打開潘朵拉的盒子：讓你的 Python AI 應用程式輕鬆「住進」Docker 容器！

本文章內容係以參考技術文件為基礎，經由人工智慧（AI）技術進行改寫及重整，旨在提供讀者更清晰易懂之內容呈現。如有任何技術細節上的疑義或需進一步確認，建議讀者參考原始技術文件或與相關技術人員聯繫。

你是否曾經開發了一個超酷的 Python 應用程式，尤其是在 AI 視覺領域，卻在部署到不同環境時遇到重重困難？或者，你是一位業務或 AE 同仁，希望向客戶展示我們最新的 AI 技術，但繁瑣的環境設定總是讓你頭痛不已？

別擔心！今天，就讓我們 Advantech 的專業編輯，帶你一窺我們工程師團隊的最新實驗成果：如何將一個需要「看見」外部世界的 Python AI 應用程式（這裡以 OpenVINO™ demo 為例），完美打包進輕便易攜的 Docker 容器中！這不僅是技術上的小突破，更是我們持續創新、解決客戶痛點的最佳證明。

為何需要 Docker？AI 應用部署的新潮流
#

想像一下，Docker 就像一個神奇的「貨櫃」，你可以把應用程式以及它需要的所有工具、函式庫、設定檔通通打包進去。無論你想把這個「貨櫃」運到哪台機器上（開發、測試、客戶端），裡面的東西都能完美運作，再也不用擔心「在我電腦上明明可以跑啊！」的窘境。

對於 AI 應用，尤其是需要用到像 Intel® OpenVINO™ 這種強大工具進行模型推理的應用來說，環境設定往往更複雜。Docker 化之後，不僅部署變得簡單快速，更能確保執行環境的一致性，這對於需要穩定性的工業物聯網 (IIoT) 或邊緣運算場景來說，簡直是天大的福音！

市場需求： 隨著 AIoT 應用落地，客戶越來越需要能夠快速部署、輕鬆管理、穩定運行的解決方案。將 AI 應用 Docker 化，正是滿足此需求的關鍵一步。

實驗挑戰：當 Docker 遇上「外接攝影機」
#

這次實驗的主角是一個使用 Python 和 OpenVINO™ 的物件偵測應用程式。聽起來很標準？但關鍵在於：它需要連接到電腦的「外接攝影機」來即時捕捉影像！

一般來說，Docker 容器是個相對封閉的環境，要讓它取用電腦的硬體設備（像攝影機），就需要一些特別的技巧。這正是我們工程師此次實驗想要克服的挑戰，也是展現 Advantech 技術實力的地方！

實驗開箱：跟著工程師的腳步走一遍
#

我們的工程師們秉持著實事求是的精神，一步步探索如何讓 Docker 容器順利「看到」攝影機。以下是他們精彩的實驗過程紀錄（放心，我們用最白話的方式解釋！）：

實驗前的準備 (Prerequisites):

確認 Docker 已安裝: 這就像要搬家前，總得先有貨車吧！打開終端機輸入 docker --version 看看。
```
docker --version
```
一台攝影機: 我們的 AI 總得有「眼睛」才能看世界。
準備好你的 Python 應用程式: 確保你的 Python 程式碼（如下圖的 Openvino.py）和相關的模型檔案都準備好，並且可以在你的電腦上獨立執行成功。

* 執行成功的話，你應該會看到類似下面的畫面，表示程式能抓到攝影機影像並進行分析。

實驗步驟 (Steps):

Step 1: 撰寫 Dockerfile (設計藍圖)
1. 在你的 Python 應用程式根目錄下，建立一個名為 Dockerfile 的純文字檔案（沒有副檔名）。
2. 在 Dockerfile 裡，我們要告訴 Docker 如何「建造」這個容器。
  - FROM ubuntu:22.04: 指定基礎環境，就像蓋房子要先有地基，這裡選用 Ubuntu 22.04 作業系統。
  - WORKDIR /usr/src/app: 設定容器內的工作目錄，之後的操作都會在這裡進行。
  - COPY . ./: 把目前目錄下所有的檔案（你的 Python 程式、模型檔等）複製到容器的工作目錄裡。
  - CMD ["python3", "Openvino.py"]: 設定容器啟動時要執行的指令，也就是運行我們的 Python 程式。

Step 2: 建構 Docker 映像檔 (依照藍圖施工)
1. 在終端機，切換到包含 Dockerfile 的目錄。
2. 執行 docker build -t your_image_name:tag . 指令來建構映像檔。
  - your_image_name 是你給這個映像檔取的名字（例如 ty_sop）。
  - tag 是版本標籤（例如 1.0.0）。
  - . 表示使用當前目錄的 Dockerfile。

3. 檢查一下，名為 ty_sop 的映像檔是不是成功建立出來了。

Step 3: 安裝必要的「工具」(重頭戲：讓容器看見攝影機並安裝依賴)
- 關鍵點來了！ 由於我們的程式需要 OpenVINO™、OpenCV 等函式庫，而且還要能存取外部攝影機 (/dev/video0) 並顯示畫面，我們不能直接執行上一步的映像檔。我們需要先「進入」這個半成品容器，把所有需要的工具裝好，特別是設定好與外部硬體溝通的橋樑。
1. 執行以下指令，啟動一個互動式的容器，並進行特殊設定：
```
docker run -it --name tycontainer --device=/dev/video0:/dev/video0 --network host -e DISPLAY=:0.0 ty_sop:1.0.0 /bin/bash
```
  - -it: 讓我們可以跟容器互動（就像打開一個終端機）。
  - --name tycontainer: 給這個暫時運行的容器取個名字。
  - --device=/dev/video0:/dev/video0: 核心步驟！ 這指令把主機 (Host) 的攝影機設備 (/dev/video0) 掛載 (mount) 到容器內部，讓容器內的程式可以存取它。
  - --network host: 讓容器使用主機的網路，簡化某些設定。
  - -e DISPLAY=:0.0: 允許容器將圖形介面（我們的攝影機畫面）顯示到主機的螢幕上。
  - ty_sop:1.0.0: 我們剛剛建立的映像檔。
  - /bin/bash: 進入容器後要執行的指令（開啟一個 shell）。

