env conda install paddlepaddle-gpu==2.1.2 cudatoolkit=11.2 -y pip install paddleseg ``` 此时应该能够顺利加载指定版本的 PaddlePaddle-GPU 库以及对应的分割工具包 PaddleSeg[^1]。 --- #### 测试模型推理功能 进入容器内部之后，可以通过下载预训练权重的方式快速体验一下实际效果。下面给出一段简单的代码片段演示如何调用 API 实现图像语义分割任务处理流程： ```python from PIL import Image import numpy as np import paddle import paddleseg.transforms as T from paddleseg.cvlibs.config import Config from paddleseg.core.infer import predict # 加载配置文件路径 cfg = Config('./configs/pp_liteseg_stdc2_cityscapes_1024x512_scale0.5.yml') # 初始化转换函数列表 transforms = [ T.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]) ] # 设置输入图片地址 img_path = './example.jpg' # 开始预测逻辑部分 result = predict( model=cfg.model, transforms=T.Compose(transforms), image_list=[img_path], batch_size=1) # 将结果保存至本地磁盘位置 output_im = Image.fromarray(result[0].astype('uint8')) output_im.save("./pred_result.png") print("Prediction completed! Result saved at ./pred_result.png.") ``` 以上脚本假定存在一张命名为 `example.jpg` 的待测样本位于根目录之下；同时还需要提前准备好对应网络架构类型的 YAML 格式的超参设定文档副本放置在同一级别的子文件夹当中以便读取解析之用。 --- #### 注意事项 由于不同硬件平台之间可能存在兼容性差异问题，因此建议始终优先选用与自身显卡驱动程序相匹配的具体 cuda toolkit 数字编号组合形式来进行适配调整优化尝试直至达到最佳性能表现为止。