Jetson Nano & TX2配置教程
Jetson Nano & TX2配置教程
- Jetson Nano 激活
- Jetson TX2 烧录
- 更新系统国内源
- 安装系统工具jtop
- 从源代码编译opencv
- 安装archconda
- 安装mmdetection
更新于2021年4月10日。本文介绍了Jetson Nano 和 Jetson TX2两种设备的配置教程，前一部分以Jetson Nano为例，后半部分以Jetson TX2为例。这两种设备的配置教程，大体上是相近的。
Jetson Nano 激活
首先，拿到一张64GB/128GB（12GB的卡不够用）的micro-SD card，并进行格式化。SD卡的格式化工具，直接从官网下载即可，使用时选择“快速格式化”。
然后，从Nvidia官网下载你需要的jetson nano镜像。
注意确定安装的jetpack版本，这关系到其自带的cuda版本。简单来说，jetpack4.4以上，只能安装pytorch1.6以上PyTorch for Jetson - version 1.8.0 now available。而且在pytorch1.6环境下保存的模型，没办法在更低版本的pytorch中打开。
旧版本可以从官网JetPack Archive寻找。
最后，根据Nvidia官网教程完成镜像的烧录，大概需要半个小时的时间。
Jetson TX2 烧录
这里给出两个链接，一个是官网链接使用SDK Manager安装Jetson软件，另一个是知乎上的链接Jetson TX2 入门教程（镜像烧写）。
更新系统国内源
在使用系统之前，我们先将系统更换为国内安装源。
首先，备份source.list。
sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak
然后，修改source.list。推荐用gedit，十分方便。如果没有安装的话，需要先安装一下。
sudo apt-get install gedit
sudo gedit /etc/apt/sources.list
接着，替换list中的内容。
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic main multiverse restricted universe
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-security main multiverse restricted universe
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-updates main multiverse restricted universe
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-backports main multiverse restricted universe
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic main multiverse restricted universe
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-security main multiverse restricted universe
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-updates main multiverse restricted universe
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-backports main multiverse restricted universe
最后，更新软件。update和upgrade的区别可以参考linux命令系列 sudo apt-get update和upgrade的区别。
这一步可能需要花一段时间。
sudo apt-get update
sudo apt-get upgrade
安装系统工具jtop
Jetson Nano中有个工具jtop, 可以查看CPU和GPU资源，还可以显示系统的jetpack版本，十分好用。
首先，安装pip3.
sudo apt-get install python3-pip
同样的，我们也可以将pip修改为国内源。
第一种方式，长期修改。我以阿里源为例，其他国内源只需要修改链接即可。
pip3 config set global.index-url https://mirrors.aliyun.com/pypi/simple/
然后，使用pip安装jetson-stats。
第二种方式，一次性修改。我以清华源为例，其他国内源只需要修改链接即可。
sudo pip3 install jetson-stats -i https://pypi.tuna.tsinghua.edu.cn/simple
安装好之后，我们来看一下效果如何。
sudo jtop
从源代码编译opencv
刷机后的Nano已经预装了opencv，但是预装版本不支持CUDA，所以我们还要在Jetson Nano上手动安装OpenCV。
方法一
安装已编译的opencv，简单方便，但是这个版本过低，且不能指定其他版本。
sudo apt-get install opencv-python
方法二
从源代码安装，但是使用别人写好的脚本，如buildOpenCVXavier，nano_build_opencv。但是报错之后，可能不知道自己为什么错了，因为脚本不是你自己写的。
方法三
自己从源代码编译安装，有很多坑要踩啊。
不能先安装archconda等虚拟环境管理包，否则会有问题！参考在Jetson Nano中为python3安装OpenCV
- 增加交换空间
opencv的编译时生成的中间文件很大，Jetson Nano原始空间放不下。这里介绍一种永久生效的方法。要是只想临时生效，可以参考Enlarge memory swap。
查看当前系统的交换空间。
sudo swapon --show
查看内存大小。
free -h
创建用于swap的文件。
sudo fallocate -l 2G /swapfile
设置交换空间。
