【Jetson-Nano】jetson_nano安装环境配置及tensorflow和pytorch安装教程

本篇文章会介绍jetson nano系统的安装及简单测试，本文结束后完整的系统就搭好了。
文章较长，read用时较长，有硬件的小伙伴可同步实现使用，具体细节灵活应用，不必完全按照本文。

---

所写内容全部原创，经过实测，参考请添加引用说明。

---

先让大家看看长啥样，各位观众！！！

1、外观

简简单单来个6视图。

2、 Jetson Nano的规格

建议从某东或某宝购买时带个Micro usb电源和64G的 SD卡，供电稳定，存储够用。

3、Jetson Noao 激活

一、在你启动NVIDIA Jetson Nano前，你需要做三件事：

1. 一个 micro-SD card （最小16GB)
2. 一个 5V 2.5A MicroUSB 电源
3. 网线

二、下载 并flash .img 文件到你的micro-SD 卡里

1. 1、 官方提供了三种方式format，分别用于windows,MAC,linux系统，我用的是windows。
   

2. 2、下载的文件是
   

3. 3、解压前有5G(解压后10多个G,所以推荐64G卡), 系统是Ubuntu18.04LTS,就用官方推荐的Etcher来烧进去。
   我是买了官方的SD卡的，所以这个卡是做好的，直接可用。但还是格式化后走了一遍（不怕累）

4. 4、将SD卡放到nano卡槽中，连接好鼠标、键盘、网线和显示器就可以上电了。

上电后，一路安装，会有ubuntu的一些设置，比如时区，键盘，用户名啥的，系统我选中国,会有中文输入法（下载很久，等不及了直接跳过，所以拼音不能用）。
5. 完成后的效果

4、 安装系统包和prerequisites

包括四个方面的内容
4.1. 增加交换空间大小
4.2. ssh远程连jetson nano
4.3. 安装系统所需的包,配置python环境
4.4. 安装jetson inference engine

4.1增加交换空间大小

这一步是必须的，显存个内存是共享受的，物理内存只有4G,所以个人感觉加上好一些。Swap交换空间是在硬盘上，当物理内存RAM用完时，会开始使用。交换空间可以采用专用交换分区或交换文件的形式。在大多数情况下，不存在交换分区，因此唯一的选择是创建交换文件。创建教程参考1和参考2该链接，将添加swap file到ubuntu 18.04系统上。

• first,检查当前系统的效换空间

sudo swapon --show

检查内存

free -h

内存有4G,交换空间2G.

• second,增加2G交换空间
  a. 创那用于swap的文件

sudo fallocate -l 2G /swapfile

如果fallocate没有安装，将得到fallocate failed:Operation not supported的报错信息。可以用以下命令创建：

sudo dd if=/dev/zero of=/swapfile bs=2048 count=1048576

b. 所有用户都可以读写swap file,设置正确的权限：

sudo chmod 666 /swapfile

c. 设置交换空间

sudo mkswap /swapfile

d. 激活交换空间

sudo swapon /swapfile
#为了使这个激活永久有效
sudo vi /etc/fstab
#粘贴 /swapfile swap swap defaults 0 0

e. 验证增加空间是否有效

sudo swapon --show
sudo free -h

4.2 ssh远程连接nano并设置最大功率

4.2.1 远程连接nano

有显示器，但还是要用ssh ,有两个好处

1. 可以降低因为显示而吃的GPU资源
2. 电流不够的风险可以降低

查看用户名使用命令：

whoami

查看ip地址用：

ifconfig

连接时还可以打开cmd,输入：

ssh username@ip

会要输入密码的

4.2.2 切换高低功率

有两种供电方式，10W和5W。

#查看当前是那个模式
sudo nvpmodel -q

#将当前模式切换到5W模式,将会自动关掉两个cpu,只使用cpu1,2
sudo nvpmodel -m 1

两种模式，0 是高功率10w,1是低功率5w,默认状态是高功率。安装时，切换到最大功率，因为安装时会用到许多外设，耗电量大，在执行完功率状态切换后往往还要加一行：

sudo nvpmodel -m 0
sudo jetson_clocks

jetson_clocks将会使cpu频率固定。另外nano有两种供电方式，一种是5V 2.5A(10W)的microUSB供电；但如果你要有很多外设在（键盘、鼠标、wifi、显示器）在使用，最好用5V 4A(20W)的供电方式，来保证nano的正常工作。

4.2.3 更新系统并移除无用软件

移除LibreOffice会为系统省很多空间，这个软件对做深度学习和计算机视觉算法也没有太多用

sudo apt-get purge libreoffice*
sudo apt-get clean

接着，更新系统：

sudo apt-get update && sudo apt-get upgrade

4.3 安装系统所需的包：

本节将配置系统所需的包

4.3.1配置系统级的安装包

sudo apt-get install git cmake
sudo apt-get install libatlas-base-dev gfortran
sudo apt-get install libhdf5-serial-dev hdf5-tools
sudo apt-get install python3-dev
sudo apt-get install nano locate

