简介
安装Docker
Docker直通
DockerHub换源
docker容器里的程序的图形界面弹不出来
Docker命令学习
- 参考文档
- 常用命令
  - run命令的参数（非常重要）
各种Docker容器部署
- 部署容器步骤
- 各大容器拉取
手动创建Docker镜像
- DockerFile
- 自己创建容器
VScode远程开发

简介

🐳 什么是 Docker？

Docker 是一个开源的 应用容器引擎 ，可以让开发者将应用和其所有依赖打包成一个“容器”，一次构建，到处运行。

“一次构建，到处运行”也就是说：

之前：

之前想跑ROS2+OpenCV+CUDA+CuDNN，我需要在一台电脑上一个一个环境的安装配置，如果我还要在另一台电脑上跑这个，也需要把第二台电脑也这样配置一遍。如果我的系统环境崩了，需要重装系统了，重装完后又双叒叕要再来一遍配置过程，很麻烦。

使用docker后：

（docker镜像和docker容器的概念在下下下面，下面这段话里看到镜像和容器的概念先接受就行。）

我只需要在电脑上用docker配置一遍这个ROS2+OpenCV+CUDA+CuDNN环境，然后用docker生成一个镜像，把这个镜像打包好。以后在任何一台电脑上，我都可以直接用这个镜像生成一个容器，而这个容器内就包含了我所需要的ROS2+OpenCV+CUDA+CuDNN环境，如果我的容器环境崩了，我只需要把坏掉的容器删掉，重新由镜像再生成一个新的容器即可。只需要配置一次，以后都可以一键安装这个环境。

📦 它是怎么工作的？

传统方式：软件运行需要在不同系统上安装各种库、配置环境，很麻烦。
Docker方式：打包成“容器”，环境和应用一起封装， 无论在哪运行都一样稳定 。

🔧 Docker 的几个基本概念

概念	解释
镜像	Image，运行容器的模板，像是一个应用快照
容器	Container，运行中的镜像实例，有自己的文件系统、网络等
Dockerfile	构建镜像的脚本，写明安装哪些包、设置哪些环境变量等
仓库	Registry，存放镜像的地方，比如 Docker Hub

抽象化理解:

Docker镜像≈C++类

Docker容器≈C++类实例(即对象)

形象化理解: 镜像可以类似于给电脑装系统的iso镜像文件。容器可以类似于已经被装到电脑上的可以运行的系统。

把镜像变为容器时，需要用docker run命令添加很多参数，这个可以理解你这个电脑到底有啥硬件配置。

🔍 类比理解

传统部署	Docker部署
手动安装依赖、调试版本不一致问题	一次打包环境和代码
程序“裸奔”跑在系统上	程序“穿着容器”隔离运行
容易“在我电脑上能跑”	保证“无论在哪都能跑”

就像快递包裹： 你不再关心内容怎么运送，因为包装已经帮你做好了一切隔离。

✅ Docker 的核心优势

优势	说明
轻量级	基于系统内核共享，启动速度快，占资源少
跨平台	一次构建，到处运行（Windows、Linux、macOS 上都一致）
易于迁移部署	应用和环境一起封装，不怕依赖不一致
易于版本控制	镜像版本可控，支持回滚
生态丰富	Docker Hub 上有成千上万的现成镜像可用

在Linux上可以几乎实现无性能损失。

docker里的发行版和本机共用Linux内核。

CPU损耗不到1%。内存接近原生没损耗。硬盘损耗不到2%。网络性能接近原生没有损耗。显卡损耗小于1%。

可以快速部署在绝大多数Linux发行版

你想跑ROS2，之前是仅在Ubuntu上是比较好部署的，但是现在你可以使用任意发行版，比如Fedora，ArchLinux等发行版上也能通过docker跑ROS2。

配置环境简单

之前你需要在Ubuntu上按照教程安装ROS2，CUDA，CuDNN，OpenCV4等等，但是只要你用了Docker，可以直接用docker pull命令拉取别人配置好的开发环境，只需要一条命令直通罗马。

你仅仅只需要把一个发行版最基础的东西配置好，比如那些仓库换源，输入法，显卡驱动（只用让显卡工作起来，不用在本机配置CUDA和CuDNN）等。

生态丰富

生态及其丰富，有很多东西即便自己不构建，也能在dockerhub上找到别人构建好的镜像，自己连编译都省去了。

比如之前配置cuda和cudnn的话，需要在本机先安装英伟达驱动，再安装CUDA和CuDNN。而现在，我们只需要本机安装英伟达驱动，英伟达官方在DockerHub上提供了CUDA和CUDNN的镜像，他们已经编译好了，我们可以直接拿来用。