2. 進入容器後（你會看到終端機提示符改變了），依序執行以下指令，安裝所有必要的軟體套件：

Bash apt update apt install python3 apt install python3-pip pip install openvino apt install python3-opencv apt install xserver-xorg # 圖形介面相關 apt install xinit        # 圖形介面相關 apt install x11-xserver-utils # 圖形介面相關

* 這些指令就是在容器內安裝 Python3、pip 套件管理器、OpenVINO™ 函式庫、OpenCV 函式庫，以及顯示畫面所需的 X Server 元件。 3. 試著在容器內執行 python3 Openvino.py。如果一切順利，你應該能看到攝影機畫面成功顯示出來！這表示我們成功讓容器存取攝影機並執行 AI 推理了！ 4. 重要一步：儲存成果！ 打開另一個主機的終端機（不是容器內的），執行以下指令，將剛剛設定好、安裝好所有工具的容器狀態，「凍結」成一個新的 Docker 映像檔。 Bash docker commit tycontainer ty_sop_packages:1.0.0 * tycontainer: 我們剛剛運行的容器名稱。 * ty_sop_packages:1.0.0: 新映像檔的名稱和標籤。這個映像檔就包含了所有安裝好的依賴套件。

5. 為了讓最終的映像檔更乾淨，我們再建立一個新的 Dockerfile（可以在另一個空資料夾中建立）。這次，我們直接使用剛剛 commit 產生、已經包含所有依賴套件的映像檔作為基礎。 Dockerfile FROM ty_sop_packages:1.0.0 WORKDIR /usr/src/app CMD ["python3", "Openvino.py"] * 注意 FROM 指令變成了我們剛剛 commit 的新映像檔 ty_sop_packages:1.0.0。 * WORKDIR 和 CMD 保持不變，因為程式碼在之前的步驟已經複製進去了。

6. 再次執行 docker build 指令，建構最終的、可直接運行的映像檔。 Bash sudo docker build -t ty_runnable . * 這次我們把最終映像檔命名為 ty_runnable。 7. 大功告成！ 現在，你可以用以下指令來啟動這個最終版的容器，它應該能直接存取攝影機並執行你的 Python AI 應用程式了：

Bash # 在主機上執行，允許容器顯示畫面 export DISPLAY=0.0 xhost + # 啟動容器 docker run --name tycontainer --device=/dev/video0:/dev/video0 --network host -d -e DISPLAY=:0.0 ty_runnable

* xhost +: 允許任何使用者連接到 X server（顯示畫面）。 * -d: 讓容器在背景執行。 * 其他參數 (--device, --network host, -e DISPLAY) 和之前解釋的一樣，是為了讓容器能存取攝影機和顯示畫面。

成果亮點：可攜帶、易部署的 AI 視覺方案
#

透過這次實驗，我們成功地：

解決了 Docker 容器存取外部硬體（攝影機）的難題。
將包含複雜依賴（Python, OpenVINO™, OpenCV）的 AI 應用程式打包成一個獨立、可執行的 Docker 映像檔。
實現了圖形介面（攝影機畫面）從容器內部顯示到主機螢幕。

這意味著什麼？

對於開發者/AE： 可以快速建立標準化的 AI 展示環境，減少現場設定時間，提高效率。
對於銷售業務： 向客戶展示 AI 功能時更有信心，不再受環境限制，展現 Advantech 方案的易用性。
對於潛在客戶： 看到 Advantech 不僅提供硬體，更能解決軟體整合、部署上的實際痛點，提供完整的 AIoT 解決方案。我們的技術是經過驗證、可以落地的！

與傳統部署方式相比，Docker 化的優勢顯而易見：環境一致性、快速部署、易於管理與更新。這次實驗的成果，特別是解決了硬體存取問題，讓這些優勢在需要連接感測器、攝影機的邊緣 AI 場景中得以充分發揮。

結論與展望：Advantech 持續創新，驅動 AIoT 未來
#

這次將 Python AI 應用打包進 Docker，並成功連接外部攝影機的實驗，只是 Advantech 在 AIoT 領域持續研發與創新的一個縮影。它展現了我們工程師團隊解決複雜技術問題的能力，以及我們致力於提供客戶更易用、更高效解決方案的決心。

未來，我們將繼續探索：

更複雜的硬體整合（例如：多個攝影機、特殊感測器）。
不同 AI 模型與框架的 Docker 化最佳實踐。
將 Docker 技術與 Advantech 的邊緣運算平台（如 Edge AI Suite、DeviceOn）更深度整合，提供一站式的 AI 部署與管理體驗。

我們相信，透過不斷的技術探索與突破，Advantech 將持續引領 AIoT 產業發展，協助客戶克服挑戰，共創智慧未來！

附錄：映像檔的儲存與載入 (Save and Load Image)

如果你想把這個建好的 Docker 映像檔搬到另一台也安裝了 Docker 的電腦上使用，可以使用以下指令：

匯出映像檔 (Save): 將映像檔存成一個 tar 壓縮檔。
```
docker save image_name -o image.tar
```
(將 image_name 換成你的映像檔名稱，例如 ty_runnable)
匯入映像檔 (Load): 從 tar 壓縮檔載入映像檔。
```
docker load -i image.tar
```

這讓你的 AI 應用程式可以像隨身碟一樣，輕鬆帶著走！