联网成功，网速顺利的话，将花费几分钟（可以改安装源，请自行百度）。
接着安装scipy的依赖和系统级别的cython:

sudo apt-get install libfreetype6-dev python3-setuptools
sudo apt-get install protobuf-compiler libprotobuf-dev openssl
sudo apt-get install libssl-dev libcurl4-openssl-dev
sudo apt-get install cython3

如果要装TensorFlow Object Detection (TFOD) API ,还要装xml的工具：

sudo apt-get install libxml2-dev libxslt1-dev

4.3.2 更新CMake

更新cmake,能帮助正确从源码来编译安装opencv(尽管nano装完后自带opencv):

wget http://www.cmake.org/files/v3.13/cmake-3.13.0.tar.gz  #下载，版本号可到官网上查
tar xpvf cmake-3.13.0.tar.gz cmake-3.13.0/  #解压
cd cmake-3.13.0/
./bootstrap --system-curl
make -j4 #编译
echo 'export PATH=~/cmake-3.13.0/bin/:$PATH' >> ~/.bashrc
source ~/.bashrc #更新.bashrc

这样就更新完cmake.

4.3.3 配置python环境

先安装pip,python的包管理工具,(如果有pip,这一步可以不执行)

wget https://bootstrap.pypa.io/get-pip.py
sudo python3 get-pip.py
rm get-pip.py

下文中将使用pip来安装python的一些包，对于一些网络不好的情况，建议先改变pip的安装源到国内：

#如清华的源
https://pypi.tuna.tsinghua.edu.cn/simple
#豆瓣源
https://pypi.doubanio.com/simple
#临时改源
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple some-package
#持久的设为默认源
pip install pip -U
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
#如果您到 pip 默认源的网络连接较差，临时使用镜像站来升级 pip
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pip -U

我们将使用python的虚拟环境，来保证你使用的环境互相独立。
使用virtualenv和virtualenvwrapper,(之前尝试过anaconda,由于各种包编译的问题 ，安装过程不是很顺利，为了快速使用，没有去做过深研究），安装命令：

pip install virtualenv virtualenvwrapper

安装完之后，需要更新.bashrc

vim ~/.bashrc

在文件底部输入

# virtualenv and virtualenvwrapper
export WORKON_HOME=$HOME/.virtualenvs #指定所有的需拟环境的安装位置
export VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3 #指定解释器
source /usr/local/bin/virtualenvwrapper.sh#进行激活生效

保存并退出，使用source 重新载入

source ~/.bashrc

接着创建python的虚拟环境，

mkvirtualenv nano -p python3 #-p 是指定解释器是python3

创建后直接进入了。
我的名字是nano,你可以自己定义。
一些virtualenvwrapper的常用命令：

#创建一个环境
mkvirtualenv name #在~/.virtualenvs下安装name的需拟环境
#激活工作环境
workon name
#workon后不加任何东西可以列出所有虚拟环境
#退出当前虚拟环境
deactivate
#删除虚拟环境，需先退出
rmvirtualenv name
#列出所有虚拟环境
lsvirtualenv

4.3.4 系统工具jtop和nvidia-smi的结合

Jetson Nano中有个工具jtop, 可以同时查看CPU和GPU资源以及温度,另外就是可以把你当前的library show出来

sudo pip install --upgrade pip
sudo -H pip install jetson-stats
sudo jtop

选1ALL的内容

2GPU的内容

3CTRL的内容

4INFO的内容

按q退出。
下图为低功耗下的图：

4.3.5 安装tensorflow,kears,scikit-learn等必须包

进入虚拟环境

workon nano

安装numpy

pip install numpy  ##这个版本会在后边有可能有报错，是版本不匹配的原因，继续看本文后续内容

因为需要编译，大约需要花20多分钟

接着安装tensorflow,不要使用pip install tensorflow-gpu,因为NVIDIA提供了官方的版本(官方会逐渐更新，安装合适自己的就可以），安装时会把必须的包都安装上，整个过程比较耗时，网络原因需多次尝试，当前对tensorflow2.x版本可能还不是很好，这个希望大家自己试试，1.14中也加入了tf.keras功能，还稳定可用。

pip install --pre --extra-index-url https://developer.download.nvidia.com/compute/redist/jp/v42 tensorflow-gpu==1.14.0+nv19.7

