🚀 從零搭建 Ubuntu22.04 + Python3.11 + PyTorch2.5.1 GPU Docker 鏡像并上傳 Docker Hub

在 AI 項目開發中，構建統一的運行環境是一件非常重要的事情。使用 Docker 可以極大地提升部署效率、保證環境一致性。本文將手把手帶你：

• ? 構建一個基于 CUDA 12.4 + Ubuntu 22.04 的 GPU 鏡像
• ? 安裝 Python 3.11 + PyTorch 2.5.1
• ? 安裝本地 .whl 依賴包及項目依賴
• ? 上傳到 Docker Hub 并驗證可用性！

---

🧠 適用場景

• 使用 PyTorch 開發深度學習模型
• 使用 CUDA GPU 加速推理與訓練
• 需要將環境封裝為容器鏡像，方便部署或分享
• 想將鏡像公開發布到 Docker Hub

---

📦 環境準備

環境項	版本/說明
基礎鏡像	nvidia/cuda:12.4.0-devel-ubuntu22.04
Python	3.11
PyTorch	2.5.1（CUDA 12.4）
鏡像目標名	yangjinyanxian/wan2.1:ubt2204-cu124-py311-pt251
構建工具	Docker CLI + Docker Hub 賬號

---

🧱 Step 1：編寫 Dockerfile

創建一個名為 Dockerfile 的文件，內容如下：

FROM nvidia/cuda:12.4.0-devel-ubuntu22.04# 創建項目目錄
RUN mkdir -p /wan2.1
WORKDIR /wan2.1# 拷貝本地項目代碼
COPY wan2.1 /wan2.1# 安裝 Python 3.11 及依賴
RUN apt-get update && apt-get install -y \python3.11 python3.11-venv python3.11-dev python3-pip \build-essential cmake git curl wget libgl1-mesa-glx# 升級 pip 并使用 Python3.11
RUN python3.11 -m pip install --upgrade pip# 安裝基礎 Python 包
RUN pip install packaging modelscope "xfuser>=0.4.1" \-i https://pypi.tuna.tsinghua.edu.cn/simple# 安裝 PyTorch + CUDA 12.4 版本
RUN pip install torch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 \--index-url https://download.pytorch.org/whl/cu124 \--extra-index-url https://pypi.tuna.tsinghua.edu.cn/simple# 安裝本地 flash-attn .whl 包
RUN pip install /wan2.1/flash_attn-2.8.0.post2+cu12torch2.5cxx11abiFALSE-cp311-cp311-linux_x86_64.whl# 安裝項目 requirements.txt 中的依賴
RUN pip install -r /wan2.1/requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

---

🧪 Step 2：構建 Docker 鏡像

在 Dockerfile 所在目錄打開終端，執行以下命令：

docker build -t wan2.1:ubt2204-cu124-py311-pt251 .

📌 注意事項：

• 下載 PyTorch 的 CUDA wheel 需要一定時間；
• 可以使用清華源避免超時下載失敗；
• 如果遇到 .whl 下載中斷，可使用 --resume-retries 恢復下載。

---

🏷? Step 3：打標簽為 Docker Hub 鏡像名

Docker Hub 鏡像名的格式是：用戶名/倉庫名:標簽，務必使用 小寫字母：

docker tag wan2.1:ubt2204-cu124-py311-pt251 yangjinyanxian/wan2.1:ubt2204-cu124-py311-pt251

---

🔐 Step 4：登錄 Docker Hub

docker login

輸入你的用戶名和密碼即可。

---

?? Step 5：推送鏡像至 Docker Hub

docker push yangjinyanxian/wan2.1:ubt2204-cu124-py311-pt251

推送成功后，你可以在瀏覽器打開查看：

🔗 https://hub.docker.com/r/yangjinyanxian/wan2.1

---

🧪 Step 6：驗證鏡像是否可用

我們啟動一個容器進行測試：

docker run -it --rm --gpus all yangjinyanxian/wan2.1:ubt2204-cu124-py311-pt251 bash

在容器中運行以下命令：

python3.11 -c "import torch; print(torch.cuda.is_available())"

若輸出為 True，說明 CUDA 環境安裝成功，PyTorch GPU 支持正常 ?

---

📁 項目結構示例

確保你的目錄結構如下：

.
├── Dockerfile
└── wan2.1├── flash_attn-2.8.0.post2+cu12torch2.5cxx11abiFALSE-cp311-cp311-linux_x86_64.whl├── requirements.txt└── (其他項目代碼)

---

🧩 常見問題 FAQ

? Q: 鏡像構建失敗，下載不完整怎么辦？

A: PyTorch wheel 文件體積較大，建議使用國內鏡像源如 TUNA，或在 Dockerfile 中加入 --resume-retries 參數嘗試斷點續傳。

---

? 總結

通過本文，你已經學會了如何：

• 構建一個帶 GPU 支持的深度學習開發鏡像；
• 使用 PyTorch 2.5.1（CUDA 12.4）環境；
• 發布并托管 Docker 鏡像至 Docker Hub；
• 驗證 GPU 環境正常運行！

🎉 這將極大提升你的項目部署效率，尤其是在多人協作或跨平臺部署場景中。

---

📣 使用說明 — Docker 鏡像 yangjinyanxian/wan2.1:ubt2204-cu124-py311-pt251

鏡像簡介

這是基于 nvidia/cuda:12.4.0-devel-ubuntu22.04 的深度學習環境，包含：

• Python 3.11
• PyTorch 2.5.1 (CUDA 12.4 版本)
• 其他依賴包和你項目里的庫

適合需要 CUDA 12.4 + PyTorch 2.5.1 的環境。

---

使用前提

• 已安裝 Docker（推薦 20.10+ 版本）
• NVIDIA GPU + 已安裝 NVIDIA Container Toolkit，支持 GPU 加速
• 可訪問 Docker Hub

---

拉取鏡像

docker pull yangjinyanxian/wan2.1:ubt2204-cu124-py311-pt251

---

運行鏡像（交互式終端）

docker run --gpus all -it --rm yangjinyanxian/wan2.1:ubt2204-cu124-py311-pt251 /bin/bash

• --gpus all：啟用所有 GPU 資源
• -it：交互式終端
• --rm：退出后刪除容器，節省空間

---

掛載本地目錄（示例）

如果你需要訪問本地代碼或數據，比如本地的 /home/user/project：

docker run --gpus all -it --rm -v /home/user/project:/workspace yangjinyanxian/wan2.1:ubt2204-cu124-py311-pt251 /bin/bash

容器內路徑 /workspace 即為你本地目錄。

---

運行你的 Python 腳本

容器內直接執行：

python3.11 your_script.py

---

其他說明

• 鏡像內已預裝項目依賴（詳見 requirements.txt）
• 需要安裝額外包可在容器內使用 pip install
• 退出容器使用 exit 或 Ctrl+D

---

如果你在使用過程中遇到問題或有改進建議，歡迎留言交流！

📣 歡迎點贊 👍 收藏 ? 留言交流 💬！

---

📌 你可能還想看

• ?通義萬相2.1深度解析：AI視頻生成引擎FLF2V-14B全流程指南（命令行參數+模型架構+數據流）
• ?通義萬相 2.1（Wan2.1）環境搭建指南：基于 CUDA 12.4 + Python 3.11 + PyTorch 2.5.1 GPU加速實戰
• ?自定義 CUDA 與 Python 容器：實現 Diffusers 和 vLLM 大模型極速推理