Jetson Nano安装配置

最新推荐文章于 2024-06-26 10:39:51 发布
最新推荐文章于 2024-06-26 10:39:51 发布
阅读量3.2k 收藏 60
点赞数 6
分类专栏： JetsonNano 文章标签： 嵌入式
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/mrliuzhao/article/details/111635807
版权

文章目录

安装部署

首先根据NVIDIA官网的指南就很容易知道如何安装Jetson Nano了。大致也就如下几步：

  1. 使用“SD Memory Card Formatter”格式化SD卡；
  2. 使用“Etcher”将官方镜像刷进去。最好留意一下官方镜像称为JetPack，不仅是Ubuntu系统，也预装了很多计算机视觉和深度学习方面的库（CUDA、cudnn等），具体参考官方网站：https://developer.nvidia.com/zh-cn/embedded/jetpack
  3. 之后按照官网说明的连接方式先连接上USB电源，之后连接上显示器、键盘和鼠标，成功进入系统，发现其实就是Ubuntu，这时感觉Jetson Nano实际上就是一个非常mini的服务器。简单配置后关机进行其他尝试。
  4. 考虑到一直连接这么多外围设备使得系统很笨重，尝试串口连接设备。此时就需要将J48引脚连接上，之后使用5V4A直流电源连接J25电源插孔，空出USB接口连接PC。按照官方说明，在Putty上选择Serial连接，速率为115200。也可以成功连接上系统，但只能使用命令行。
  5. 观察到网上有评论5V4A的直流电源比USB供电功率更大更稳定，因此即使使用显示屏，也选择连接上J48引脚，并使用5V4A的电源。
  6. 最后关机，拆下显卡，把WiFi模块装上；
  7. 再把MIPI-CSI摄像头安装上，注意安装时金属针脚朝向Jetson Nano内侧。
  8. 开发过程中通过ssh远程连接比较方便，但往往不能使用图形化界面，尤其无法展示视频流，因此选择Putty + Xming的方式远程可视化连接。参考博客：http://www.uuc.me/1211.html。

系统配置

  1. 就像安装一台新服务器一样，首先确定系统版本：
# 查看Linux系统内核
> uname -a
Linux gdcc-desktop 4.9.140-tegra #1 SMP PREEMPT Tue Oct 27 21:02:37 PDT 2020 aarch64 aarch64 aarch64 GNU/Linux
# 查看Ubuntu发行版本
> lsb_release -a
No LSB modules are available.
Distributor ID: Ubuntu
Description:    Ubuntu 18.04.5 LTS
Release:        18.04
Codename:       bionic
# 查看JetPack版本号
> cat /etc/nv_tegra_release
# R32 (release), REVISION: 4.4, GCID: 23942405, BOARD: t210ref, EABI: aarch64, DATE: Fri Oct 16 19:44:43 UTC 2020

记录一些关键信息备用：

  • 内核架构：aarch64、amd64；
  • Ubuntu发行版本号：18.04.5 LTS；代号：bionic；
  • JetPack版本号：4.4
  1. 更新apt源。一方面可以在命令行修改/etc/apt/sources.list文件修改，注意OS版本：
# 先保存原始文件
mv /etc/apt/sources.list /etc/apt/sources.list.bak

# 创建新文件
vi /etc/apt/sources.list

# 文件中写入如下内容
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

# 再重新刷新列表和升级
sudo apt update
sudo apt full-upgrade

# 查看已安装的包
dpkg -l > ~/pakageInstalled.txt

另一方面也可以通过图形界面“设置->关于->Software Updates->软件和更新”中修改下载服务器。

  1. 进入系统设置，查看并根据自己的喜好修改一些设置。

开发环境检查配置

开始进行机器学习和使用之前，首先要确定开发环境的正确性。

检查python

> which python
/usr/bin/python
> which python3
/usr/bin/python3
> python --version
Python 2.7.17
> python3 --version
Python 3.6.9

