【Dockerコンテナ徹底解説】～インストールからDocker対応AIツールまで

Dockerコンテナとは？

通常、あるツールやアプリを動かすには「OSの設定・依存ライブラリ・Python・CUDAのバージョン」などを細かく合わせる必要があります。そして、それぞれのツールが独自に環境を構築するため、ツールが増えるほどPCの中がごちゃごちゃになりがちです。

こうした複雑な環境構築の手間に頭を悩ませる方も多いでしょう。そんな中で、これらの問題を一つにまとめてスッキリ管理できるのが「Dockerのコンテナ」です。

では、実際にDockerを導入すると何がどう変わるのか？これから具体的に見ていきましょう。

【前提】通常の導入（venv使用）の場合

Stable Diffusion（例：AUTOMATIC1111）を入れると…

C:\AI\stable-diffusion-webui\
    ├── venv\           ← Python仮想環境（重い）
    ├── webui-user.bat
    └── その他スクリプトやモデル

この venv の中にライブラリや依存関係（PyTorch、Gradioなど）全部が入る
➡ ローカル環境に少なからず影響を与えます（Python競合など）

【Docker導入の場合】

DockerでStable Diffusionを導入すると…

C:\AI\stable-diffusion-docker\
    ├── docker-compose.yml
    ├── models/　　　　　　 ← 既存モデルをコピーして再利用OK
    └── volumes/

venvは作成されません。
代わりに DockerがPython環境ごと仮想的に用意してくれます。
PCにはPythonもPyTorchも直接インストール不要（←ここが凄い）
Docker上の仮想環境だけで完結。削除もワンクリックで可能！

この様に、Dockerは「仮想のPC（コンテナ）」を素早く・軽く・安全に作れる仕組みです。
通常なら手動で行う面倒な環境構築（Python・PyTorch・依存ライブラリの準備）を、“レシピ”のようなDockerイメージにまとめておけます。
同じツールを複数人で使う（再現性が大事）場合にもとても役立ちます。

※Dockerコンテナは「必要な環境をまるごとパッケージした、持ち運びできるミニPC」のような環境です。

再インストールの内容（Docker版）

Dockerを使って既存ツールを動かす場合は、基本的に「再インストール」になります。
今あるvenv版とは別フォルダにDocker用の環境を構築するイメージです。

必要なもの

Docker Desktop（初回のみインストール）
Docker用のツール構成（例：AUTOMATIC1111（docker-compose.ymlなど）

すでにあるモデル（例：`model.ckpt`やLoRAなど）は再利用OK！

モデルフォルダだけマウントすれば、わざわざ再ダウンロードしなくても使えます。

Dockerでの（例：Stable Diffusion・AUTOMATIC1111）起動方法の違い

① venv版の場合

webui-user.bat をダブルクリックして起動
Windowsのローカル環境のPython仮想環境（venv）を使って動かす

② Docker版の場合

Dockerコンテナの中にPython環境やWebUIがすべて含まれているので、ローカルのPythonやvenvは関係なく動作します。起動・停止はDockerコマンドやDocker Desktopで管理します

webui-user.batは使いません
コマンドプロンプトやPowerShellで以下のようにDockerコマンドを使います

docker-compose up

※またはDocker DesktopのGUIからコンテナを起動・停止もできます（すごく便利！）

Dockerを使うと変わること

項目	従来（venv / Anaconda）	Docker使用時	補足
環境構築	自分で手作業（依存関係に悩む）	`docker-compose up` で一発	構築ミス・Pythonバージョン違いなどを回避
PythonやCUDAの競合	起こりがち	起こらない（完全隔離）	PC内の別プロジェクトと干渉しない
移動・共有	再設定が必要	Dockerファイルを渡せば即動く	複数PCや他人との共有がスムーズ
動作の安定性	OS依存（Win/Macで動かないことも）	同じDockerなら100%動く	特にLinux上で強い
学習コスト	venv/AnacondaだけでOK	Dockerの基本コマンドを知る必要あり	初心者にはちょっとハードルあり
GPU使用	環境構築で手間取ることが多い	NVIDIAの設定さえ合えば安定	Docker+GPUサポート環境が必要

