소개

jetson은 arm 아키텍처이므로 환경 구축이 번거롭습니다

nvidia 공식 jetson 용 심층 학습 이미지가있다 nvidia NGC

vscode를 사용하여 편안하게 개발하고 싶습니다

흐름

vscode 설치

vscode에 docker extention 설치

dockerhub에서 이미지 pull

컨테이너 시작

vscode로 컨테이너에 연결

vscode 설치

여기에서 다운로드하여 설치할 수 있습니다.

jetson은 arm 아키텍처이므로 ARM64를 선택하십시오.

docker extention 설치

vscode 확장에서 도커을 설치하십시오.

이미지를 풀다

nvidia NGC에서 jetson 용 이미지를 pull하십시오. 이번에는 pytorch를 사용하고 싶으므로 이
jetpack 버전에 맞춰야 하므로 jetpack 버전을 확인합니다.

> dpkg-query --show nvidia-l4t-core
nvidia-l4t-core 32.4.4-20201016123640

이 버전에 있던 것을 pull합니다.

docker pull nvcr.io/nvidia/l4t-pytorch:r32.4.4-pth1.6-py3

컨테이너를 시작

터미널에서

docker run --rm --runtime nvidia --network host -v /home/user/project:/location/in/container nvcr.io/nvidia/l4t-pytorch:r32.4.4-pth1.6-py3

를 입력하면 컨테이너가 시작됩니다.
--rm (은)는 컨테이너 종료시에 자동적으로 컨테이너를 삭제하는 명령 (삭제하고 싶지 않은 경우는 --rm 명령을 붙이지 않는다)
--runtime nvidia 이것을 붙이면 jetson의 cuda 환경을 docker에 제공할 수 있다
-v : 왼쪽이 마운트 하고 싶은 호스트의 파일 패스 (절대 패스가 아니면 안되는 것 같다). 오른쪽이 컨테이너내의 파일의 두는 장소.



docker extension에서 컨테이너가 일어나는 것을 볼 수 있습니다.

vscode로 컨테이너에 연결

vscode의 docker extension에서 컨테이너가 시작되는 컨테이너에서 마우스 오른쪽 버튼을 클릭하고 attach visual studio code를 선택합니다.


vscode로 개발할 환경이 갖추어졌습니다.

실제로 움직이는지 확인

GPU가 인식되는지 확인합시다.

import torch
# GPUの確認
use_cuda = torch.cuda.is_available()
print('Use CUDA:', use_cuda)

실행 결과는 다음과 같습니다.

Use CUDA: True

docker 컨테이너에서 GPU를 사용하여 심층 학습을 개발할 수 있습니다.