检查TensorRT

> dpkg -l | grep TensorRT
ii  nvidia-container-csv-tensorrt  7.1.3.0-1+cuda10.2  arm64  Jetpack TensorRT CSV file
ii  tensorrt  7.1.3.0-1+cuda10.2  arm64  Meta package of TensorRT

检查CUDA

运行nvcc -V检查CUDA版本，发现没有输出，需要添加环境变量：

> vi  /etc/profile
# 添加如下内容
export CUDA_HOME=/usr/local/cuda-10.2
export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64:$LD_LIBRARY_PATH
export PATH=/usr/local/cuda-10.2/bin:$PATH

> source /etc/profile
> nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2019 NVIDIA Corporation
Built on Wed_Oct_23_21:14:42_PDT_2019
Cuda compilation tools, release 10.2, V10.2.89

检查CuDNN

直接尝试跑一个例子：

> cd /usr/src/cudnn_samples_v8/mnistCUDNN   #进入例子目录
> sudo make     #编译一下例子
> sudo chmod a+x mnistCUDNN # 为可执行文件添加执行权限
> ./mnistCUDNN > /home/gdcc/cudnnTest.txt  # 执行

摘录一些输出中的重要信息：

cudnnGetVersion() : 8000 , CUDNN_VERSION from cudnn.h : 8000 (8.0.0)
Host compiler version : GCC 7.5.0

There are 1 CUDA capable devices on your machine :
device 0 : sms  1  Capabilities 5.3, SmClock 921.6 Mhz, MemSize (Mb) 3964, MemClock 12.8 Mhz, Ecc=0, boardGroupID=0

检查OpenCV

> pkg-config opencv4 --modversion
4.1.1
# 进入Python查看是否可以用OpenCV
> python3
>>> import cv2
>>> print(cv2.__version__)
4.4.1

安装配置拼音输入法

> apt-get install ibus-pinyin

之后在"System Settings -> Language Support -> 添加或删除语言"中添加中文，并调整到最前面，之后重启电脑。终端中ibus-setup调出ibus首选项，“输入法”选项中添加汉语“Intelligent Pinyin”选项，之后就可以使用中文输入法了。

删除LibreOffice

该软件对深度学习没什么用，故选择直接删除：

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

开发环境搭建

JetPack包提供的开发环境并不完整，还需要自己安装和配置一些更多的包。

pip安装和配置

  1. 首先命令行安装pip：
> apt-get install python3-pip python3-dev  # 安装pip
> python3 -m pip install --upgrade pip  #升级pip
> pip3 -V
WARNING: pip is being invoked by an old script wrapper. This will fail in a future version of pip.
Please see https://github.com/pypa/pip/issues/5599 for advice on fixing the underlying issue.
To avoid this problem you can invoke Python with '-m pip' instead of running pip directly.
pip 20.3.3 from /usr/local/lib/python3.6/dist-packages/pip (python 3.6)
> python3 -m pip list > /home/gdcc/PipPackage.txt
  1. 更换pip安装源：
> cd ~
> mkdir .pip
> vi ./.pip/pip.conf
# 写入如下配置
[global]
trusted-host = mirrors.aliyun.com
index-url = http://mirrors.aliyun.com/pypi/simple
timeout = 120
  1. 可以从pip list中查看到已经安装了numpy、scipy等基本包，但还没有安装TensorFlow。网上搜索到各种不同的安装方法，最后查到官方有TensorFlow的安装指南，故决定按照该指南安装专用于Jetson平台的TensorFlow。

TensorFlow安装和配置

  1. 首先应该根据JetPack的版本确定能用的TensorFlow版本：
    版本匹配

  2. 命令行安装TensorFlow：

# 安装TensorFlow必需的包
> apt-get install libhdf5-serial-dev hdf5-tools libhdf5-dev zlib1g-dev zip libjpeg8-dev liblapack-dev libblas-dev gfortran