有个报错：

在h5py的地方会花费很长时间，建意单独安装。而且会有一个包的安装报错（也可能是国内网不好或其它原因），单独安装。

接着再次安装tensorflow,耗时很长，大约40分钟：

接着安装其它包，每个包都很耗时，耐心等待，若不成功，多次尝试，考虑到安装太慢，可以多开几个shell来实现（keras还有scikit-learn jupyter-notebook是需要先安装scipy的，所以可以先安装其它的）：

pip install scipy
pip install keras
pip install sklearn #scikit-learn
pip install pillow
pip install matplotlib
pip install jupyter #jupyter notebook

pillow安装几分钟

scipy安装了一个多小时
接着安装keras用了几分钟:

接着安装sklearn,报错，定位到少包：

不报错就不用下面的命令来安装

pip install Cython

大约安装用了20分钟

jupyter 大约10分钟
安装matplotlib会报错：

看起来是字体的问题，通过以下命令实现：

sudo apt-get install libfreetype6-dev

大约3分钟完成所有安装

如果个人还有什么么需要的包,可以自己用pip来安装就可以

4.3.6安装包是否生效测试

python -c 'import numpy; print(numpy.__version__)'
python -c 'import jupyter; print(jupyter.__version__)'
python -c 'import PIL; print(PIL.__version__)'
python -c 'import matplotlib; print(matplotlib.__version__)'
python -c 'import tensorflow; print(tensorflow.__version__)'
python -c 'import keras; print(keras.__version__)'

其它都没有问题，只有tensorflow会报错，同时以tensorflow为backend的keras报同样错：

查询后发现，是numpy版本太高原因（当前1.17）
所以

pip install numpy==1.16

又一个20分钟过去了。。。。
安装成功，大功告成
再次测试，全部通过。

5、 安装jetson inference engine

5.1 inference engine的安装

Jetson nano .img 已经在jetpack 安装（JetPack，cuda，cudnn，opencv这些都安装了），所以直接来到构建jetson推理engine位置。

git clone https://github.com/dusty-nv/jetson-inference
cd jetson-inference
git submodule update --init
mkdir build
cd build
cmake ..

在执行cmake过程中要下载几个G的数据，有各种模型（所以要用64G 的SD卡），但是网络原因，都没有下载下来，所以个人建意全部跳过（能上外网的除外）

直接quit 后期单独处理

当然也是直接quit了。

后期可以单独下载，参见指导

接着执行：

make
sudo make install

make

sudo make install

也要可以看来jetson包安装到/usr/lib/python3.6/dist-packages下边

5.2 模型下载和pytorch相关安装

单独下载模型及pytorch可以参见说明1和说明2，但上不了外网是下载不下来的。

cd jetson-inference/tools
./download-models.sh
./install-pytorch.sh

对于下载模型部分，解决方法是，参见说明：
（1）安装git和cmake, 并检出库到本地：
sudo apt-get install git cmake
git clone https://github.com/dusty-nv/jetson-inference

（2）更新submodule
cd jetson-inference
git submodule update --init
（3)切换到国内镜像：

sed -in-place -e ‘s@https://nvidia.box.com/shared/static@https://bbs.gpuworld.cn/mirror@g’ CMakePreBuild.sh

(修改文件目录：jetson-inference/CMakePreBuild.sh)

文件里面：https://nvidia.box.com/shared/static 替换成：https://bbs.gpuworld.cn/mirror
也可以替换成https://github.com/dusty-nv/jetson-inference/releases
make install 之后也可以单独打开https://github.com/dusty-nv/jetson-inference/releases
从上边直接下载想要使用的模型下载到path/jetson-inference/data/networks,然后：

cd <jetson-inference>/data/networks/
tar -zxvf <model-archive-name>.tar.gz

对于pytorch 的下载没有办法，放到网盘下载需要的进行安装就可以。

里边还有一个anaconda for aarch64 archiconda的版本，可以结合pip和conda来安装相关python包，有兴趣的可以试一下。
以下是说明文档中的内容，我们照着实现。

验证


大概十几分钟安装完成
安装 torchvision

sudo apt-get install libjpeg-dev zlib1g-dev
git clone -b v0.3.0 https://github.com/pytorch/vision torchvision
cd torchvision
python setup.py install #在虚拟环境中安装，不需要sudo
cd ../  # attempting to load torchvision from build dir will result in import error

安装十几分钟，完成。
cd … 后是这个样的：

5.3 验证pytorch 和torchvision

import torch
print(torch.__version__)
print(touch.cuda.is_available())
import torchvision
print(torchvision.__version__)

5.4 虚拟环境环境变量的改变

以上部分完成所有必备安装，还需要的几个小修正如下：

5.4.1 配置opencv, jetson，tensorrt

默认环境是可以导入这些包的，但是使用virtualenv会失败，这里主要针对这个使可以import cv2成功,也可以使用import jetson(/home/jetnano/jetson-inference/python/examples下有python的example,都会导入jetson)