📁 常见 Docker 应用场景

本地开发：快速搭建各种开发环境（如 Python + Jupyter、ROS + Gazebo）
测试部署：CI/CD 中自动测试、构建、部署
微服务架构：每个服务一个容器，灵活组合
科研工具封装：复现别人论文环境，或封装自己的项目发给他人使用

安装Docker

Linux安装Docker Engine(推荐)

Linux只需要安装Docker Engine就可以，不要安装docker desktop，那玩意是专门给Mac和Windows用的。

Linux跑docker性能损失很低，而Windows和MacOS跑docker损失相对于大一些。

https://docs.docker.com/engine/install/

https://mirrors.bfsu.edu.cn/help/docker-ce/

Ubuntu（APT）

以下内容根据官方文档修改而来。

如果你过去安装过 docker，先删掉：

for pkg in docker.io docker-doc docker-compose docker-compose-v2 podman-docker containerd runc; do sudo apt-get remove $pkg; done

首先安装依赖和GPG：

# Add Docker's official GPG key:
sudo apt-get update
sudo apt-get install ca-certificates curl
sudo install -m 0755 -d /etc/apt/keyrings
sudo curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg
sudo chmod a+r /etc/apt/keyrings/docker.asc

# 如果上面这行报错就弄下面这行
sudo chmod a+r /etc/apt/keyrings/docker.gpg

信任 Docker 的 GPG 公钥并添加仓库：

# Add the repository to Apt sources:
echo \
  "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://mirrors.bfsu.edu.cn/docker-ce/linux/ubuntu \
  "$(. /etc/os-release && echo "$VERSION_CODENAME")" stable" | \
  sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

最后安装

sudo apt-get update
sudo apt-get install docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin

Fedora（DNF5）

以下内容根据官方文档修改而来。(官方教程还是DNF4,太老了，请看下方的教程)

如果你之前安装过 docker，请先删掉

sudo dnf remove docker \
                  docker-client \
                  docker-client-latest \
                  docker-common \
                  docker-latest \
                  docker-latest-logrotate \
                  docker-logrotate \
                  docker-selinux \
                  docker-engine-selinux \
                  docker-engine

安装依赖，下载 repo 文件，并把软件仓库地址替换为镜像站：

sudo dnf -y install dnf-plugins-core
sudo dnf config-manager addrepo --from-repofile=https://download.docker.com/linux/fedora/docker-ce.repo
sudo sed -i 's+https://download.docker.com+https://mirrors.bfsu.edu.cn/docker-ce+' /etc/yum.repos.d/docker-ce.repo

最后安装：

sudo dnf install docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin

配置环境

检查 Docker 服务状态：

在 Linux 上，你可以通过以下命令检查 Docker 服务的状态：

systemctl status docker

启动 Docker 服务：

如果服务没有运行，可以使用以下命令启动 Docker 服务：

sudo systemctl start docker

设置 Docker 开机自启：

如果你希望 Docker 在每次启动时自动运行，可以启用开机自启：

sudo systemctl enable docker

将用户添加到 `docker` 组：

使用以下命令将当前用户添加到 docker 组：

sudo usermod -aG docker $USER

退出并重新登录：

执行完上述命令后，你需要退出当前会话并重新登录，或者运行以下命令使更改生效：

newgrp docker

重新启动 Docker 服务（如果需要）：

确保 Docker 服务正在运行，可以使用以下命令：

sudo systemctl start docker

重启电脑后检查 Docker 服务状态：

先重启电脑，接着你可以通过以下命令检查 Docker 服务的状态，看看是否正常：

sudo reboot

systemctl status docker

安装Docker Desktop（Win，Mac）

(Docker Desktop在Windows和MacOS使用的是虚拟机，性能有损失，在这俩系统上可以用，但是你需要接受这些性能损失。在Windows上性能损失和WSL2的损失几乎一样，因为Windows的docker desktop基于wsl2)

(Docker Desktop在Linux上只是Docker Engine的一个GUI管理工具，依然默认使用Docker Engine开启容器，所以依然几乎没有损耗，讨厌用命令行的可以考虑使用)

官方下载安装:https://www.docker.com/

Windows的Docker显卡直通与USB直通:

在Windows上想Nvidia显卡直通的话，需要先去DockerDesktop设置里开启WSL2支持并勾选一个wsl2的发行版，比如Ubuntu22.04，紧接着，需要进入wsl2的Ubuntu22.04中安装NVIDIA Container Toolkit，教程在下方。

在Windows的Docker上想要USB直通需要先让wsl2直通该usb，再在docker run命令将该设备添加到docker。(如果把wsl2所有设备全挂载到docker了，那么只需要让usb直通wsl2)

