Jeston nano 部署yolov5并使用tensorrt加速-极速版-（先进视觉赛）

目录

一、概述

二、部署流程

2.1 Jeston nano刷机流程

2.2 cuda配置

2.3 换系统源

2.4 Archiconda配置、创建

2.5 pip换源

2.6 yolov5环境配置

2.6.1 先按yolov5目录中的requirements.txt 下载对应的库

2.6.2 torch与torchvision配置，按照下面博客配置，只看torch部分就好

2.6.3 pyqt5配置

2.6.4 tensorrt配置

2.6.5 cmake配置

2.6.6 相机sdk配置

2.6.7 比赛代码配置

三、总结

---

一、概述

  本博客为博主参加2024 中国机器人大赛暨 RoboCup 机器人世界杯中国赛机器人先进视觉3D识别赛道时配置环境所记录的流程的整理，也作为给学弟学妹留下的传承，中间有包括几篇有参考的博客，都有附上链接。部署流程亲测有效！！！

注：我们相机到手两天跑通，这教程是真极速版

二、部署流程

2.1 Jeston nano刷机流程

按照下面流程部署，基本上不会有问题：

Jeston Nano入门笔记（一）--刷机教程

tips:

1.刷机的建议还是直接使用sd卡烧录比较快

2.对于对应镜像的寻找：官网：https://developer.nvidia.com/embedded/jetpack-sdk-45-archive（这是4.5的页面，需要其他的可以划到最下面有For older versions of JetPack, please visit the JetPack Archive.点击就可以选自己要的版本，部署的时候一定要按需要的版本下）

2.2 cuda配置

打开home目录下的bashrc（ctrl+h显示隐藏文件）

vim ./bashrc

#在结尾添加

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda10.2/lib64
export PATH=$PATH:/usr/local/cuda10.2/bin
export CUDA_HOME=$CUDA_HOME:/usr/local/cuda10.2

注意cuda版本，不要盲目复制

2.3 换系统源

作用是更换apt下载的源

这边建议直接使用鱼香ros一键换源

sudo wget http://fishros.com/install -O fishros && bash fishros

更换以后使用命令更新软件包

sudo apt-get update

2.4 Archiconda配置、创建

对jeston nano配置conda的平替Archiconda。按照下面博客的流程配就行。需要注意的是，使用bash Archiconda3-0.2.3-Linux-aarch64.sh命令后，其实一路回车加yes，最后这个脚本会自动把环境变量写入bashrc中，不需要按博客那样配。即bash完，就直接可以使用conda命令了。

博客链接：http://t.csdnimg.cn/VCyr5

还有一点需要注意：在bash前，记得把网络连接上，不然会报错。

2.5 pip换源

在配置这个前，先使用conda配置好自己需要的虚拟环境（这个还不会的，去搜索一下学习学习），在进入虚拟环境后使用一下命令更换pip源，如果需要换其他源可以自己去查一下。

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

2.6 yolov5环境配置

2.6.1 先按yolov5目录中的requirements.txt 下载对应的库

pip install -r requirements.txt 

 tips:

注释matplotlib：因为第一次下载时报错，先不下。其他的类似

注释torch和torchvison：大概率都会报错或者成功后版本不能用，之后再配

opencv版本改为需要的版本（可以成功下载且可以使用的）：实验室的学弟学妹可以看我们留下的requirements.txt 

完成后再使用命令下载

成功后再配置前面没有成功的：单独使用pip下

2.6.2 torch与torchvision配置，按照下面博客配置，只看torch部分就好

博客链接：JetsonNano国产套件成功部署YoloV5手把手图解教程_jetson nano+yolov5是干什额-CSDN博客

在配置torchvision时先下载一下依赖库（注意因为没有跟着这篇博客从头到尾配，才在中间配置，更着配太慢了）：

sudo apt-get install libopenmpi2 -y

sudo apt-get install libopenblas-dev -y

2.6.3 pyqt5配置

 博客链接：http://t.csdnimg.cn/LmHt5

2.6.4 tensorrt配置

直接使用软连接，注意这里，我的conda中是python3.6和系统对应，所以直接使用下面命令就好，对于其他情况，我在下面作一下声明。

1.如果jetpack版本是5.0以上的板子，系统环境是python3.8，那就把命令中的python3.6改一下就好。

2.如果你依旧是python3.6的系统环境，却想给python3.8使用系统的tensorrt，建议去学习一下使用pybind11来进行绑定。这边不作赘述。

命令：

sudo ln -s /usr/lib/python3.6/dist-packages/tensorrt* /home/nano/archiconda3/envs/yolo/lib/python3.6/site-packages

注意后面的位置改为你们自己虚拟环境对应的位置就好

2.6.5 cmake配置

跟着博客配就好：

博客链接：http://t.csdnimg.cn/OuaIQ

2.6.6 相机sdk配置

这边使用的是奥比中光的Astra +相机。

先配置一下缺少的库

下载pybind11

pip install pybind11（在conda中）

相机sdk链接：

官网链接：3D视觉AI开放平台

（顺便吐槽一下，这官网写的确实是有点太垃圾了，论坛里的东西质量也不高，还有售后服务群里的技术支持也是一言难尽，能不能学学别人地平线（bushi））

github：GitHub - orbbec/pyorbbecsdk: OrbbecSDK python binding

建议还是使用github的教程和代码，官网的有点问题。配置流程就按照github上配，但是教程都是用的python虚拟环境配，怪怪的，这边给一下我的配置过程。

#下载源码，建议直接windows里下载拷贝进去
git clone https://github.com/orbbec/pyorbbecsdk.git
#这边不需要下那些依赖什么的，因为跟着我的教程，opencv那些都有了
#配置cmakelist，因为使用conda，所以要配，官网那边就没说
set(Python3_ROOT_DIR "/home/anaconda3/envs/py3.6.8") # Replace with your Python3 path
set(pybind11_DIR "${Python3_ROOT_DIR}/lib/python3.6/site-packages/pybind11/share/cmake/pybind11") # Replace with your Pybind11 path
#开始配置
cd pyorbbecsdk
#这中间配置python虚拟环境的就不要了，进入conda环境配就行
pip3 install -r requirements.txt
mkdir build
cd build
cmake -Dpybind11_DIR=`pybind11-config --cmakedir` ..
make -j4
make install
#测试
cd pyorbbecsdk
export PYTHONPATH=$PYTHONPATH:$(pwd)/install/lib/
sudo bash ./scripts/install_udev_rules.sh
sudo udevadm control --reload-rules && sudo udevadm trigger
python3 examples/depth_viewer.py
python3 examples/net_device.py # Requires ffmpeg installation for network device

2.6.7 比赛代码配置

代码文件夹放到sdk中，运行比赛代码，根据报错缺的库一个个pip配置

注意：pycuda直接使用pip下不了，按照博客下

http://t.csdnimg.cn/fOUyF

如果报错time out ，就换个网络（可以试试热点）

之后就可以跑起来代码，接下来就可以开始规划里的代码改进优化以及数据集处理了。

三、总结

到这里关于比赛环境配置就写完了，关于配置，只要网络快，就是我说的极速配置，挺快的。祝大家比赛顺利！！！

这边提及一下和我一起配置环境的队友：凯旋yyds-CSDN博客