# 安装和更新必需的Python包，注意一些包必须安装指定版本
> python3 -m pip install -U testresources setuptools==49.6.0
> python3 -m pip install -U numpy==1.16.1 future==0.18.2 mock==3.0.5 h5py==2.10.0 keras_preprocessing==1.1.1 keras_applications==1.0.8 gast==0.2.2 scipy==1.4.1 
> python3 -m pip install protobuf pybind11

# 安装TensorFlow for JetPack
> python3 -m pip install --pre --extra-index-url https://developer.download.nvidia.com/compute/redist/jp/v44 tensorflow

安装过程中遇到各种问题，尤其出现在pip install的过程中，有时是下载很慢，有时是卡在编译过程。Building wheel for numpy编译时等了好久都没有反应。

这时发现Jetson下载平台上还提供了各种TensorFlow for Jetson的wheel文件，这种文件都是已经编译完成的包。那么直接根据需求选择合适的版本，下载这些文件，之后pip install ./***.whl就可以安装对应的环境。过程中一样也需要下载和编译一些必需的包，需要耐心等待。安装完成后执行如下命令检查能否成功导入TensorFlow：

> python3
> import tensorflow as tf
2020-12-21 18:03:24.986485: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library libcudart.so.10.2

设置交换区

首先插上USB摄像头，使用OpenCV-Python简单测试视频流的读取，发现非常卡顿。网上查找发现嵌入式系统普遍存在内存不足（memory limitation）的问题，因此常常需要建立交换区（Swap partition）来解决该问题。首先使用“系统监视器”查看得知已经建立有2GB的Swap交换空间。了解到通常情况下交换区4GB足够，故决定再添加2GB交换空间：

# 新增swapfile文件大小自定义
sudo fallocate -l 2G /var/swapfile
# 配置该文件的权限
sudo chmod 600 /var/swapfile
# 建立交换分区
sudo mkswap /var/swapfile
# 启用交换分区
sudo swapon /var/swapfile
# 设置为自动启用该Swapfile
sudo bash -c 'echo "/var/swapfile swap swap defaults 0 0" >> /etc/fstab'

再查看“系统监视器”，发现交换空间已变为4GB。不过应注意交换空间尽可以被CPU利用，而无法被GPU使用。

Python虚拟环境安装及配置

很多时候需要不同版本的TensorFlow跑不同的模型，因此还需要用到Python虚拟环境，下面安装并配置Python虚拟环境包：

> python3 -m pip install virtualenv virtualenvwrapper
> mkdir /home/gdcc/.virtualenvs
> vi /etc/profile
# 添加环境目录至该文件
export WORKON_HOME=$HOME/.virtualenvs  # 指定所有虚拟环境的安装位置
export VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3 #指定解释器
source /home/gdcc/.local/bin/virtualenvwrapper.sh  #进行激活生效

> source /etc/profile
> mkvirtualenv <env_name> -p python3  # 使用该命令创建指定名称的虚拟环境

虚拟环境常用命令记录如下：

#创建一个环境
mkvirtualenv name #在~/.virtualenvs下安装name的虚拟环境
#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

jtop安装

安装系统工具jtop, 可以同时查看CPU和GPU资源以及温度等信息：

> sudo -H python3 -m pip install jetson-stats
> sudo jtop

OpenCV编译安装

通过jtop观察到自带的OpenCV并没有compiled CUDA：
在这里插入图片描述
并且在配置新的Python虚拟环境时也无法import cv2。尝试通过pip install opencv-python时，也一直卡在编译阶段：

Building wheels for collected packages: opencv-python
  Building wheel for opencv-python (PEP 517) ... -

网上查询得知OpenCV-python并没有提供Arm64架构使用的包，故尝试自行下载OpenCV的源码并编译安装。首先源码可以在OpenCV的GitHub上下载到，下载4.5.0和3.4.13两个版本的源码备用。也需要在Opencv额外库的GitHub上下载对应版本的源码。

