docker redroid 使用显卡 docker amd显卡

Hardware requirements：

Recommended

• 1 GPU or more
• 16 GB GPU memory
• 8 core CPU
• 32 GB system RAM
• 80 GB free disk space

Software Requirements：

• Ubuntu 16.04 LTS, Downloaded from Ubuntu Releases
• NVIDIA GPU driver v410.xx or above, Download from Official Drivers | NVIDIA.
• nvidia-docker 2.0 installed, instructions: https://github.com/NVIDIA/nvidia-docker.

1 Annotation Part

1.1 docker installation

本工程需要配置的Nvidia-docker建议安装docker19.03以后的版本，Nvidia-docker我理解的意义是在docker的基础上增加了访问GPU的能力，docker本身是不具备访问GPU的能力的。（TODO：确认Nvidia-docker具体实现了哪些东西。）

安装可见官网，建议离线下载安装：Index of linux/ubuntu/dists/

ubuntu16选择xenial，选择pool，选择edge（目前docker19.03版本还不属于stable版本），选择amd64（一般都是这个，具体参照：Debian -- 移植），下载containerd.io,docker-ce-cil,docker-ce,因为有依赖关系，按顺序安装，顺序错了会提示你。（dpkg -i 即可）

如果你安装了旧版的docker，需要先卸载：参考官网- Redirecting…

1.2 Nvidia-docker

这个github写的还挺详细的，我在啰嗦写一遍：

$ distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
$ curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
$ curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

$ sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit
$ sudo systemctl restart docker

后边都是针对其他系统的Nvidia-docker配置了，这时候可以测试一下：

#### Test nvidia-smi with the latest official CUDA image
$ docker run --gpus all nvidia/cuda:9.0-base nvidia-smi

我现在配置Nvidia-docker的时候已经不是Nvidia-docker 2.0 了，升级了，使用上的差别的话，现在调用GPU是--gpus的命令，过去是 --runtime=nvidia。

1.3 Get NGC API Key

NGC(NVIDIA GPU CLOUD), 网站：GPU-optimized AI, Machine Learning, & HPC Software | NVIDIA NGC，在左边选择SETUP，选择Generate API Key。按流程操作吧，把Key记下来，只出现一次，后边忘了就要重置了。

1.4 Pull Clara-Train_SDK from nvcr.io

$ docker login nvcr.io

Username: $oauthtoken
Password: <Your Key>

注意，这里的Username就输入"$oauthtoken"这个字符串，不是什么你的账号啊、名字之类的。Password就是你上一步保存的Key。

这时候相当于你登录了Nvidia的仓库，你已经获得了Nvida的授权，可以在上边下载东西了，sdk下载使用命令：

docker pull nvcr.io/nvidia/clara-train-sdk:v1.1-py3

这个可能多次失败，因为在外网，并且太大了，7个多G。

你们可以试试先logout你们的nvcr.io账户，登录你们的docker账户，用下边的命令从docker的仓库下载

docker pull pengbol/nvidia-clara-train-sdk-original:v1.1-py3

这个好想比Nvidia的靠谱点儿，我从这里下载下来的。

1.5 launch the annotation server

# --gpus all means using all gpus in your machine
sudo docker run --gpus '"device=3"' -it --rm -p 5000:5000 pengbol/nvidia-clara-train-sdk-original:v1.1-py3 start_aas.sh

其中DOCKER_IMAGE就是我们前边下载的image（镜像：tag）。

具体的镜像名字和tag可以通过docker image ls查看。

这时候MITK那些软件填写好annotation server的地址后就可以和server通信了，server负责计算MITK中的客户（client）操作。

1.6 pull pre-trained model

最原始的clara-train-sdk image中是没有预训练模型呢的，需要去仓库拉取到server中。官方教程中介绍了两种方法：

方法1: 通过可视化界面交互的方式获取， http://127.0.0.1:5000/docs/ 填写相关信息；

方法2: 通过命令行的形式获取：

curl -X PUT "http://0.0.0.0:5000/admin/model/annotation_ct_spleen" -H "accept: application/json" -H "Content-Type: application/json" -d '{"path":"nvidia/med/annotation_ct_spleen","version":"1"}'

-X PUT是指这个操作的基本含义，-H是header信息，-d是路径，这里的路径是指要下载的pre-trained的路径，NGC仓库的路径，不是本地的。PUT后边的路径的basename是个名字而已，可以随意修改。

