Última actividad 7 months ago

20260420_132953.jpg Sin formato
20260420_132953.jpg
20260420_133006.jpg Sin formato
20260420_133006.jpg
README.md Sin formato

info.md Sin formato

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.

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

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:

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).
This file can't be rendered. Ver el archivo completo.
Схема.png Sin formato
Схема.png
сборка harvesters.md Sin formato

Установка harvesters из исходного кода выполняется стандартным для современных Python-пакетов способом. Библиотека написана на чистом Python (использует ctypes для взаимодействия с GenTL), поэтому компиляция C/C++ не требуется.

📦 Требования

  • Python 3.7 или выше
  • git
  • pip (желательно актуальной версии)
  • Рекомендуется использовать виртуальное окружение

🛠 Пошаговая инструкция

1. Клонирование репозитория

git clone https://github.com/genicam/harvesters.git
cd harvesters

2. Создание и активация виртуального окружения

Linux / macOS:

python -m venv venv
source venv/bin/activate

Windows (CMD):

python -m venv venv
venv\Scripts\activate.bat

Windows (PowerShell):

python -m venv venv
venv\Scripts\Activate.ps1

3. Обновление инструментов сборки

pip install --upgrade pip setuptools wheel build

4. Установка из исходников

pip install .

💡 Эта команда автоматически разрешит все зависимости (numpy, genicam-обёртки и др.), указанные в pyproject.toml.


🧑‍💻 Режим разработки (editable install)

Если вы планируете вносить правки в код или запускать тесты, установите пакет в режиме разработки:

pip install -e .[dev]

Если группа dev не определена в вашем коммите, используйте просто pip install -e .

Теперь изменения в исходниках будут сразу доступны без повторной установки.


✅ Проверка установки

python -c "import harvesters; print(harvesters.__version__)"

Команда должна вывести номер версии без ошибок.


⚠️ Важные нюансы

  1. GenTL Producer (.cti файлы)
    harvesters — это только клиентская библиотека. Для работы с камерами вам потребуется GenTL Producer от производителя оборудования (Basler, FLIR, Stemmer, OpenCV GenICam и т.д.). Путь к .cti файлу указывается при инициализации:

    from harvesters.core import Harvester
    h = Harvester()
    h.add_file('/path/to/your/producer.cti')
    h.update()
    
  2. Зависимости от ОС
    На некоторых Linux-дистрибутивах может потребоваться установить системные пакеты для numpy или ctypes (обычно python3-dev, libffi-dev), но в 95% случаев pip справляется самостоятельно.

  3. Официальная документация

Если при установке возникнут ошибки (например, конфликт версий numpy или проблемы с разрешениями), пришлите вывод консоли — помогу разобраться.