Docker直通

USB直通

方法一(不是很推荐新手)：

创建容器的时候把需要的设备加在红色部分这里即可。可以通过下面的命令查看想要的设备的名字。

ls /dev
#例如
--device=/dev/tty_USB0

方法二(个人更加推荐，不用重新再挂载了，虽然安全性会降低，但是别人利用安全权限能够攻击你的概率很低很低，企业服务器才需要提防)：

--privileged

直接添加一行绿色部分，然后所有设备都会被挂载到docker了。(红色部分就不用写了）

NVIDIA显卡直通

NVIDIA Container Toolkit使用户 能够构建和运行GPU加速的容器 。该工具包包括一个容器运行库和实用程序，用于自动配置容器以利用NVIDIA GPU。

https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html

安装

（尽量能看官方就看官方的，安装方式可能会更新）

Ubuntu

配置存储库并更新

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \
  && curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
    sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
    sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list \
  && \
    sudo apt-get update

安装nvidia-docker2

sudo apt-get install -y nvidia-docker2

使用nvidia-ctk命令配置container runtime

sudo nvidia-ctk runtime configure --runtime=docker

重启docker服务:

sudo systemctl restart docker

Fedora

Configure the production repository:

curl -s -L https://nvidia.github.io/libnvidia-container/stable/rpm/nvidia-container-toolkit.repo | \
sudo tee /etc/yum.repos.d/nvidia-container-toolkit.repo

Optionally, configure the repository to use experimental packages:

# 如果是RHEL或者Rocky（DNF4）
sudo dnf config-manager --add-repo https://nvidia.github.io/libnvidia-container/stable/rpm/libnvidia-container.repo

# 如果是Feodra41+（DNF5）
sudo dnf config-manager addrepo --from-repofile=https://nvidia.github.io/libnvidia-container/stable/rpm/libnvidia-container.repo

Install the NVIDIA Container Toolkit packages:

# 如果是RHEL或者Rocky
sudo dnf install -y nvidia-container-toolkit

# 如果是Fedora
sudo dnf install -y nvidia-container-toolkit

安装nvidia-docker2 ：在Fedora上使用dnf进行安装。

sudo dnf install -y nvidia-docker2

使用nvidia-ctk命令配置容器运行时 ：这个命令用于配置NVIDIA Container Toolkit与Docker集成。命令如下：

sudo nvidia-ctk runtime configure --runtime=docker

重启Docker服务 ：完成配置后，必须重启Docker服务以使更改生效：

sudo systemctl restart docker

这些步骤执行后，Docker将使用NVIDIA Container Runtime，并支持GPU加速的容器运行。你可以使用nvidia-smi命令来验证容器中的NVIDIA GPU是否可用。

测试是否可用

运行nvidia cuda 容器进行测试 ：

可以使用下面指令进行测试，docker会自动从nvidia/cuda拉取11.0.3-base-ubuntu20.04镜像，并创建一个运行一次即删除的容器。

sudo docker run --rm --gpus all nvidia/cuda:11.0.3-base-ubuntu20.04 nvidia-smi

Docker配置CUDA和CuDNN

如果你不需要自己创建Docker镜像，直接使用学长或者其他人创建好的镜像，则不用看该章节，容器的CUDA和CuDNN是和本地完全隔离的环境，你本地有没有CUDA都无所谓，但英伟达驱动版本必须满足CUDA的最低版本要求。

下面是如果你想自己创建镜像，则可以在学会如何创建容器的镜像后再回来看本节：

https://hub.docker.com/r/nvidia/cuda

在上方这个网站中，英伟达都帮我们配置好了CUDA和CuDNN了，我们根本不需要自己去配置了，比传统方式要简单太多太多了。

我们只需要找到对应的Docker镜像当底包即可。

CUDA镜像有三个类型，如下，如果我们需要编译OpenCV4,那么需要使用devel版的CUDA。

镜像类型	适用场景	示例标签	大小
base	仅需 CUDA 运行时库	12.4.0-base-ubuntu22.04	~240MB
runtime	部署编译后的应用（含数学库）	12.4.0-runtime-ubuntu22.04	~2GB
devel	开发环境（含编译工具）	12.4.0-devel-ubuntu22.04	~3GB

我示例一个，比如我想用在Ubuntu24.04上用CUDA12.6和CuDNN，那么就选择nvidia/cuda:12.6.0-cudnn-devel-ubuntu24.04。这个镜像既有CUDA-devel也有CuDNN，而且还是基于Ubuntu24.04的。