環境構築に必要なもの

GPUドライバPC側にNVIDIAドライバ（CUDA対応）が入っていること（Windows/Linux）
Docker + GPU拡張Docker Desktop + NVIDIA Container Toolkit（自動で入ることが多い）

デメリット

初回はちょっと学習コストがある
Docker Desktopはリソースを少し使う（特にWindows）

Dockerを使うと「環境構築の失敗リスクが激減」し、「どこでも同じように動く」ようになります。
ただし、その代わりに Dockerの仕組みやコマンドの理解が少しだけ必要です。

Docker対応のツールはどんどん増えている

AI系のツールは、以下のように環境構築が面倒なものが多いですよね・・・

Pythonバージョンの違い
CUDAのバージョン依存
ライブラリの競合（PyTorch, OpenCVなど）

そこで Dockerを使えば、そのツール専用の環境をまるごと用意できるので、CUDAバージョンの制約もコンテナ内で解決でき、「環境構築しなくても、誰でも同じように動かせる！」というメリットがあります。

環境構築不要で「誰でも同じように」使えるという理由から、Docker対応のツールはどんどん増えています。

両者の違い

Dockerは「アプリと環境をまるごと箱に詰めて起動する仕組み」です。
venvでやっていた「Python環境の分離・管理」は、Dockerがもっと強力に肩代わりしてくれます。
その為、Dockerを使うと「venv自体が不要になります」

比較項目	venv方式	Docker方式
Pythonの管理	自分で仮想環境を構築	DockerがPython環境ごと提供
ローカル環境への影響	ややある（依存が混ざることも）	ほぼゼロ（完全に分離）
削除のしやすさ	venvフォルダ削除でOK（でも残骸が）	Dockerコンテナ削除で完全に消える
導入難易度	中〜やや易（Python経験必須）	やや高（Docker操作に慣れる必要あり）
複数環境の共存	管理が煩雑	すごく簡単（同じツールの複数バージョンもOK）

複雑な環境（Python + CUDA + ライブラリ）を1コマンドで用意できる
自分のPCを汚さずに、仮想的な「使い捨ての実験環境」が作れる

Docker Desktop が使う主なリソース

種類	内容	Dockerでの影響
RAM（メモリ）	実行中のデータを一時的に保持する領域	最も影響大。2～6GB以上使うことがある。
CPU	計算処理を行うパーツ	コンテナ実行時に使用。高負荷タスクではCPU使用率が上がる。
ストレージ（ディスク）	Dockerイメージやコンテナの保存	初期は数GB程度。モデルやログで肥大化しやすい。
GPU（オプション）	Stable Diffusionで画像生成など	WSL2 + Docker + NVIDIA Container Toolkit が必要。設定が少し複雑。

特にRAMについて

Docker Desktop自体が常駐で2GB程度使用
画像生成用のコンテナ（Stable Diffusionなど）を動かすと 4～6GB以上必要になるケースが多い
PCに搭載されているRAMが 8GB以下の場合は厳しいことも
16GB以上あると安定しやすい

Step 1：Docker Desktopをインストール（GUIで操作OK）

公式サイトから自分のOSに合ったDockerをダウンロード：Docker公式サイト

CPUのアーキテクチャ

Docker などでイメージを選ぶときに、自分のPCに合ったアーキテクチャのイメージを選ぶ必要があります。

アーキテクチャ	説明	主なデバイス
AMD64	Intel/AMD製の一般的な64bit PC用	Windows PC、Intel Mac、ゲーミングPC など
ARM64	モバイルや省電力向けCPUの64bit版	Apple M1/M2 Mac、Raspberry Pi など

自分のPCがどちらか確認する方法

● Windows の場合

スタートメニュー → 「設定」 → 「システム」 → 「バージョン情報」
「システムの種類」を確認
- x64 ベースプロセッサ → AMD64
- ARM ベースプロセッサ → ARM64

