使用TensorFlow GPU镜像运行目标检测时无法识别GPU问题求助

• 核心为CUDA与TensorFlow版本不匹配：你使用的 tensorflow/tensorflow:2.1.1-gpu 基础镜像内置CUDA版本为10.1，仅包含libcudart.so.10.1，不存在报错要求的CUDA 11.x系列对应的libcudart.so.11.0库文件。
• nvidia-smi输出的CUDA 11.2是宿主机NVIDIA驱动支持的最高CUDA版本，和容器内实际安装的CUDA运行时版本无关，因此该输出正常不代表容器内CUDA版本满足运行要求。
• Object Detection API安装时自动覆盖了原有TensorFlow版本：执行python3 -m pip install .安装最新版Object Detection API时，其依赖要求TensorFlow >=2.4版本，会自动替换基础镜像中原有的TensorFlow 2.1.1，新版本TensorFlow需要CUDA 11.x运行时支持，因此触发库找不到的报错。

方案1（推荐）：更换兼容的基础镜像 #

将Dockerfile首行的基础镜像替换为内置CUDA 11.x的TensorFlow GPU镜像，示例如下：

FROM tensorflow/tensorflow:2.8.0-gpu

该版本镜像内置CUDA 11.2，和你宿主机驱动版本兼容，同时满足新版Object Detection API的TensorFlow版本要求，替换后重新构建镜像即可解决问题。

方案2：固定版本适配原有镜像 #

如果业务必须使用TensorFlow 2.1.1版本，可修改Object Detection API的安装逻辑，避免自动升级TensorFlow：

RUN cp object_detection/packages/tf2/setup.py .
# 仅安装API本体，不处理依赖
RUN python3 -m pip install --no-deps .
# 手动安装API的其他依赖，跳过TensorFlow升级步骤

也可直接拉取适配TensorFlow 2.1版本的models仓库旧代码进行安装。

重新构建镜像并进入容器后，执行以下两步验证配置正确性：

1. 检查TensorFlow版本：执行pip show tensorflow，确认版本和你预期使用的版本一致，未被意外升级。
2. 验证GPU可用性：执行python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"，如果输出包含GPU设备信息，即代表配置正常，可正常调用GPU运行训练代码。

内容的提问来源于stack exchange，提问作者robinwkurtz