在dockerfile里就可以开头这么写。

# 基于NVIDIA官方CUDA 12.6和CuDNN基础镜像
FROM nvidia/cuda:12.6.0-cudnn-devel-ubuntu24.04

配置以太网

--net=host \

启动参数里加上这行即可。具体在下方。

DockerHub换源

（DockerHub已于2024年5月被🇨🇳封杀，各大国内镜像源均已下架DockerHub镜像源，直接挂梯用官方源吧）

各大镜像源只有Docker-Ce的镜像库，这个是用来安装docker的，而不是dockerhub的镜像源。

docker容器里的程序的图形界面弹不出来

（等你成功创建容器后，再回来搞这个操作）

临时允许X11访问：每次开机在主机上运行以下命令以允许X11访问：(但每次开机都运行一遍命令很麻烦，可以写成脚本开机自启，详见自启应用与脚本)

命令如下:

xhost +local:docker

自启脚本如下:

#!/bin/bash
# 等待 X Server 就绪（最多等 10 秒）
for i in {1..10}; do
    if [ -n "$DISPLAY" ] && xset q >/dev/null 2>&1; then
        /usr/bin/xhost +local:docker
        exit 0
    fi
    sleep 1
done

教程部分如下：

Docker命令学习

参考文档

https://www.runoob.com/docker/docker-tutorial.html

常用命令

常用的标红了，偶尔用的标绿了，其他了解就行。

命令	描述	示例
docker run	创建并启动一个新的容器。	docker run -it ubuntu bash
docker build	通过指定的 Dockerfile 创建一个新的镜像。	docker build -t myimage .
docker pull	从 Docker 仓库拉取镜像。	docker pull ubuntu
docker push	将本地镜像推送到 Docker 仓库。	docker push myimage
docker stop	停止一个正在运行的容器。	docker stop container_id
docker start	启动一个已经存在的容器。	docker start container_id
docker restart	重新启动容器。	docker restart container_id
docker ps	列出当前正在运行的容器。	docker ps
docker rm	删除一个或多个停止的容器。	docker rm container_id
docker exec	在一个正在运行的容器中执行命令。	docker exec -it container_id bash
docker logs	查看容器的日志输出。	docker logs container_id
docker images	列出本地所有镜像。	docker images
docker rmi	删除一个或多个镜像。	docker rmi myimage
docker network	管理 Docker 网络。	docker network ls
docker volume	管理 Docker 数据卷。	docker volume ls
docker-compose up	启动 docker-compose.yml 中定义的所有服务。	docker-compose up
docker-compose down	停止并移除 docker-compose.yml 中定义的所有服务及其相关资源。	docker-compose down
docker info	显示 Docker 系统的详细信息。	docker info
docker stats	查看正在运行的容器的实时资源使用情况（CPU、内存等）。	docker stats
docker inspect	查看容器或镜像的详细信息（JSON 格式）。	docker inspect container_id
docker save	将一个镜像保存为 tar 文件。	docker save -o myimage.tar myimage
docker load	从 tar 文件中加载镜像。	docker load -i myimage.tar
docker tag	为镜像添加标签（tag）。	docker tag myimage myimage:v1
docker buildx build	使用 Buildx 构建多架构镜像。	docker buildx build -t myimage .
docker buildx create	创建一个新的 Buildx 构建实例。	docker buildx create –use
docker buildx ls	列出所有可用的 Buildx 构建实例。	docker buildx ls
docker buildx use	设置当前的 Buildx 构建实例。	docker buildx use mybuilder
docker buildx bake	使用 Bake 文件批量构建镜像。	docker buildx bake -f bake.hcl
docker buildx build –push	构建镜像并推送到镜像仓库。	docker buildx build –push -t myimage .
docker buildx build –platform	构建镜像并为多个平台生成支持。	docker buildx build –platform linux/amd64,linux/arm64 -t myimage .