● Mac の場合

Apple メニュー（）→ 「このMacについて」
- Intel Core i7/i9 など → AMD64
- Apple M1/M2/M3 → ARM64

Windowsの人：WSL（Linux仮想環境）が自動で導入されることが多い
Macの人：Apple Silicon/M1の場合はそれに対応したバージョンを選ぶ

インストール後、Docker Desktopを起動しておきましょう！

Step 2：コマンドを打たずに「Hello, Docker!」

Dockerはコマンド操作が基本ですが、まずはGUIで使ってみましょう！

Docker Desktopを開く
上部メニューの「Containers / Apps」で右上の「+ Add Container」をクリック
「hello-world」と入力して作成！

これだけで、「Hello from Docker!」というメッセージが出る小さなコンテナが立ち上がります。

Step 3：AI関連ツールの体験（Real-ESRGANやGFPGANなど）

次に、実用的なツールを触ってみたい場合は、GitHub上でDocker対応済みのものを使うのが近道です！

例： Real-ESRGANのDocker版

docker run --gpus all -v ${PWD}:/workspace real-esrgan

…といった形ですが、最初は「GUIで使えるDockerツール」や「Colabで試せる代替手段」もおすすめです。

Step 4：（余裕が出たら）Dockerの基本コマンドを学ぶ

最初は下記3つだけ覚えれば大丈夫です。

コマンド	意味
`docker pull イメージ名`	Docker Hub などから環境（イメージ）を取ってくる
`docker run イメージ名`	イメージを基にコンテナを起動する
`docker exec`	コンテナ内でコマンドを実行する

最低限のコマンド

コマンド	何をする？
`docker ps`	動いているコンテナの一覧を表示
`docker stop コンテナID`	コンテナを止める
`docker-compose up`	`docker-compose.yaml`で一括起動
`docker-compose down`	一括停止＆ネットワークなどの後片付け

最も簡単な始め方セット

Docker Desktopをインストール＆起動
「hello-world」で動作確認（GUIでもOK）
公式やGitHubにあるDocker対応AIツールを試す
少しずつコマンドや概念を覚える

Dockerはとても便利ですが、以下のような新しい用語や考え方を理解する必要があります

内容	学習ポイント（例）
Dockerって何？	仮想環境を「コンテナ」という単位で扱う仕組みを理解する
イメージとコンテナの違い	「設計図（イメージ）」から「実体（コンテナ）」を作るという概念
Dockerfile	環境構築の手順をスクリプトで書く方法
コマンド操作	`docker run`, `docker build`, `docker exec`, `docker-compose` などのコマンドに慣れる必要
ボリュームやネットワーク設定	ローカルとコンテナ間のファイル共有、通信の扱い方なども少し知識がいる場合あり
GPU対応（NVIDIA環境）	CUDAと連携してGPUを使うには、ドライバや `nvidia-docker` のセットアップも必要

よくある「つまづきポイント」

docker run したらエラーが出る…原因がよくわからない
GPUが認識されない（CUDA周りの設定が必要）
コンテナ内でファイル編集しにくい（ホストとの連携が面倒）
イメージが重い（数GB）ので、最初のダウンロードに時間がかかる

でも一度慣れると…

複雑な環境も一発で再現可能
誰でも同じ環境で動作確認できる
「環境構築でつまずく」ことが激減する

最初のうちは「GUIでDockerを扱えるツール」や「用意されたDocker環境を使う」ことから始めると、かなり楽になります！

Docker Desktop（GUI）
Hugging Face や GitHub上で公開されてる Docker対応済みプロジェクト
ノーコードでDockerを触れるツール（例：Portainerなど）

自分のPC（ローカル）に、Docker本体をインストールし、その上でコンテナを動かす
インターネット上（オンライン）から、コンテナのレシピ（イメージ）を取得するだけ。
実際の処理や実行はローカルで行う

1. Docker自体はローカルで動作

Dockerをインストールすると、PCの中に「仮想空間（コンテナ）」を作れるようになります。

たとえば：

docker run myapp-image

このコマンドは「自分のPC上」で myapp-image を実行しています。

2. オンラインは「素材を拾いに行く場所」

実行に必要なDockerイメージ（設計図みたいなもの）は、
- DockerHub やGitHub
に公開されてるので、それをインターネット経由でダウンロードします。

※ただし、それは最初の一度きり。その後はローカルでずっと使えます。

たとえるなら…
Docker = 料理できる自分のキッチン（ローカル）
Dockerイメージ = レシピ（ネットで拾ってくる）
実際の調理 = 自分のPCの中でやる

