Jetson Xavier NX 系统迁移与SDK组件增量部署实战

1. 为什么需要系统迁移与增量部署？

第一次拿到Jetson Xavier NX开发套件时，16GB的eMMC存储让我有点措手不及。装完基础系统后，剩余空间连CUDA工具包都放不下，更别说后续要跑的各种AI模型了。这就像给跑车配了个摩托车油箱——性能再强也跑不远。

实际开发中会遇到三个典型问题：首先，eMMC的读写速度比SSD慢3-5倍，训练模型时数据加载成了瓶颈；其次，JetPack SDK完整安装需要20GB+空间，eMMC根本装不下；最后，当需要同时部署多个AI应用时，存储空间会迅速告急。我见过有团队在模型迭代时，不得不每天手动清理磁盘，效率低到令人崩溃。

迁移到SSD不仅能解决容量问题，实测读写速度能从200MB/s提升到500MB/s以上。更关键的是，通过SDK Manager的增量部署功能，可以像搭积木一样按需安装组件。比如先装CUDA做算法开发，等需要部署时再装TensorRT，这种灵活度对快速迭代的项目特别重要。

2. 准备工作：硬件与软件清单

2.1 硬件配置建议

我的实战配置是：Jetson Xavier NX开发者套件（国产版）+ 三星870 EVO 500GB SSD。选择这款SSD是因为它的4K随机读写性能特别适合小文件频繁读写的开发场景。用USB3.0转SATA线连接时，实测顺序读写能到400MB/s，比直接插在M.2接口上只慢15%左右。

还需要准备：

• 跳线帽或杜邦线（进入Recovery模式用）
• Type-C数据线（建议用附赠的原装线，第三方线常有识别问题）
• 至少16GB的U盘（备用刷机方案）
• 千兆网线（可选，用于快速下载组件）

2.2 软件环境搭建

主机端我推荐Ubuntu 20.04 LTS，实测比18.04的驱动兼容性更好。安装SDK Manager时有个坑要注意：如果主机有NVIDIA显卡，务必先禁用nouveau驱动，否则会导致刷机过程卡死。具体操作：

sudo bash -c "echo 'blacklist nouveau' >> /etc/modprobe.d/blacklist-nvidia-nouveau.conf" sudo update-initramfs -u

下载SDK Manager时，建议用wget直接获取最新版。官网页面经常跳转失败，这个直链目前可用：

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/sdkmanager_1.9.2-10884_amd64.deb sudo apt install ./sdkmanager_*.deb

3. 系统迁移全流程详解

3.1 基础系统刷机实操

进入Recovery模式有个小技巧：先按住FC_REC跳线再上电，比上电后再短接更可靠。当主机执行lsusb看到"NVIDIA Corp. APX"设备时，说明进入模式成功。如果反复失败，检查USB接口是否插在NX的Type-C口（靠近电源口的那个）。

在SDK Manager配置界面，重点注意：

• 勾选"Jetson OS"时选择"Jetson Xavier NX Developer Kit"
• 存储设备选"eMMC"而非SD卡
• 在Step3设置用户名时避免使用特殊字符，我遇到过下划线导致ssh无法登录的问题

安装到50%出现的弹窗很关键：一定要选对Manual Setup里的"Jetson Xavier NX Developer Kit"，这个选项藏得比较深，选错会导致后续驱动不匹配。

3.2 SSD系统迁移技巧

迁移脚本rootOnNVMe有个隐藏功能：支持保留原始eMMC系统作为备份。执行copy-rootfs-ssd.sh时加上--keep参数，遇到SSD故障时可以快速回退：

./copy-rootfs-ssd.sh --keep

迁移完成后，用这个命令验证启动设备：

lsblk -o NAME,MAJ:MIN,RM,SIZE,RO,FSTYPE,MOUNTPOINT

正常应该看到nvme0n1p1挂载在/目录。

常见问题排查：

• 如果启动时卡在Ubuntu logo，尝试在UEFI设置中禁用quiet splash参数
• SSD识别不到时，检查转接盒供电是否充足（建议用带外接电源的转接盒）
• 文件权限错误可以执行：sudo chown -R $USER:$USER /home/*

4. SDK组件增量部署实战

4.1 CUDA定制化安装

在SDK Manager的组件选择界面，点击"Jetson SDK Components"右侧的齿轮图标，会展开详细选项。对于算法开发，我建议这样勾选：

• CUDA Toolkit（必选）
• cuDNN（建议选8.2.x以上版本）
• TensorRT（注意与CUDA版本的对应关系）
• VisionWorks/OpenCV（根据项目需求）

有个省空间的技巧：先不装示例代码和文档，这些后期可以通过apt单独安装：

sudo apt install cuda-samples-11-4

安装完成后，配置环境变量要注意多版本共存问题。推荐在.bashrc里这样写：

export PATH=/usr/local/cuda-11.4/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-11.4/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

4.2 深度学习环境配置

TensorRT安装后需要手动优化模型转换。我总结的效能提升三步骤：

1. 用trtexec工具测试基准性能：

/usr/src/tensorrt/bin/trtexec --onnx=model.onnx --saveEngine=model.engine

2. 校准INT8精度时，建议准备500张以上的校准图像
3. 启用fp16模式能提升30%推理速度，但要注意检查精度损失

PyTorch的aarch64版本需要单独编译，我打包好的whl文件可以直接安装：

pip install torch-1.10.0-cp36-cp36m-linux_aarch64.whl

5. 性能优化与问题排查

5.1 存储性能调优

SSD的EXT4文件系统默认参数不适合AI训练，建议这样调整：

sudo tune2fs -O dir_index,has_journal,extent /dev/nvme0n1p1 sudo mount -o noatime,data=writeback,discard /dev/nvme0n1p1 /

交换空间配置也很关键，我的经验公式是：物理内存的1.5倍。创建交换文件的正确姿势：

sudo fallocate -l 12G /swapfile sudo chmod 600 /swapfile sudo mkswap /swapfile sudo swapon /swapfile

5.2 常见故障解决

遇到SDK Manager下载中断时，可以手动继续下载。组件包存放在~/Downloads/nvidia/sdkm_downloads目录，找到对应的.tbz2文件后，用这个命令跳过下载直接安装：

sdkmanager --cli --install --componentlist=组件名 --product=Jetson --version=4.6 --targetos=Linux --target=Jetson --targetboard=jetson-xavier-nx-devkit --flash --license=accept

CUDA版本冲突是最头疼的问题之一。如果遇到"undefined symbol"错误，试试这个清理大法：

sudo apt --purge remove "*cublas*" "*cufft*" "*curand*" "*cusolver*" "*cusparse*" "*npp*" "*nvjpeg*" "cuda*" "nsight*" sudo rm -rf /usr/local/cuda*