run命令的参数（非常重要）

参数/配置	功能说明	重要性与参考依据
–name=ros_jazzy_opencv411_cuda128_cudnn971_noble	指定容器名称，便于后续管理	替代随机生成的容器名。
–gpus all	允许容器访问宿主机所有GPU资源，需NVIDIA驱动支持	用于CUDA加速等GPU依赖任务。
-e NVIDIA_DRIVER_CAPABILITIES=all	启用NVIDIA驱动的全部功能（如CUDA、图形渲染）	确保容器内GPU功能完整67。
-dit	组合参数：- -d：后台运行容器（Detached模式）- -i：保持标准输入（STDIN）开放- -t：分配伪终端（TTY）	允许容器在后台运行并支持交互操作。
–privileged	赋予容器完全主机权限（可访问设备、内核模块等）	用于需要直接操作硬件的场景（如访问USB设备），但存在安全风险。
–net=host	共享宿主机网络命名空间（容器使用宿主机IP和端口）	简化网络配置，无NAT，这样的话，网络效率更高，局域网设备更容易发现。
–group-add audio–group-add video–group-add dialout	将容器用户加入宿主机用户组：- audio：音频设备访问- video：视频设备访问- dialout：串口设备访问	避免权限问题（如避免无法调用摄像头、麦克风）。
-e DISPLAY=$DISPLAY-e XAUTHORITY=/home/tungchiahui/.Xauthority-e WAYLAND_DISPLAY-e XDG_RUNTIME_DIR-e QT_QPA_PLATFORM=xcb	配置图形显示环境：- 绑定宿主机显示接口（X11或Wayland）- 设置GUI应用渲染后端	支持容器内运行图形界面应用（如OpenCV可视化）。
-v /tmp/.X11-unix:/tmp/.X11-unix:rw-v /dev/dri:/dev/dri	挂载宿主机图形设备：- X11套接字目录- 直接渲染管理器（DRI）设备	实现容器内图形显示。
-v $HOME/.Xauthority:/home/tungchiahui/.Xauthority:ro	挂载X11认证文件（只读）	确保容器有权连接宿主机显示服务。
-v /run/user/1000/wayland-0-v /run/user/1000	挂载Wayland显示协议相关目录	支持Wayland协议的图形显示。
–ulimit nofile=1024:524288	设置进程最大可打开文件数（nofile）的方式，用于控制容器或进程运行时的文件句柄数量限制。–ulimit <限制类型>=<软限制>:<硬限制>	如果默认限制太小，可能会出现 “too many open files” 的错误。所以在容器运行或系统服务启动时，需要调大这个值。–ulimit nofile=4096:65536
-v /home/tungchiahui:/home/tungchiahui	挂载宿主机用户目录到容器内同名路径	实现宿主机与容器间文件共享（如代码、数据持久化）。
-w /home/tungchiahui	设置容器启动后的默认工作目录	直接进入项目路径，方便执行命令2324。
tungchiahui/ros-opencv:jazzy-411-cuda128-cudnn971-noble	镜像名称指定镜像及标签，包含：- ROS 2 Jazzy- OpenCV 4.11- CUDA 12.8- cuDNN 9.7.1	提供预配置的深度学习与机器人开发环境。

下方这条命令一定要在普通用户下运行，不要在root用户下运行，其实加不加sudo加不加sudo -E都无所谓。

用户已经被加到docker组了，不用sudo也行跑，其次，sudo运行的话，你的$HOME变量也不会变，更何况加上-E的话，这样你的$HOME更不可能变了。

sudo docker run --name=ros_opencv_cuda \
--gpus all \
-e NVIDIA_DRIVER_CAPABILITIES=all \
-e DISPLAY=$DISPLAY \
-dit \
--privileged \
--net=host \
--group-add audio \
--group-add video \
--group-add dialout \
-e XAUTHORITY=$HOME/.Xauthority \
-e WAYLAND_DISPLAY=$WAYLAND_DISPLAY \
-e XDG_RUNTIME_DIR=$XDG_RUNTIME_DIR \
-e QT_QPA_PLATFORM=xcb \
-v /tmp/.X11-unix:/tmp/.X11-unix:rw \
-v /dev/dri:/dev/dri \
-v $HOME/.Xauthority:$HOME/.Xauthority:ro \
-v /run/user/$(id -u)/wayland-0:/run/user/$(id -u)/wayland-0 \
-v /run/user/$(id -u):/run/user/$(id -u) \
-v $HOME:$HOME \
-w $HOME \
tungchiahui/ros-opencv:humble-411-cuda128-cudnn970-jammy

注意：

NVIDIA_DRIVER_CAPABILITIES=all --gpus all没有英伟达显卡请注释。
--name后面请自己为容器起名。
最后一行仓库名称请你自己找对应的镜像填上。
ROS1在Fedora发行版下会爆内存，需要添加上下面这个参数，如果你不是Fedora和ROS1,请不要加。

--ulimit nofile=1024:524288 \

如果想用当前用户登陆容器,可以加上下面这几条,但非常非常不建议.

--user $(id -u):$(id -g) \
-v /etc/passwd:/etc/passwd:ro \
-v /etc/group:/etc/group:ro \

各种Docker容器部署

部署容器步骤

先从dockerhub拉取（docker pull）镜像，然后再通过docker run命令创建容器即可。（直接运行docker run命令也行，这会自己寻找本地镜像并创建，如果本地没有则会自动去dockerhub上寻找镜像并拉取创建容器一条龙服务。）

下面是各大容器拉取的命令（均支持amd64和arm64架构）：

各大容器拉取

Vinci机器人队暂时主使用的docker版本

（该版本暂未构建上传到dockerhub，但是tungchiahui/ros-opencv:humble-411-cuda128-cudnn970-jammy已经实现了下列说的全部了）

https://hub.docker.com/repositories/sdutvincirobot

https://github.com/SDUTVINCI/docker

使用以下带有CUDA和CuDNN的Docker必须满足的条件:

有英伟达NVIDIA独立显卡
显卡驱动必须满足≥570.86.10
设备的架构必须为amd64(x86_64)架构或者aarch64(arm64)架构。(绝大多数设备均满足)
支持的显卡型号如下:
1. GTX10系列桌面端、移动端显卡均已支持
2. RTX20-RTX50系列桌面端、移动端显卡均已支持
3. NVIDIA Jetson AGX Orin、NVIDIA Jetson Orin NX、NVIDIA Jetson Orin Nano工控机已支持
4. NVIDIA Jetson AGX Xavier、NVIDIA Jetson Xavier NX工控机已支持
5. 其他显卡均未适配，强行使用其他显卡肯定会有不兼容的问题，如果想要适配你的显卡型号，请单独联系学长

该镜像包含的内容：

Ubuntu22.04
ROS2 Humble
OpenCV4.11
CUDA12.8
CuDNN9.7.0
cv_bridge(amd64支持，但arm64暂时没构建，请自行构建)
Livox-SDK2
(但无Livox-ROS-Driver2，自己在ws下编译吧)

请电控组成员在组长的允许下，变更该docker镜像内容，dockerfile和镜像均上传到github及dockerhub上了。

从dockerhub上拉取镜像

docker pull sdutvincirobot/ros-opencv:humble-411

ROS+OpenCV纯CPU版本

https://hub.docker.com/repository/docker/tungchiahui/ros

https://github.com/tungchiahui/ros-docker/blob/main/README-zh_CN.md

从dockerhub上拉取镜像

暂时主要维护ROS Humble的版本，其他版本随缘更新，但也基本都是非常够用的状态（随着战队主要使用的版本而变化）

docker pull tungchiahui/ros:noetic-focal

docker pull tungchiahui/ros:humble-jammy

docker pull tungchiahui/ros:jazzy-noble

（无ROS）OpenCV4.11+CUDA12.8+CuDNN9.7.0

https://hub.docker.com/repository/docker/tungchiahui/opencv

https://github.com/tungchiahui/ros-docker/blob/main/README-zh_CN.md

OpenCV4.11+CUDA12.8+CuDNN9.7.0：

（因为50系显卡最低要跑CUDA12.8,所以拉高门槛）

https://pcnveplwrxf8.feishu.cn/sync/HtRPdZxPHsfwnwbXDsjcBfVcnah

暂时主要维护Ubuntu Jammy的版本，其他版本随缘更新，但也基本都是非常够用的状态（随着战队主要使用的版本而变化）

docker pull tungchiahui/opencv:411-cuda128-cudnn970-focal

docker pull tungchiahui/opencv:411-cuda128-cudnn971-jammy

docker pull tungchiahui/opencv:411-cuda128-cudnn971-noble

ROS+OpenCV4.11+CUDA12.8+CuDNN9.7.0

https://hub.docker.com/repository/docker/tungchiahui/ros-opencv/general

https://github.com/tungchiahui/ros-docker/blob/main/README-zh_CN.md

拉取镜像：

ROS+OpenCV4.11+CUDA12.8+CuDNN9.7.0：

（因为50系显卡最低要跑CUDA12.8,所以拉高门槛）

使用以下带有CUDA和CuDNN的Docker必须满足的条件:
1. 有英伟达NVIDIA独立显卡
2. 显卡驱动必须满足≥570.86.10
3. 设备的架构必须为amd64(x86_64)架构或者aarch64(arm64)架构。(绝大多数设备均满足)
4. cv_bridge(amd64支持，但arm64暂时没构建，请自行构建)
5. 支持的显卡型号如下:
  1. GTX10系列桌面端、移动端显卡均已支持
  2. RTX20-RTX50系列桌面端、移动端显卡均已支持
  3. NVIDIA Jetson AGX Orin、NVIDIA Jetson Orin NX、NVIDIA Jetson Orin Nano工控机已支持
  4. NVIDIA Jetson AGX Xavier、NVIDIA Jetson Xavier NX工控机已支持
  5. 其他显卡均未适配，强行使用其他显卡肯定会有不兼容的问题，如果想要适配你的显卡型号，请单独联系学长
暂时主要维护ROS Humble的版本，其他版本随缘更新，但也基本都是非常够用的状态随着战队主要使用的版本而变化）

