Jetson Orin Nano Docker環境構築完全ガイド【コンテナ活用でAI開発高速化】

Jetson Orin NanoでDockerを使うと、AI開発環境をクリーンに管理でき、プロジェクトごとに環境を切り替えることができる。本記事では初期設定からGPU対応コンテナの起動まで、実機で確認した手順を丁寧に解説する。

この記事でわかること

—

なぜJetson Orin NanoでDockerを使うのか

Jetson Orin Nano NVIDIA Jetson Orin Nano 開発者キット（Amazon） を使い始めると、最初はホスト環境に直接ライブラリをインストールしがちだ。しかし複数のプロジェクトを並行して進めると、PythonのバージョンやCUDAライブラリの依存関係がすぐに壊れてしまう。

Dockerを使うことで得られるメリットは以下の3点だ。

JetsonはARMアーキテクチャのため、一般的なx86向けDockerイメージはそのまま動かない。ただしNVIDIAのNGCカタログにはJetson（ARM64）向けのイメージが多数用意されているため、実際の開発では困ることはほぼない。

—

事前準備：JetPackのバージョン確認

Dockerの設定に入る前に、JetPackのバージョンを確認しておく。JetPackのバージョンによってCUDAやcuDNNのバージョンが決まり、対応するコンテナイメージが変わるためだ。

cat /etc/nv_tegra_release

実行結果の例は以下のようになる。

# R36 (release), REVISION: 4.1, GCID: 39600000, BOARD: generic, EABI: aarch64, DATE: ...

R36であればJetPack 6系（最新6.1）に対応している。NVIDIAのNGCカタログでイメージを検索する際に必要になるので覚えておこう。Jetson Orin Nano Super Developer Kitでは最大67 TOPSの性能を発揮し、生成AIタスクで優れたベンチマークを示す。

ストレージについても確認が必要だ。Dockerイメージはサイズが大きく、AIフレームワーク入りのイメージは10GBを超えるものも多い。microSDカードだけでは容量と速度の両面で不安があるため、NVMe SSD Western Digital SN770 500GB NVMe（Amazon） の導入を強く推奨する。

—

DockerとNVIDIA Container Runtimeのセットアップ

Dockerのインストール確認

JetPack 6以降ではDockerがデフォルトでインストール済みの場合が多い。まず確認してみよう。

docker --version

インストールされていない場合は以下のコマンドでインストールする。

sudo apt update
sudo apt install -y apt-transport-https ca-certificates curl gnupg lsb-release
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker.gpg
echo \
"deb [arch=arm64 signed-by=/usr/share/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu \
$(lsb_release -cs) stable" \
| sudo tee /etc/apt/sources.list.d/docker.list > /dev/null
sudo apt update
sudo apt install -y docker-ce docker-ce-cli containerd.io
sudo systemctl enable docker
sudo systemctl start docker

sudoなしでDockerコマンドを実行できるようにするため、現在のユーザーをdockerグループに追加する。

sudo usermod -aG docker $USER
newgrp docker

NVIDIA Container Runtimeの設定

JetsonでGPUをコンテナから使うにはNVIDIA Container Runtimeの設定が必要だ。JetPack 6以降ではnvidia-container-toolkitが利用可能だが、念のため確認する。

sudo apt install -y nvidia-container-toolkit
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker

設定が完了したら/etc/docker/daemon.jsonを確認する。

cat /etc/docker/daemon.json

以下のような内容が記載されていれば正しく設定されている。

{
    "runtimes": {
        "nvidia": {
            "path": "nvidia-container-runtime",
            "runtimeArgs": []
        }
    },
    "default-runtime": "nvidia"
}

default-runtimeがnvidiaになっていない場合は手動で追記する。この設定をしておくことで、docker run時に--runtime nvidiaを毎回指定しなくて済む。