NVIDIA论坛上发现有人提供了在Jetson上安装OpenCV的shell脚本，于是直接参照该脚本编译安装OpenCV 3.4.13：

  1. 删除预装OpenCV：
# 检查之前预装的所有与OpenCV相关的包
> dpkg -l | grep opencv
ii  libopencv                                     4.1.1-2-gd5a58aa75                               arm64        Open Computer Vision Library
ii  libopencv-dev                                 4.1.1-2-gd5a58aa75                               arm64        Development files for Open Source Computer Vision Library
ii  libopencv-python                              4.1.1-2-gd5a58aa75                               arm64        Python bindings for Open Source Computer Vision Library
ii  libopencv-samples                             4.1.1-2-gd5a58aa75                               arm64        Samples for Open Source Computer Vision Library
ii  opencv-licenses                               4.1.1-2-gd5a58aa75                               arm64        Open Computer Vision Library
# 先卸载预装的OpenCV 4.4.1
> sudo apt-get purge *libopencv*
下列软件包将被【卸载】：
  libopencv* libopencv-dev* libopencv-python* libopencv-samples*
  opencv-licenses* vpi-samples*
解压缩后将会空出 85.0 MB 的空间。
您希望继续执行吗？ [Y/n] y
(正在读取数据库 ... 系统当前共安装有 157315 个文件和目录。)
正在卸载 vpi-samples (0.4.4) ...
正在卸载 libopencv-dev (4.1.1-2-gd5a58aa75) ...
正在卸载 opencv-licenses (4.1.1-2-gd5a58aa75) ...
正在卸载 libopencv-python (4.1.1-2-gd5a58aa75) ...
dpkg: 警告: 卸载 libopencv-python 时，目录 /usr/lib/python3.6/dist-packages/cv2 非空，因而不会删除该目录
正在卸载 libopencv-samples (4.1.1-2-gd5a58aa75) ...
正在卸载 libopencv (4.1.1-2-gd5a58aa75) ...

# 确认删除情况
> dpkg -l | grep opencv
  1. 安装必须库：
> sudo apt-get install build-essential cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev
> sudo apt-get install libgstreamer1.0-dev libgstreamer-plugins-base1.0-dev
> sudo apt-get install libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libdc1394-22-dev
> sudo apt-get install libv4l-dev v4l-utils qv4l2 v4l2ucp
  1. 解压opencv-3.4.13.zip和opencv_contrib-3.4.13.zip：
> unzip ./opencv-3.4.13.zip
> unzip ./opencv_contrib-3.4.13.zip
  1. 编译安装，编译命令行的一些参数值记录一下：
  • CUDA_ARCH_BIN：该值就对应硬件的Compute Capability，Nano的值为5.3；
  • OPENCV_EXTRA_MODULES_PATH：额外库的位置，即为contrib库的解压缩位置/home/gdcc/opencv_contrib-3.4.13/modules；
> cd ./opencv-3.4.13/
> mkdir ./release
> cd ./release/
> cmake -D WITH_CUDA=ON -D WITH_CUDNN=ON -D CUDA_ARCH_BIN="5.3" -D CUDA_ARCH_PTX="" -D OPENCV_GENERATE_PKGCONFIG=ON -D OPENCV_EXTRA_MODULES_PATH=/home/gdcc/opencv_contrib-3.4.13/modules -D WITH_GSTREAMER=ON -D WITH_LIBV4L=ON -D BUILD_opencv_python2=ON -D BUILD_opencv_python3=ON -D BUILD_TESTS=OFF -D BUILD_PERF_TESTS=OFF -D BUILD_EXAMPLES=OFF -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local ..
> make -j$(nproc)
> sudo make install

make过程中报错boostdesc_bgm.i: 没有那个文件或目录，搜索都是由于缺少某些文件导致，网上可以下载到这些文件，解压后放在/home/gdcc/opencv_contrib-3.4.13/modules/xfeatures2d/src/再重新make即可。