docker pull tungchiahui/ros-opencv:noetic-411-cuda128-cudnn970-focal

docker pull tungchiahui/ros-opencv:humble-411-cuda128-cudnn970-jammy

docker pull tungchiahui/ros-opencv:jazzy-411-cuda128-cudnn971-noble

手动创建Docker镜像

（嫌麻烦的话，直接去看各种docker容器部署的章节）（有别人给你创建好的，就别自己折腾啦）

DockerFile

指令	说明	示例
FROM	指定基础镜像，是 Dockerfile 的起点	FROM ubuntu:22.04
LABEL	添加元数据（如作者、版本等）	LABEL maintainer=”you@example.com”
ENV	设置环境变量	ENV PORT=8080
ARG	构建参数，只在构建期间可用	ARG VERSION=1.0
RUN	构建镜像时运行命令	RUN apt-get update && apt-get install -y curl
COPY	复制文件到镜像中	COPY . /app
ADD	类似 COPY，额外支持解压 .tar 文件或远程 URL（不推荐用于 URL）	ADD archive.tar.gz /data/
WORKDIR	设置工作目录	WORKDIR /opt
CMD	设置容器启动时默认命令（可被 docker run 覆盖）	CMD [“node”, “index.js”]
ENTRYPOINT	设置容器启动时固定命令（通常用于 CLI 工具等）	ENTRYPOINT [“python3”]
EXPOSE	声明镜像内服务监听的端口（不会自动映射）	EXPOSE 80
VOLUME	声明数据卷挂载点	VOLUME [“/data”]
USER	设置后续命令执行的用户	USER appuser
ONBUILD	当镜像作为其他镜像基础镜像时触发的构建指令	ONBUILD COPY . /src
SHELL	更改默认 shell，比如将 sh -c 改为 bash -c	SHELL [“/bin/bash”, “-c”]
HEALTHCHECK	定义容器运行时的健康检查命令	`HEALTHCHECK CMD curl –fail http://localhost:8080
STOPSIGNAL	容器停止时发送的信号	STOPSIGNAL SIGKILL

自己创建容器

手动创建

https://github.com/tungchiahui/ros-docker

# DockerFile内容请看Github仓库中的DockerFile

在x86电脑上编译x86的：

docker build -t ros-melodic-cuda118-cudnn8-bionic:latest .

docker build -t ros-noetic-focal:latest .

docker build -t ros-humble-jammy:latest .

docker build -t ros-jazzy-noble:latest .

docker build -t ros-humble-opencv411-cuda128-cudnn970-jammy:latest .

docker build -t ros-jazzy-opencv411-cuda128-cudnn970-noble:latest .

镜像大小5GB(压缩后的大小详见DockerHub)

将 Docker 镜像推送到 Docker Hub 的步骤如下：

创建 Docker Hub 账户

如果你还没有 Docker Hub 账户，请前往 Docker Hub 注册一个免费账户。

在终端中使用以下命令登录到你的 Docker Hub 账户：

docker login

输入你的 Docker Hub 用户名和密码进行验证。

为你的镜像打标签

Docker Hub 使用 <用户名>/<镜像名>:<标签> 的格式来标识镜像。你需要为你的镜像打上标签，以便能够推送到 Docker Hub。使用以下命令：

docker tag ros-jazzy-noble:latest <你的用户名>/ros-jazzy-noble:latest

例如，如果你的 Docker Hub 用户名是 tungchiahui，你应该执行：

docker tag ros-noetic-focal:latest tungchiahui/ros-noetic-focal:latest

docker tag ros-humble-jammy:latest tungchiahui/ros-humble-jammy:latest

docker tag ros-jazzy-noble:latest tungchiahui/ros-jazzy-noble:latest

docker tag ros-humble-opencv411-cuda128-cudnn970-jammy:latest tungchiahui/ros-humble-opencv411-cuda128-cudnn970-jammy:latest

docker tag ros-jazzy-opencv411-cuda128-cudnn970-noble:latest tungchiahui/ros-jazzy-opencv411-cuda128-cudnn970-noble:latest

推送镜像到 Docker Hub

使用以下命令将镜像推送到 Docker Hub：

docker push <你的用户名>/ros-noetic-jazzy-noble:latest

例如：

docker push tungchiahui/ros-noetic-focal:latest

docker push tungchiahui/ros-humble-jammy:latest

docker push tungchiahui/ros-jazzy-noble:latest

docker push tungchiahui/ros-humble-opencv411-cuda128-cudnn970-jammy:latest

docker push tungchiahui/ros-jazzy-opencv411-cuda128-cudnn970-noble:latest

docker push tungchiahui/ros-noetic-focal-arm64:latest

验证推送成功

你可以通过访问 Docker Hub 的个人页面来验证你的镜像是否已成功推送。

注意事项

确保你的镜像大小在 Docker Hub 的限制范围内（一般为 10GB）。
如果你打算将镜像公开，可以设置为公共仓库；如果希望只有你自己可以访问，可以设置为私有仓库。

手动创建(跨平台多架构构建)

如果您想在 x86/x64 电脑上即为本机x86设备构建镜像，又想为树莓派、Jetson等ARM64 设备构建 Docker 镜像 ，需要使用 Docker 的跨平台构建功能 。以下是完整解决方案：

