2025/11/10Wiki--浏览次数--访问次数--跳出率--平均停留

Docker

将宿主机的硬件设备或特定资源直接传递给Docker容器使用的技术

3.Docker直通

将宿主机的硬件设备或特定资源直接传递给Docker容器使用的技术

3.1.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。

CODE

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)：

CODE

--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）

3.2.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

3.2.1.安装

（尽量能看官方就看官方的，安装方式可能会更新）

3.2.1.1.Ubuntu

配置存储库并更新

CODE

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

CODE

sudo apt-get install -y nvidia-docker2

使用nvidia-ctk命令配置container runtime

CODE

sudo nvidia-ctk runtime configure --runtime=docker

重启docker服务:

CODE

sudo systemctl restart docker

3.2.1.2.Fedora

配置存储库

CODE

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

配置NVIDIA容器工具库的官方软件源，使用实验包，可选

CODE

# 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

安装NVIDIA Container Toolki包

CODE

# 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

CODE

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：

CODE

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：

CODE

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

方法：

1️⃣nvidia-smi

2️⃣运行nvidia cuda 容器进行测试

CODE

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

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

3.3.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：

CODE

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

3.4.配置以太网

指定网络模式

CODE

--net=host \

启动参数里加上这行即可。具体在下方

--net选项：指定网络模式，该选项有以下参数可选：

--net=bridge:默认选项，表示连接到默认的网桥
--net=host:容器使用宿主机的网络
--net=container:Name-or-ID:告诉Docker让新建的容器使用已有容器的网络配置
--net=none：不配置该容器的网络，用户自定义网络配置