还有报错找不到opencv2/xfeatures2d/cuda.hpp的，按照CSDN上的博客，将对应文件中的cuda.hpp路径修改为/home/gdcc/opencv_contrib-3.4.13/modules/xfeatures2d/include/opencv2/xfeatures2d/cuda.hpp就可以了。

  1. 之后jtop检查安装情况：
    在这里插入图片描述
    可以看到OpenCV的版本号就是刚刚安装的3.4.13，并且也是complied with CUDA的。再在系统的Python3中import cv2，也没有报错，说明安装成功！

  2. 但目前也仅能在系统的Python中使用OpenCV，想要在Python的虚拟环境中使用，还需要将构建好的OpenCV库链接到对应的python虚拟环境：

# 在虚拟环境的site-packages库中添加编译安装后OpenCV的库的链接
> cd /home/gdcc/.virtualenvs/tf-pose-env/lib/python3.6/site-packages
> ln -s /home/gdcc/opencv-3.4.13/release/lib/python3/cv2.cpython-36m-aarch64-linux-gnu.so cv2.so

这样安装的OpenCV之后可以在Python中import cv2，但pip list中并没有opencv-python项，因此在安装一些依赖包的时候仍会报错Error: No matching distribution found for opencv-python。此时仅需要在安装时添加no-dependencies参数即可，即pip3 install <some_opencv_dependent_package> --no-dependencies。

参考文档：

  • https://jkjung-avt.github.io/opencv-on-nano/
  • https://www.cnblogs.com/ikic/p/12601450.html
  • https://forums.developer.nvidia.com/t/how-to-make-pre-installed-in-jetson-nano-opencv-python-visible-for-pip3/110152

其他

编译安装一些CUDA的工具：

  1. deviceQuery：该程序可以检测到GPU的详细信息：
> cd /usr/local/cuda-10.2/samples/1_Utilities/deviceQuery
> sudo make
> ./deviceQuery
./deviceQuery Starting...

 CUDA Device Query (Runtime API) version (CUDART static linking)

Detected 1 CUDA Capable device(s)

Device 0: "NVIDIA Tegra X1"
  CUDA Driver Version / Runtime Version          10.2 / 10.2
  CUDA Capability Major/Minor version number:    5.3
  Total amount of global memory:                 3964 MBytes (4156682240 bytes)
  ( 1) Multiprocessors, (128) CUDA Cores/MP:     128 CUDA Cores
  GPU Max Clock rate:                            922 MHz (0.92 GHz)
  Memory Clock rate:                             13 Mhz
  Memory Bus Width:                              64-bit
  L2 Cache Size:                                 262144 bytes
  Maximum Texture Dimension Size (x,y,z)         1D=(65536), 2D=(65536, 65536), 3D=(4096, 4096, 4096)
  Maximum Layered 1D Texture Size, (num) layers  1D=(16384), 2048 layers
  Maximum Layered 2D Texture Size, (num) layers  2D=(16384, 16384), 2048 layers
  Total amount of constant memory:               65536 bytes
  Total amount of shared memory per block:       49152 bytes
  Total number of registers available per block: 32768
  Warp size:                                     32
  Maximum number of threads per multiprocessor:  2048
  Maximum number of threads per block:           1024
  Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
  Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
  Maximum memory pitch:                          2147483647 bytes
  Texture alignment:                             512 bytes
  Concurrent copy and kernel execution:          Yes with 1 copy engine(s)
  Run time limit on kernels:                     Yes
  Integrated GPU sharing Host Memory:            Yes
  Support host page-locked memory mapping:       Yes
  Alignment requirement for Surfaces:            Yes
  Device has ECC support:                        Disabled
  Device supports Unified Addressing (UVA):      Yes
  Device supports Compute Preemption:            No
  Supports Cooperative Kernel Launch:            No
  Supports MultiDevice Co-op Kernel Launch:      No
  Device PCI Domain ID / Bus ID / location ID:   0 / 0 / 0
  Compute Mode:
     < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >

deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 10.2, CUDA Runtime Version = 10.2, NumDevs = 1
Result = PASS
水蓝城城主
关注
  • 6
    点赞
  • 踩
  • 60
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
零基础入门Jetson Nano——踩坑系统烧入，软件安装部署
Agmage的博客
12-25 2654
零基础入门Jetson Nano——踩坑系统烧入，软件安装部署
适用于jetson nano的anaconda
09-26
标签“jetsonnano”明确了这个话题是关于Jetson Nano开发板的，强调了这个Anaconda版本的适用性。 压缩包子文件的文件名称“Archiconda3-0.2.3-Linux-aarch64.sh”表明这是一个shell脚本，用户可以通过运行这个脚本...
Jetson NX系统烧录以及CUDA、cudnn、pytorch等环境的安装
AI浩
11-30 4263
这两步比较简单，所以略了。虚拟机的配置需要注意硬盘空间大一点，至少40G。
Jetson nano （重装）从零开始的最详细基础配置
weixin_67031452的博客
03-03 3799
项目要求使用jetson nano进行联邦学习的相关工作，前一段时间因为操作问题，导致需要大重装，顺便做一些详细的介绍配置介绍。
Jetson Orin Nano 工具——jtop安装及页面详解
最新发布
FREEDOM_X的专栏
06-26 1702
进程名称或命令，表示进程的名称或正在执行的命令。: 页面底部有一系列控制按钮，如“1ALL”， “2GPU”， “3CPU”， “4MEN”， “5ENG”， “6CTRL”，“ZINFO”， 和“Quit”。在jtop的界面中，你可以看到每个CPU核心的使用率，GPU的显存使用情况，以及内存的使用情况等。例如，你可以根据GPU的使用情况来调整你的模型推理速度，或者根据CPU的使用情况来优化你的代码。命令，然后按回车键，你将看到一个实时更新的界面，上面显示了设备的CPU、GPU、内存等资源的使用情况。
Jetson nano 系统安装
连理o的博客
12-05 4713
jetson nano 系统安装
jetson Nano安装说明
xiannvytt的博客
10-23 1475
一、SD卡准备英伟达官方为Jetson Nano提供了SD卡版本的系统镜像，并且一直在更新和维护，该镜像中包含对应的Ubuntu系统以及配置好的cuda环境和opencv环境，因此只需要下载和安装该镜像即可完成Jetson Nano的大部分环境配置。可以直接到官网进行镜像下载，下载地址为：https://developer.nvidia.com/embedded/downloads，双击Image下载最新的镜像即可，
Jetson Nano 系统安装及环境配置
热门推荐
lining9508的博客
09-26 2万+
本教程详细介绍了Jetson Nano系统的安装烧录和深度学习环境配置。
Jetson Nano系统安装之环境准备【第一部分】
weixin_43034503的博客
11-28 2469
本教程为个人创作，请勿转载，截止发布日仅在CSDN平台刊登。本教程适用的产品是Jetson Nano Devkit EMMC（以下简称为Nano EMMC），其它版本可以参考，但需要自行尝试。本教程可以同时满足专业开发者和入门开发者的使用。
jetson nano 开发板官方教程
12-21
在开始使用Jetson Nano之前，你需要安装操作系统。官方教程通常会指导你如何下载并烧录Ubuntu 18.04 LTS或Jetson Nano预装系统到microSD卡。这包括使用balenaEtcher工具来写入镜像，并在完成后正确配置硬件，如连接...
Jetson Nano教程.docx
01-03
本文档是一份详细的 Jetson Nano 教程，涵盖了从快速上手到安装和配置的所有步骤。下面是该教程中涉及的知识点： 1. Jetson Nano 镜像文件下载：教程中提供了下载 Jetson Nano 镜像文件的链接，并建议使用 32G 的...
关于Jetson Nano 4GB通电后无法启动+解决方案（已解决）
12-14