1. 启用 Docker 跨平台构建

在 x86 主机上模拟 ARM64 环境需要以下工具：

第一步：启用 buildx（只需执行一次）

docker buildx create --name multiarch_builder --use

这会创建并启用一个支持多架构构建的 builder，电脑重启后也依然存在，所以只用运行一次。

第二步：安装 QEMU 支持（一般新版 Docker Desktop 已自带，但是Linux必须要安装）如果你用的是服务器或Linux发行版，确保有 qemu 模拟器：

docker run --rm --privileged multiarch/qemu-user-static --reset -p yes

电脑重启后，就会消失，所以需要你每次电脑重启后，在buildx命令前，运行一次该命令即可。

第三步：构建多架构镜像用下面的命令构建 amd64 和 arm64：

docker buildx build --platform linux/amd64,linux/arm64 -t <你的镜像名>:<标签> --push .

# 例子：
docker buildx build \
--platform linux/amd64,linux/arm64 \
 -t tungchiahui/ros:noetic-focal \
 --push \
 .

docker buildx build \
--platform linux/amd64,linux/arm64 \
 -t tungchiahui/ros:humble-jammy \
 --push \
 .

docker buildx build \
--platform linux/amd64,linux/arm64 \
 -t tungchiahui/ros:jazzy-noble \
 --push \
 .

 docker buildx build \
--platform linux/amd64,linux/arm64 \
 -t tungchiahui/opencv:411-cuda128-cudnn970-focal \
 --push \
 .

docker buildx build \
--platform linux/amd64,linux/arm64 \
 -t tungchiahui/opencv:411-cuda128-cudnn971-jammy \
 --push \
 .

 docker buildx build \
--platform linux/amd64,linux/arm64 \
 -t tungchiahui/opencv:411-cuda128-cudnn971-noble \
 --push \
 .

docker buildx build \
--platform linux/amd64,linux/arm64 \
 -t tungchiahui/ros-opencv:noetic-411-cuda128-cudnn970-focal \
 --push \
 .

docker buildx build \
--platform linux/amd64,linux/arm64 \
 -t tungchiahui/ros-opencv:humble-411-cuda128-cudnn970-jammy \
 --push \
 .

 docker buildx build \
--platform linux/amd64,linux/arm64 \
 -t tungchiahui/ros-opencv:jazzy-411-cuda128-cudnn970-noble \
 --push \
 .

  docker buildx build \
--platform linux/amd64,linux/arm64 \
 -t sdutvincirobot/ros-opencv:humble-411-cuda128-cudnn970-jammy \
 --push \
 .

说明： –platform 指定多架构。 –push 是必须的，因为 buildx 的多平台构建默认是不能本地加载的（除非加 –load，但那只能支持单一架构）。

清除构建缓存


# 清理BuildKit构建缓存
docker builder prune -f

VScode远程开发

插件1：微软Docker工具

docker扩展插件已经进化为container tools了，请安装container tools。

插件2：微软Docker远程开发工具

下面这是远程开发的插件。

上述教程已经挂载了本地磁盘了，所以在Docker容器中可以轻松访问本地的工程。

Docker教程

简介

🐳 什么是 Docker？

📦 它是怎么工作的？

🔧 Docker 的几个基本概念

🔍 类比理解

✅ Docker 的核心优势

📁 常见 Docker 应用场景

安装Docker

Linux安装Docker Engine(推荐)

Ubuntu（APT）

Fedora（DNF5）

配置环境

检查 Docker 服务状态 ：

启动 Docker 服务 ：

设置 Docker 开机自启 ：

将用户添加到 docker 组 ：

退出并重新登录 ：

重新启动 Docker 服务（如果需要） ：

重启电脑后检查 Docker 服务状态 ：

安装Docker Desktop（Win，Mac）

Docker直通

USB直通

NVIDIA显卡直通

安装

Ubuntu

Fedora

测试是否可用

Docker配置CUDA和CuDNN

配置以太网

DockerHub换源

docker容器里的程序的图形界面弹不出来

Docker命令学习

参考文档

常用命令

run命令的参数（非常重要）

各种Docker容器部署

部署容器步骤

各大容器拉取

Vinci机器人队暂时主使用的docker版本

ROS+OpenCV纯CPU版本

（无ROS）OpenCV4.11+CUDA12.8+CuDNN9.7.0

ROS+OpenCV4.11+CUDA12.8+CuDNN9.7.0

手动创建Docker镜像

DockerFile

自己创建容器

手动创建

手动创建(跨平台多架构构建)

清除构建缓存

VScode远程开发

检查 Docker 服务状态：

启动 Docker 服务：

设置 Docker 开机自启：

将用户添加到 `docker` 组：

退出并重新登录：

重新启动 Docker 服务（如果需要）：

重启电脑后检查 Docker 服务状态：