GUIとの関係は？

Docker自体は **CLIベース（コマンドライン操作）**ですが、Dockerで立ち上げたアプリがWeb UIを持つように作られていれば、ブラウザで操作することも可能です。
たとえば「InvokeAI」や「AUTOMATIC1111版のStable Diffusion」などは、DockerでもGUIが使えます。

特徴	内容
Dockerとは？	必要な環境ごとアプリを“箱”に詰めて持ち運べる技術
使う意味	面倒なセットアップが不要で、どこでもすぐ動く
使用感	コマンドで動かすが、GUI付きのものもある
どんなツールで使える？	公式がDocker対応してる or 有志が作ったイメージが使える

Dockerが使えるツールはたくさんあります！
とくに AI画像処理系のツールやライブラリは、最近ほとんどがDocker対応しています！

Docker対応の人気ツール

ツール名	説明	Docker対応
CodeFormer	顔の補完・復元に特化	対応Dockerあり（CUDA 11.8）
GFPGAN	顔の高画質化	公式Dockerあり
Real-ESRGAN	全体の超解像処理（顔以外も）	Docker化プロジェクトあり
Stable Diffusion	AI画像生成	多数のDocker実装あり（AUTOMATIC1111など）
InsightFace	顔認識ライブラリ（リアル顔交換系）	Docker対応プロジェクトあり
Deforum / AnimateDiff	動くAIイラスト	Dockerで動かす人多い
ComfyUI / Fooocus	GUI付きStable Diffusion	Docker対応ビルドあり

「Dockerが使えるか？」の調べ方

各ツールの GitHub ページを見て、READMEなどにこういう記載があればOKです

## Docker
docker build -t mytool .
docker run -it --gpus all mytool

あるいは Dockerfile や docker-compose.yml というファイルがあれば、高確率で対応しています。

venvの削除方法（アンインストール）

Docker版のツールやアプリが動作確認できたら、venv版は削除してOKです。

仮想環境（venv）はインストーラーで入れたものではなく、単なるフォルダ構造ですので、アンインストーラーなどは存在しません。フォルダごと削除すれば「完全アンインストール」

例：`C:\AI\StableDiffusion\venv` の中身を削除

C:\AI\StableDiffusion\
    ├── venv ← ❌ これを削除
    ├── webui-user.bat など
    └── その他

必要なら、プロジェクトフォルダごと（例：StableDiffusion/）削除してしまっても大丈夫です。

削除前の注意点

以下は残したい or Dockerに引き継ぎたいデータです

モデル（model.ckpt、safetensorsなど）
LoRA、VAE、VAE Decoderなど
outputsフォルダ（生成画像）

これらはDocker用に再利用できるので、削除前に別フォルダへコピーしておくと安心です。

さらにキレイにしたい場合（Pythonやvenv関連）

C:\Users\Owner\AppData\Local\Programs\Python\PythonXXX（※不要になったPythonの削除）
環境変数に設定された PYTHONPATH や Path の掃除
pipやPythonによりインストールされたパッケージの削除

ここまでやると本当にキレイになりますが、他にPython使う予定があるなら残しておいてOKです。

OSまるごと仮想化（コンテナ or 仮想マシン）：Docker類似ツール

ツール名	特徴	用途
`Docker`	軽量なOS単位のコンテナ	開発・本番問わず大人気
`Podman`	Dockerと似てるけどroot不要	セキュアな運用をしたい時に
`Vagrant` + `VirtualBox`	仮想マシンの自動構築	OS単位で再現したい時
`WSL2`（Windows）	Windows内でLinuxが使える	Linux環境構築に最高
`Singularity`	HPC向けのコンテナ	研究用途などでGPU活用も可能

Sakasa AI

ローカルCLI（Pythonスクリプト）の為の【PyTorch＋CUDA】のインストール手順 | Sakasa AI PyTorch + CUDA のインストール GPUとCUDAの互換性確認 GPUとCUDAの互換性を確認するには、以下の3つのステップで簡単にチェックできます。これは、PyTorch・Stable Diffus…

URLをコピーしました！