但是这个需要在docker环境下的命令行执行，所以启动了上边的annotation server之后还要再开一个新的terminal进入命令行模式：

sudo docker run -it --rm --ipc=host --net=host --gpus all [--mount type=bind,source=/your/dataset/location,target=/workspace/data] $dockerImage /bin/bash [官方命令]
or
sudo docker run -it --rm --ipc=host --net=host --gpus all [-v source:workspace target] $dockerImage /bin/bash [我用的命令]

ps：选择模型的话可以看Nvidia有多少预训练模型，

ngc registry model list nvidia/med/*

查看已经下载了多少pre-trained mdoel的方法：

可以去http://0.0.0.0:5000/v1/models 查看

也可以使用curl http://0.0.0.0:5000/v1/models这个命令，会返回网页的信息

1.7 client operation

以MITK为例，因为官方已经帮助集成好了。那我都过一下吧。

先载入图像->设置label的名字->选择3D tools-> Nidia segmentation。

如果出现 不能通信之类的就是你的server路径写错了，或者你的server没有起来，ctrl+p去设置URI http://0.0.0.0:5000/v1/。

成功之后auto segmentation可以直接使用serer上的Segmentation模块生成分割结果以及6个 extreme points，可能会比较慢，因为是整个volume都要进行测试，这时候可以调整生成的6个extreme points使用Annotation模块的Confirm Points功能调用annotation算法重新生成object segmentation的结果；Annotation模块也可以直接使用，自己点出6个extreme points就可以了（shift+左键）。

1.8 transfer learning

使用其他的功能比如加入新数据重新训练之类的操作，我采用官方提供的模板来进行，如：https://ngc.nvidia.com/catalog/models/nvidia:med:segmentation_mri_brain_tumors_br16_t1c2tc/files

这是官方提供的一个模型压缩包，里边有模型文件和一些配置文件。所以我在/bin/bash 启动时候加入-v字段。

其中commands里边是一些sh命令，如训练，导出等等。config中是一些配置文件，models中是tf的模型，有ckpt格式和pb格式。

具体的操作可以参考nvidia官法的视频，就知道怎么操作了。视频地址：https://www.youtube.com/watch?v=T0Pjki4vXx0&t=228s

将数据放到-v中的source目录，执行命令来重采样到1x1x1mm（好像只有ct数据需要）

tlt-dataconvert -d ${SOURCE_IMAGE_ROOT} -r 1 -s .nii.gz -e .nii -o ${DESTINATION_IMAGE_ROOT}

然后修改好dataset_0.json和environment.json文件就可以去command中执行train的sh文件了。

我尝试了一下，pb文件个ckpt的文件都可以用来载入模型训练，保存下来的都是ckpt格式。

# todo：不知道这种方式对不对

1.9 上传自己的文件

# 不知道 官方“# If you have MMAR archive”这句话什么意思，我理解MMAR就是上边的那个zip文件？？todo

目前可行方案：

curl -X PUT "http://127.0.0.1:5000/admin/model/byom_segmentation_spleen" -F "config=@config-aiaa.json;type=application/json" -F "data=@model.zip"
---------------------------------------------------------------------------
# If you have MMAR archive
curl -X PUT "http://127.0.0.1:5000/admin/model/segmentation_ct_spleen" -F "config=@config-aiaa.json;type=application/json" -F "data=@segmentation_ct_spleen.with_models.tgz"

# If you have MMAR archive (if model config is skipped, it will search config_aiaa.json inside Archive)
curl -X PUT "http://127.0.0.1:5000/admin/model/segmentation_ct_spleen" -F "data=@segmentation_ct_spleen.with_models.tgz"

可以上传至server使用，但是我不确定一些数据处理操作具体怎么写。#todo

还有一些更新config_aiaa.json配置和删除server已有模型的命令：

# refresh
curl -X PATCH "http://127.0.0.1:5000/admin/model/byom_segmentation_spleen" -H "Content-Type: application/json" -d @config-aiaa.json

# delete
curl -X DELETE "http://127.0.0.1:5000/admin/model/byom_segmentation_spleen"

自己使用更多的是pytorch模型，需要先转到tensorflow的模型再按照上边的操作训练之类的即可。我采用的是ONNX的方式。