sudo mkswap /swapfile
激活交换空间。
sudo swapon /swapfile
#为了使这个激活永久有效
sudo gedit /etc/fstab
#粘贴 /swapfile swap swap defaults 0 0
验证增加空间是否有效。
sudo swapon --show
sudo free -h
- 安装依赖项
这个依赖项的要求五花八门，取决于你对功能的要求，这里我只给出我使用的依赖项，参考compile deeplearning libraries for jetson nano。如果遇到包冲突问题，参考aptitude与apt-get解决。
dependencies=(build-essential
cmake
pkg-config
libavcodec-dev
libavformat-dev
libopenblas-base
libopenmpi-dev
libswscale-dev
libv4l-dev
libxvidcore-dev
libavresample-dev
python3-dev
python3-numpy
libtbb2
libtbb-dev
libtiff-dev
libjpeg-dev
libpng-dev
libtiff-dev
libdc1394-22-dev
libgtk-3-dev
libcanberra-gtk3-module
libatlas-base-dev
gfortran
wget
unzip)
sudo apt install -y ${dependencies[@]}
- 下载源代码
安装所有第三方依赖项后，我们就需要下载OpenCV啦。需要两个压缩包：基本库和其他拓展库。在opencv官网下载你需要的版本。这里以4.4.0版本为例。
在github网址下载opencv-4.4.0.zip，复制下面的网址，在浏览器直接下载。
https://github.com/opencv/opencv/archive/4.4.0.zip
在github网址下载opencv_contrib-4.4.0.zip，复制下面的网址，在浏览器直接下载。
https://github.com/opencv/opencv_contrib/archive/4.4.0.zip
对下载后的opencv-4.4.0.zip和opencv_contrib-4.4.0.zip进行解压缩。
在opencv-4.4.0文件夹下打开命令行，新建一个build文件夹，并切换到build文件夹下。
mkdir build
cd build
- 编写cmake配置文件my_cmake.sh
这里是对opencv和cuda做的一些配置，和依赖库一样也是五花八门，看你的需求吧。这里我给出自己的配置，仅供参考。
新建脚本文件。
gedit my_cmake.sh
粘贴cmake命令。
cmake -D CMAKE_BUILD_TYPE=RELEASE \
-D WITH_CUDA=ON \
-D CUDA_ARCH_PTX="" \
-D CUDA_ARCH_BIN="5.3,6.2,7.2" \
-D WITH_CUBLAS=ON \
-D WITH_LIBV4L=ON \
-D BUILD_opencv_python3=ON \
-D BUILD_opencv_python2=OFF \
-D BUILD_opencv_java=OFF \
-D WITH_GSTREAMER=OFF \
-D WITH_GTK=ON \
-D BUILD_TESTS=OFF \
-D BUILD_PERF_TESTS=OFF \
-D BUILD_EXAMPLES=OFF \
-D OPENCV_EXTRA_MODULES_PATH=../../opencv_contrib-4.4.0/modules \
..
具体每个选项的介绍，可以参考Jetson Nano 从头配置OpenCV+CUDA+QT完整流程。
执行make命令。
sh ./my_cmake.sh
在我们进入实际编译步骤之前，请确保检查CMake的输出！参考树莓派安装OpenCV-4.1.0及Contrib
- 开始构建
$ make -j4
-j4表示4个CPU核心同时运行。
查看CPU核心数，参考Ubuntu 18.04配置OpenCV 4.2.0。
nproc
经过漫长的等待，约两小时。
可能遇到错误，这是网络问题导致部分依赖包没有下载。
错误一
参考Jetson Nano 从头配置OpenCV+CUDA+QT完整流程中相关部分的解决方案。
fatal error: boostdesc_bgm.i: No such file or directory
错误二
fatal error: opencv2/xfeatures2d/cuda.hpp: No such file or directory
参考opencv安装opencv_contrib出现无法打开包括文件: “opencv2/xfeatures2d/cuda.hpp”中的解决方案。记得加在最开始，不要加在最后面！
错误三
CMakeFiles/example_gpu_surf_keypoint_matcher.dir/surf_keypoint_matcher.cpp.o: In function `main':
surf_keypoint_matcher.cpp:(.text.startup.main+0x352): undefined reference to `cv::cuda::SURF_CUDA::SURF_CUDA()'
surf_keypoint_matcher.cpp:(.text.startup.main+0x579): undefined reference to `cv::cuda::SURF_CUDA::operator()(cv::cuda::GpuMat const&, cv::cuda::GpuMat const&, cv::cuda::GpuMat&, cv::cuda::GpuMat&, bool)'
surf_keypoint_matcher.cpp:(.text.startup.main+0x60d): undefined reference to `cv::cuda::SURF_CUDA::operator()(cv::cuda::GpuMat const&, cv::cuda::GpuMat const&, cv::cuda::GpuMat&, cv::cuda::GpuMat&, bool)'