不配置的状态下：

会报ModuleNotFoundError: No module named 'cv2’以及ModuleNotFoundError: No module named 'jetson’的错。
以下为修正方式，从而将openvc 和jetson与virtualenv联接：
先找到opencv和jetson的位置，有两种方法;

• 方法一：find的方法

sudo find / -name jetson
sudo find / -name jetson*
sudo find / -name cv2
sudo find / -name cv2*

加*还是不加这个就是试的，如图所示：

找到jetson路径是：/usr/lib/python3.6/dist-packages/jetson，opencv的路径是：/usr/lib/python3.6/dist-packages/cv2.cpython-36m-aarch64-linux-gnu.so,（这个名字可以看出这是支持cuda的）同理，tensorrt路径是：/usr/lib/python3.6/dist-packages/tensorrt

• 方法二：sys.path的方法

另外一种找路径的方法是：在非虚拟环境下，直接导入cv2和jetson成功，打印出此时python的环境变量

所以这两个包必然在这些环境变量中的一个，接着打开别一个shell,进入虚拟环境，逐个把系统python的环境变量加入并导入库做尝试：

import sys
print(sys.path)
paths = ['', '/usr/lib/python36.zip', '/usr/lib/python3.6', '/usr/lib/python3.6/lib-dynload', '/usr/local/lib/python3.6/dist-packages', '/usr/lib/python3/dist-packages', '/usr/lib/python3.6/dist-packages'] 
for p in paths:
    try:
        sys.path.append(p)
        import sys
        print(p)
    except:
        pass

同理，找jetson的路径.
所以找到环境变量地址是同一个：/usr/lib/python3.6/dist-packages
** 接着添加环境变量到虚拟环境**

• 方法一：使用sys.append

在以后执行的过程中，都要加入以下代码：

import sys
sys.path.append('/usr/lib/python3.6/dist-packages')

• 方法二：使用virtualenvwrapper的add2virtualenv

或者借助virtualenvwrapper的功能：

add2virtualenv /usr/lib/python3.6/dist-packages
lssitepackages

可以看到，sys.path里多了我们添加的内容

可以通过以下命令删除

rm ~/.virtualenvs/nano/lib/python3.6/site-packages/_virtualenv_path_extensions.pth
lssitepackages

• [ ]方法三 : 设置软链接

cd  ~/.virtualenvs/nano/lib/python3.6/site-packages/
ln -s /usr/lib/python3.6/dist-packages/cv2.cpython-36m-aarch64-linux-gnu.so
ln -s /usr/lib/python3.6/dist-packages/jetson
ls -l

可以看到：


如果加错了可以删除：

rm -rf #软链地址

• 方法四：利用PYTHONPATH

填加PYTHONPATH可以被sys.path找到，
在虚拟环境bin/activate文档末尾添加 export PYTHONPATH="/the/path/you/want"

vi ~/.virtualenvs/nano/bin/activate
export PYTHONPATH=/usr/lib/python3.6/dist-packages:$PYTHONPATH

最后不用可以把这一行注释掉

最后,查看一下/usr/lib/python3.6/dist-packages下边都有什么库:

后期还要用tensorrt,uff这一类的,所以综上所述,我们选择方法二(我的选择)或方法四

5.4.2 pycuda安装

pycuda会在使用tensorrt的python api时用到
填加PATH到.bashrc,具体路径，看自己cuda版本，具体写适合自己的

vi ~/.bashrc
export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
export CUDA_ROOT=/usr/local/cuda
source ~/.bashrc

然后安装pycuda

pip insatll pycuda

大约用时10分钟

总结

到此,Jetson nano的配置就讲完了,关于应用,会写一系列的应用项目.
本文系原创,如有引用,请注明标注出处。

引用

文中所有链接部分都是引用参考内容及出处,一并致谢,些处不再过多罗列.如有侵权,请联系本人.

[1] https://www.pyimagesearch.com/2019/05/06/getting-started-with-the-nvidia-jetson-nano/
[2] https://medium.com/@jackycsie/jetson-nano-9d89cbf2fc18
[3] https://chtseng.wordpress.com/2019/05/01/nvida-jetson-nano-%E5%88%9D%E9%AB%94%E9%A9%97%EF%BC%9A%E5%AE%89%E8%A3%9D%E8%88%87%E6%B8%AC%E8%A9%A6/
[4] https://www.dlology.com/blog/how-to-run-keras-model-on-jetson-nano/
[5] https://thenewstack.io/tutorial-configure-nvidia-jetson-nano-as-an-ai-testbed/
[6] https://stackoverflow.com/questions/4757178/how-do-you-set-your-pythonpath-in-an-already-created-virtualenv/17963979
[7] https://www.pyimagesearch.com/2020/03/25/how-to-configure-your-nvidia-jetson-nano-for-computer-vision-and-deep-learning/