保姆级教程：在Ubuntu 22.04上，用Docker Compose V2和NVIDIA GPU驱动CVAT（含SAM模型部署）

保姆级教程：Ubuntu 22.04+Docker Compose V2部署CVAT与SAM模型全流程

在计算机视觉领域，数据标注是模型训练前的关键环节。传统手工标注效率低下，而CVAT（Computer Vision Annotation Tool）作为开源的图像标注工具，结合SAM（Segment Anything Model）等先进模型，能实现智能化的半自动标注。本文将手把手指导您在Ubuntu 22.04系统中，通过Docker Compose V2和NVIDIA GPU加速，完成CVAT平台与SAM模型的完整部署。

1. 环境准备与基础配置

Ubuntu 22.04 LTS作为长期支持版本，提供了稳定的系统基础。与旧版Ubuntu相比，22.04默认使用更新的软件包和内核版本，这对NVIDIA驱动和容器化工具的支持更为友好。

系统更新与基础依赖安装：

sudo apt update && sudo apt upgrade -y sudo apt install -y git curl gnupg2 software-properties-common apt-transport-https ca-certificates

对于Docker的安装，Ubuntu 22.04官方仓库已包含较新版本，但建议使用Docker官方源获取最新稳定版：

# 添加Docker官方GPG密钥 sudo mkdir -p /etc/apt/keyrings curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg # 设置仓库 echo "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null # 安装Docker引擎 sudo apt update sudo apt install -y docker-ce docker-ce-cli containerd.io docker-compose-plugin

注意：Docker Compose V2已集成在docker-compose-plugin包中，命令从原来的docker-compose变为docker compose（去掉横线）。

验证安装：

docker --version docker compose version

配置非root用户权限：

sudo usermod -aG docker $USER newgrp docker

2. NVIDIA驱动与容器工具包配置

GPU加速是运行SAM等大型模型的关键。Ubuntu 22.04默认使用nouveau开源驱动，需要替换为官方NVIDIA驱动。

推荐安装方式：

# 添加官方PPA sudo add-apt-repository ppa:graphics-drivers/ppa -y sudo apt update # 自动安装推荐驱动 sudo ubuntu-drivers autoinstall

安装后重启系统，验证驱动：

nvidia-smi

配置NVIDIA Container Toolkit使Docker支持GPU：

# 添加仓库 distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \ && curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \ && curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | \ sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \ sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list # 安装工具包 sudo apt update sudo apt install -y nvidia-container-toolkit sudo nvidia-ctk runtime configure --runtime=docker sudo systemctl restart docker

测试GPU容器：

docker run --rm --gpus all nvidia/cuda:11.8.0-base-ubuntu22.04 nvidia-smi

3. CVAT平台部署与配置

获取最新CVAT代码：

git clone https://github.com/opencv/cvat cd cvat

配置环境变量（替换为您的实际IP）：

export CVAT_HOST=your_server_ip

修改docker-compose.yml文件中的服务配置：

version: '3.8' services: cvat_server: image: cvat/server:latest container_name: cvat_server environment: CVAT_HOST: ${CVAT_HOST} volumes: - cvat_data:/home/django/data - cvat_keys:/home/django/keys - cvat_logs:/home/django/logs depends_on: - cvat_redis - cvat_db networks: - cvat ports: - "8080:8080" deploy: resources: reservations: devices: - driver: nvidia count: all capabilities: [gpu]

启动服务：

docker compose up -d

创建管理员账户：

docker exec -it cvat_server bash -ic 'python3 ~/manage.py createsuperuser'

4. SAM模型部署与半自动标注配置

CVAT通过Nuclio框架支持serverless函数部署。对于SAM模型，需要专门配置GPU支持。

Nuclio环境准备：

docker compose -f docker-compose.yml -f components/serverless/docker-compose.serverless.yml up -d --build

安装nuctl命令行工具（版本需与compose文件一致）：

wget https://github.com/nuclio/nuclio/releases/download/1.12.0/nuctl-1.12.0-linux-amd64 chmod +x nuctl-1.12.0-linux-amd64 sudo mv nuctl-1.12.0-linux-amd64 /usr/local/bin/nuctl

修改SAM模型的function-gpu.yaml文件，优化依赖安装：

build: commands: - pip install torch torchvision --extra-index-url https://download.pytorch.org/whl/cu118 - pip install opencv-python-headless -i https://pypi.tuna.tsinghua.edu.cn/simple - pip install git+https://github.com/facebookresearch/segment-anything.git

部署SAM模型：

./serverless/deploy_gpu.sh serverless/pytorch/facebookresearch/sam

验证部署：

1. 访问http://your_server_ip:8070查看Nuclio仪表盘
2. 在CVAT标注界面，选择"AI Tools"即可使用SAM进行智能分割

5. 性能优化与常见问题解决

GPU资源监控：

watch -n 1 nvidia-smi

容器日志查看：

docker logs -f cvat_server

常见问题处理：

性能调优建议：

• 对于大型标注项目，增加CVAT内存限制：

# 在docker-compose.yml中 cvat_server: deploy: resources: limits: memory: 8G

• 批量标注时，调整SAM参数：

# 在serverless函数中 predictor = SamPredictor(sam_model) predictor.set_image(image) masks, _, _ = predictor.predict(point_coords=points, point_labels=labels, multimask_output=False)

CVAT与SAM的结合显著提升了标注效率。在实际项目中，针对特定场景微调SAM模型能获得更好的分割效果。部署过程中保持组件版本一致是关键，遇到问题时查阅官方GitHub issue通常能找到解决方案。