# Это не протестированный образ Вот готовый `Dockerfile`. Поскольку официальная поддержка CUDA в пакетах `opencv-python` и `ffmpeg` через `pip`/`dnf` отсутствует, библиотеки собираются из исходников с флагами аппаратного ускорения NVIDIA. ```dockerfile FROM registry.red-soft.ru/ubi8/python-311:latest # Переключаемся на root для установки системных пакетов USER root # Устанавливаем dnf-plugins-core для управления репозиториями RUN dnf install -y dnf-plugins-core # Включаем репозиторий Codeready Builder (содержит dev-пакеты в UBI) RUN dnf config-manager --set-enabled ubi-8-codeready-builder # Установка зависимостей сборки, инструментов и запрошенных системных библиотек # Примечание: названия пакетов адаптированы под RHEL 8 / UBI 8: # libusb-1.0-0 -> libusb1 # libglib2.0-0 -> glib2 # libgl1-mesa-glx -> mesa-libGL # libgomp1 -> libgomp RUN dnf install -y \ gcc gcc-c++ make cmake git pkgconfig \ python3.11-devel \ libusb1 glib2 mesa-libGL libgomp net-tools \ nasm yasm wget curl \ && dnf clean all # Добавляем официальный репозиторий NVIDIA CUDA и устанавливаем CUDA Toolkit (12.4) RUN dnf install -y https://developer.download.nvidia.com/compute/cuda/repos/rhel8/x86_64/cuda-rhel8-repo-latest-1.x86_64.rpm \ && dnf install -y cuda-toolkit-12-4 \ && dnf clean all ENV PATH=/usr/local/cuda/bin:$PATH ENV LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH ENV PKG_CONFIG_PATH=/usr/local/lib/pkgconfig:$PKG_CONFIG_PATH # Установка Python-библиотеки harvesters RUN pip install --no-cache-dir harvesters # ========================================================== # Сборка FFmpeg с поддержкой NVIDIA (cuvid, nvenc, nvdec) # ========================================================== RUN git clone --depth 1 --branch n7.0 https://github.com/FFmpeg/FFmpeg.git /tmp/ffmpeg \ && cd /tmp/ffmpeg \ && ./configure \ --prefix=/usr/local \ --enable-cuda-nvcc \ --enable-cuvid \ --enable-nvenc \ --enable-nvdec \ --enable-gpl \ --enable-nonfree \ --enable-shared \ --extra-cflags="-I/usr/local/cuda/include" \ --extra-ldflags="-L/usr/local/cuda/lib64" \ && make -j$(nproc) \ && make install \ && ldconfig \ && rm -rf /tmp/ffmpeg # ========================================================== # Сборка OpenCV с поддержкой CUDA # ========================================================== RUN git clone --depth 1 --branch 4.9.0 https://github.com/opencv/opencv.git /tmp/opencv \ && git clone --depth 1 --branch 4.9.0 https://github.com/opencv/opencv_contrib.git /tmp/opencv_contrib \ && mkdir -p /tmp/opencv/build && cd /tmp/opencv/build \ && cmake -D CMAKE_BUILD_TYPE=RELEASE \ -D CMAKE_INSTALL_PREFIX=/usr/local \ -D PYTHON3_EXECUTABLE=/usr/bin/python3.11 \ -D WITH_CUDA=ON \ -D CUDA_ARCH_BIN=5.2,6.0,6.1,7.0,7.5,8.0,8.6,8.9,9.0 \ -D ENABLE_FAST_MATH=ON \ -D CUDA_FAST_MATH=ON \ -D WITH_CUBLAS=ON \ -D OPENCV_DNN_CUDA=ON \ -D OPENCV_EXTRA_MODULES_PATH=/tmp/opencv_contrib/modules \ -D BUILD_opencv_python3=ON \ -D BUILD_TESTS=OFF \ -D BUILD_PERF_TESTS=OFF \ -D BUILD_EXAMPLES=OFF \ .. \ && make -j$(nproc) \ && make install \ && ldconfig \ && rm -rf /tmp/opencv /tmp/opencv_contrib # Очистка инструментов сборки для уменьшения размера образа RUN dnf remove -y gcc gcc-c++ make cmake nasm yasm wget curl git \ && dnf clean all \ && pip cache purge ENV PYTHONUNBUFFERED=1 # Возврат к стандартному non-root пользователю UBI USER 1001 WORKDIR /app CMD ["python3.11", "-c", "import cv2; print(f'OpenCV: {cv2.__version__}'); print('CUDA devices:', cv2.cuda.getCudaEnabledDeviceCount())"] ``` ### 🔧 Как собрать и запустить **1. Сборка образа** ```bash docker build -t ubi8-python-cv-nvidia . ``` **2. Запуск с доступом к GPU** Контейнер необходимо запускать с пробросом NVIDIA GPU, иначе `cv2.cuda` и `ffmpeg` не увидят видеокарту: ```bash docker run --gpus all --rm ubi8-python-cv-nvidia ``` *(Если используется старая версия Docker, вместо `--gpus all` потребуется `--device /dev/nvidia0 --device /dev/nvidiactl --device /dev/nvidia-uvm`)* ### 📌 Важные примечания 1. **Время сборки и размер образа**: Компиляция OpenCV и FFmpeg из исходников занимает 10–30 минут (зависит от CPU) и значительно увеличивает размер образа. Для продакшена рекомендуется вынести этапы компиляции в отдельный stage или использовать кэширование Docker BuildKit. 2. **Архитектура GPU**: В `CUDA_ARCH_BIN` указаны коды архитектур от GTX 900 до RTX 40 серии. Если у вас конкретная карта (например, только RTX 3090), ускорьте сборку, оставив только `8.6`. 3. **Harvesters**: Пакет `harvesters` установлен через `pip`. Для работы с реальными промышленными камерами (GenICam/USB3Vision) вам потребуется скопировать в контейнер `.cti` файлы от производителя камеры и установить их в переменную окружения `GENICAM_GENTL64_PATH`. 4. **cuDNN**: OpenCV собрана с `OPENCV_DNN_CUDA=ON`. Если нужен полный бэкенд cuDNN для нейросетей, его необходимо скачать вручную с сайта NVIDIA Developer и добавить в образ перед сборкой OpenCV (требуется учетная запись).