surf_keypoint_matcher.cpp:(.text.startup.main+0x6af): undefined reference to `cv::cuda::SURF_CUDA::defaultNorm() const'
surf_keypoint_matcher.cpp:(.text.startup.main+0x7ca): undefined reference to `cv::cuda::SURF_CUDA::downloadKeypoints(cv::cuda::GpuMat const&, std::vector<cv::KeyPoint, std::allocator<cv::KeyPoint> >&)'
surf_keypoint_matcher.cpp:(.text.startup.main+0x7ea): undefined reference to `cv::cuda::SURF_CUDA::downloadKeypoints(cv::cuda::GpuMat const&, std::vector<cv::KeyPoint, std::allocator<cv::KeyPoint> >&)'
surf_keypoint_matcher.cpp:(.text.startup.main+0x800): undefined reference to `cv::cuda::SURF_CUDA::downloadDescriptors(cv::cuda::GpuMat const&, std::vector >&)'
surf_keypoint_matcher.cpp:(.text.startup.main+0x812): undefined reference to `cv::cuda::SURF_CUDA::downloadDescriptors(cv::cuda::GpuMat const&, std::vector<float, std::allocator<float> >&)'
collect2: error: ld returned 1 exit status
samples/gpu/CMakeFiles/example_gpu_surf_keypoint_matcher.dir/build.make:132: recipe for target 'bin/example_gpu_surf_keypoint_matcher' failed
make[2]: *** [bin/example_gpu_surf_keypoint_matcher] Error 1
参考源码编译安装OpenCV4.5+ CUDA11 带python 遇到的错误总结中的解决方案。
- 安装
make install
- 验证
$ python3 -c "import cv2; print(cv2.__version__)"
4.4.0
安装archconda
anaconda是深度学习的好工具。在arm64框架平台上，对应有一个archconda，是大神编译好的工具，我们可以直接使用。
从大神github网址上下载sh文件，然后就像在普通linux上安装即可。
如果需要在虚拟环境中使用opencv，有两种方法。
方法一
链接，参考Installing OpenCV 4 on NVIDIA Jetson Nano。
# Go to the folder where OpenCV's native library is built
cd /usr/local/lib/python3.6/site-packages/cv2/python-3.6
# Rename
mv cv2.cpython-36m-xxx-linux-gnu.so cv2.so
# Go to your virtual environments site-packages folder if previously set
cd ~/env/lib/python3.6/site-packages/
# Or just go to your home folder if not set a venv site-packages folder
cd ~
# Symlink the native library
ln -s /usr/local/lib/python3.6/site-packages/cv2/python-3.6/cv2.so cv2.so
方法二
拷贝，参考How to check for successful install including in virtualenv. #32。
# Go to the folder where OpenCV's native library is built
cd /usr/local/lib/python3.6/site-packages/cv2/python-3.6
# copy
cp usr/local/lib/python3.6/site-packages/cv2/python-3.6 [path to venv]/lib/python3.6/site-packages/cv2/python-3.6
在虚拟环境中导入cv2，可能会遇到下面一个错误。
from .cv2 import *
ImportError: numpy.core.multiarray failed to import
这主要是在编译opencv的时候使用的numpy，和虚拟环境中安装的numpy版本不一致，根据安装时的numpy版本修改一下即可，参考cv2: numpy.core.multiarray failed to import。
查看编译opencv的时候使用的numpy版本，可以进入系统自带的python环境，输出numpy版本号。
>>> import numpy
>>> print(numpy.__version__)
还有可能遇到另一个问题。
>>> import numpy
>>> Illegal instruction (core dumped)
这是numpy版本的问题，将numpy=1.19.5降级到numpy=1.19.4或更低版本即可，参考Illegal instruction (core dumped)
安装mmdetection
这一部分使用的是Jetson TX2，参考在Jetson tx2安装 mmdetection环境。