【Jetson Nano 4GB 通电无法启动的解决方案】 NVIDIA Jetson Nano是一款小巧而强大的AI开发板，尤其适合初学者和开发者进行人工智能应用的探索。然而，有时用户可能会遇到Jetson Nano 4GB版本在通电后无法正常启动...
jetson nano 配置（远程、pytorch、yolov5等）
qq_35975855的博客
04-04 1736
https://forums.developer.nvidia.com/t/pytorch-for-jetson-version-1-10-now-available/72048 https://www.cnblogs.com/ruiyang-/p/10162581.html
Jetson Nano安装系统和SDK【第二部分】
weixin_43034503的博客
11-28 3368
第二部分承接第一部分。第二部分的主要内容是使用虚拟机，为Nano EMMC安装系统与SDK。本部分刷入的Jetpack为 v4.6.2，是截至文章发布日的最新系统。
Jetson Nano v4.6.3：安装系统、U盘启动、安装SDK、安装PyTorch GPU、YOLOv5+DeepStream部署
weixin_43034503的博客
04-22 2563
使用DeepStream加速Jetson Nano上YOLOv5的运行，是YOLOv5官方提供的解决方案。本教程提供了完整的安装配置流程，包括安装系统、U盘启动、安装SDK、安装PyTorch GPU、YOLOv5+DeepStream部署，Jetson Nano的系统版本是v4.6.3。
001-Jetson Nano开发环境搭建与配置-开启绿色之眼（上）
ahhjian的专栏
03-06 1083
本节介绍有关Jetson Nano开发环境的搭建与配置相关的内容。
Jetson nano配置
free_luojing的博客
07-02 939
镜像烧录 镜像官网地址，有烧录流程 查看Ubuntu系统 点击右上角红色圈出来的地方 选择**“About This Computer”** jetson nano的Ubuntu系统是18.04 查看处理器类型，aarch64 yu@yu-desktop:~$ uname -a Linux yu-desktop 4.9.201-tegra #1 SMP PREEMPT Fri Feb 19 08:40:32 PST 2021 aarch64 aarch64 aarch64 GNU/Linux 换国内源，
【Jetson Nano 入门】环境配置汇总
Huih_cannot_fly的博客
10-23 3028
文章目录前言一、镜像烧写二、PWM风扇自动调速三、使用MicroUSB在电脑打开终端四、VNC实现局域网及网线直连通信五、SSH文件传输六、状态监控软件Jtop七、检查CUDA、OpenCV及CUDNN八、USB摄像头测试软件Camorama九、CSI摄像头测试十、实现Yolov4-tiny的USB摄像头实时检测1.引入库2.读入数据总结 前言 最近需要用Jetson Nano实现Yolov4-tiny实时检测，这篇文章记录下自己的环境配置过程。 一、镜像烧写 本部分参考NVIDIA Jetson N.
jeston nano
07-28
Jeston Nano是一款由Nvidia推出的单板计算机。它具有强大的计算能力和丰富的接口，适用于各种应用场景。在使用Jeston Nano时，可能会遇到一些配置问题和供电问题。关于基本配置问题的解决方案，可以参考\[2\]中提供的内容。此外，Jeston Nano还具有40pin IO口，可以通过外接拓展板进行编程和控制，详细信息可以参考\[3\]中的描述。希望这些信息对您有所帮助。 #### 引用[.reference_title] - *1* *2* [英伟达Jeston nano＜1＞ 基本配置问题及解决方案](https://blog.csdn.net/qq_44847636/article/details/111658589)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [英伟达Jeston nano使用Python实现三种方式串口通信](https://blog.csdn.net/qq_44847636/article/details/113872341)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值