Tegra TX1 安装配置 + caffe run

Jetson开箱后的第一步就是登陆。你可以接上一个显示器和键盘，但是我推荐你仅仅将它插入到一个本地的路由器，然后使用
ssh登陆（elinux.org/Jetson/Remote_Access有更多的细节），在你的本地网络Jetson会显示为“tegra-
ubuntu.local”，用户名是“ubuntu”。
ssh [email protected]

［此处如无法登录，建议执行：sudo apt-get --reinstall install openssh-server openssh-client］

默认密码是“ubuntu”，下一步我们需要运行Nvidia设备自带的installer，然后重启。
sudo NVIDIA-INSTALLER/installer.sh
sudo shutdown -r now
重启完成后，你可以登录并且继续安装Caffe需要用到的其他安装包。
ssh [email protected]
sudo add-apt-repository universe
sudo apt-get update
sudo apt-get install libprotobuf-dev protobuf-compiler gfortran \
libboost-dev cmake libleveldb-dev libsnappy-dev \
libboost-thread-dev libboost-system-dev \
libatlas-base-dev libhdf5-serial-dev libgflags-dev \
libgoogle-glog-dev liblmdb-dev gcc-4.7 g++-4.7
你
将需要使用Cuda 
SDK来构建和运行GPU程序，elinux.org/Tegra/Installing_Cuda有非常不错的通用指导手册。总的来说，你需要注册成为
Nvidia开发者，然后登陆网页下载Cuda6.0 for ARM安装包到你的机器，并将它复制到Jetson上。
scp ~/Downloads/cuda-repo-l4t-r19.2_6.0-42_armhf.deb [email protected]:
然后用ssh连接到你的Tegra，按如下步骤安装Cuda。
sudo dpkg -i cuda-repo-l4t-r19.2_6.0-42_armhf.deb
sudo apt-get update
sudo apt-get install cuda-toolkit-6-0
sudo usermod -a -G video $USER
echo “# Add CUDA bin & library paths:” >> ~/.bashrc
echo “export PATH=/usr/local/cuda/bin:$PATH” >> ~/.bashrc
echo “export LD_LIBRARY_PATH=/usr/local/cuda/lib:$LD_LIBRARY_PATH” >> ~/.bashrc
source ~/.bashrc
如
果每一步安装都没有问题，执行“nvcc 
-V”将返回给你编译版本信息。接下来，你需要获取Tegra版本的OpenCV。通过你的主机上访问developer.nvidia.com/rdp
/assets/opencv-run-tegra-k1 
anddeveloper.nvidia.com/rdp/assets/opencv-dev-tegra-k1下载安装包，然后拷贝到Jetson。
scp ~/Downloads/libopencv4tegra* [email protected]:
在Jetson上，按如下步骤安装这些包。
sudo dpkg -i libopencv4tegra_2.4.8.2_armhf.deb
sudo dpkg -i libopencv4tegra-dev_2.4.8.2_armhf.deb
接下来，我们需要下载和安装Caffe。
sudo apt-get install -y git
git clone https://github.com/BVLC/caffe.git
cd caffe && git checkout dev
cp Makefile.config.example Makefile.config
sed -i “s/# CUSTOM_CXX := g++/CUSTOM_CXX := g++-4.7/” Makefile.config
我们必须使用4.7版本的gcc，因为nvcc在默认的4.8版本下会出现一些问题。
make -j 8 all
一旦安装完成，你需要运行Caffe的测试程序来检查Caffe是否能正确运行，这个会需要一点时间。
make -j 8 runtest
最后你可以运行Caffe的基准测试代码来衡量性能。
build/tools/caffe time –model=models/bvlc_alexnet/deploy.prototxt –gpu=0
这
个步骤会花费大概30秒时间，并输出一组统计。每个识别通道运行50次迭代，每一个输入图像会分析10个不同的组进行分析，所以必须将“Average 
Forward 
pass”的时间除以10来得到每次识别结果的时间。我的平均时间是337.86ms，所以每幅图像耗费34ms。你也可以设置-gpu=0来看看CPU
运行的结果，我的结果是585ms，所以Cuda的加速效果还是蛮明显的。