GPU認識の動作確認

以下のコマンドでコンテナからGPUが認識できるか確認する。

docker run --rm --runtime nvidia nvcr.io/nvidia/l4t-base:r36.4.3 nvidia-smi

nvidia-smiの出力が表示されれば、GPU対応コンテナが正常に動作している。

—

L4Tベースイメージを使った環境構築

NVIDIAはL4T（Linux for Tegra）をベースにした公式コンテナイメージを複数提供している。代表的なものを以下に示す。

| イメージ名 | 用途 |

|—|—|

| l4t-base | 基本的なCUDA環境 |

| l4t-ml | TensorFlow・PyTorchが同梱 |

| l4t-pytorch | PyTorchに特化した環境 |

| l4t-tensorflow | TensorFlowに特化した環境 |

PyTorchを使った開発環境を構築する場合は以下のコマンドを実行する。

docker pull nvcr.io/nvidia/l4t-pytorch:r36.4.3-pth2.4-py3

イメージのサイズが数GBあるため、ダウンロードには時間がかかる。NVMe SSDへのDockerデータルート移行をしていない場合、microSDカードの空き容量に注意しよう。Realsenseカメラ使用時はnvidia/cuda:12.4.1-cudnn9-runtime-ubuntu22.04ベースを推奨。

コンテナを起動して動作確認する。

docker run --rm -it \
  --runtime nvidia \
  --network host \
  -v /home/$USER:/workspace \
  nvcr.io/nvidia/l4t-pytorch:r36.4.3-pth2.4-py3 \
  python3 -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"

Trueが表示されればPyTorchからGPUが使えている状態だ。

—

docker-composeで開発環境を管理する

毎回長いdockerコマンドを打つのは面倒だ。docker-composeを使うことで、設定をファイルとして管理できる。

docker-composeのインストール

Jetsonではapt版が古い場合があるため、最新版を直接取得。

sudo curl -L "https://github.com/docker/compose/releases/latest/download/docker-compose-$(uname -s)-$(uname -m)" \
-o /usr/local/bin/docker-compose
sudo chmod +x /usr/local/bin/docker-compose
docker-compose --version

docker-compose.ymlの作成例

プロジェクトディレクトリにdocker-compose.ymlを作成する。

version: "3.8"

services:
  jetson-dev:
    image: nvcr.io/nvidia/l4t-pytorch:r36.4.3-pth2.4-py3
    runtime: nvidia
    network_mode: host
    volumes:
      - ./workspace:/workspace
      - /tmp/.X11-unix:/tmp/.X11-unix
    environment:
      - DISPLAY=$DISPLAY
      - NVIDIA_VISIBLE_DEVICES=all
      - NVIDIA_DRIVER_CAPABILITIES=all
    stdin_open: true
    tty: true
    working_dir: /workspace
    command: /bin/bash

起動は以下のコマンドで行う。

docker compose up -d
docker compose exec jetson-dev bash

—

よくあるエラーと対処法

permission denied エラー

permission denied while trying to connect to the Docker daemon socketと表示される場合は、dockerグループへの追加が反映されていない。一度ログアウトして再ログインするか、newgrp dockerを実行する。

イメージのアーキテクチャ不一致

exec format errorが出る場合は、x86向けのイメージを誤って使っている可能性が高い。NGCカタログでイメージを探す際はarm64またはaarch64タグのものを選ぶ。JetPack 6.1以降ではJetson Linux 36.4系に対応。

ストレージ不足

no space left on deviceエラーが出たら、DockerのデータルートをmicroSDからより容量の大きいNVMe SSDに移動する。

sudo systemctl stop docker
sudo vim /etc/docker/daemon.json

daemon.jsonに以下を追記する。

{
    "data-root": "/mnt/nvme/docker"
}

その後Dockerを再起動する。

sudo systemctl start docker

—

まとめ

Jetson Orin NanoでDockerを使うポイントをまとめると次の通りだ。

ホスト環境を汚さずにAI開発を進められるDockerは、Jetsonを使い続けるうえで欠かせないスキルだ。最初の設定に少し手間がかかるが、一度整えてしまえばその後の開発効率が大きく上がる。

—

次はこちら

Docker環境が整ったら、次は実際にAIモデルを動かしてみよう。