这里我遇到了一个小问题，TX2接上网线但是连不上网，解决方法参考Jetson TX2 有线网络网线不识别,灯不亮问题。
其实，安装完opencv后，要运行mmdetection的代码，还有4个重要的包需要安装：torch，torchvision，mmcv-full，mmdet。
- 安装torch
去NVIDIA官网下载配套的版本PyTorch for Jetson - version 1.7.0 now available，这一步需要。
注意查看自己的Jetpack版本号，4.4要用torch1.6，否则会报错cudnn版本不合适。
查看Jetson设备的信息可以用之前提到的jtop，也可以使用查询Jetson设备与开发环境版本的基础信息。
下载好pytorch之后，激活虚拟环境，使用pip命令安装。
pip install torch-1.6.0-cp36-cp36m-linux_aarch64.whl
有可能遇到问题
OSError: libmpi_cxx.so.20: cannot open shared object file: No such file or directory
参考Cannot install pytorch，安装两个依赖。
sudo apt-get install libopenblas-base libopenmpi-dev
- 安装torchvision
需要根据torch版本来选择对应版本的torchvision进行安装，参考Jetson Nano 安装torch和torchvision。
git clone --branch v0.7.0 https://github.com/pytorch/vision torchvision
cd torchvision
export BUILD_VERSION=0.7.0
sudo python setup.py install
- 安装mmcv-full和mmdet
这里的教程跟mmdetection官方教程来走就好了。
安装mmcv-full
git clone https://github.com/open-mmlab/mmcv.git
cd mmcv
MMCV_WITH_OPS=1 pip install -e . # 安装full版本
安装mmdetection
git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -r requirements/build.txt
pip install -v -e .
注意：
- mmcv-full和mmdet的版本号要对应，官方教程已经给出来了对应关系。
- 安装mmcv-full，而不是mmcv，否则后面可能会有奇怪的错误。
MMCV_WITH_OPS=1 pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple
- 在使用pip命令时，后面跟上国内源，这样下载其他依赖包会更快一些。
- 上面两个包安装完，也要花挺长时间的。
- 有可能遇到安装matplotlib，scipy，pillow等包的时候，与已经安装的numpy版本冲突。这种情况下不能修改numpy的版本，要修改其他包的版本。
- 可以使用下面这条命令，查看哪个版本的包时候你的numpy，包和版本号可以更改，参考conda查看某个安装包的依赖项。
conda search scipy=1.0.0 -info
- 测试
按照官网的代码，做了一些修改。
from mmdet.apis import inference_detector, init_detector, show_result_pyplot
config_file = 'configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py'
# download the checkpoint from model zoo and put it in `checkpoints/`
# url: http://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth
checkpoint_file = 'checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth'
device = 'cuda:0'
# init a detector
model = init_detector(config_file, checkpoint_file, device=device)
# inference the demo image
result = inference_detector(model, 'demo/demo.jpg')
# show the results
show_result_pyplot(model, 'demo/demo.jpg', result, score_thr=0.3)
参考
【Jetson-Nano】jetson_nano安装环境配置及tensorflow和pytorch安装教程
Jetson Nano配置与使用（1）开机
在Jetson Nano (TX1/TX2)上使用Anaconda与PyTorch 1.1.0
Install OpenCV 4.5.0 on Jetson Nano
compile deeplearning libraries for jetson nano
linux命令系列 sudo apt-get update和upgrade的区别buildOpenCVXavier
nano_build_opencv
在Jetson Nano中为python3安装OpenCV
Installing OpenCV 4 on NVIDIA Jetson Nano
Jetson Nano 从头配置OpenCV+CUDA+QT完整流程
树莓派安装OpenCV-4.1.0及Contrib
Ubuntu 18.04配置OpenCV 4.2.0
opencv安装opencv_contrib出现无法打开包括文件: “opencv2/xfeatures2d/cuda.hpp”
源码编译安装OpenCV4.5+ CUDA11 带python 遇到的错误总结
cv2: numpy.core.multiarray failed to import
在Jetson tx2安装 mmdetection环境