当前位置：首页 > news >正文

不止于烧录：给Jetson Nano插上翅膀，从系统镜像到开发环境快速初始化

news 2026/5/16 9:43:21

不止于烧录：给Jetson Nano插上翅膀，从系统镜像到开发环境快速初始化

当你第一次将Jetson Nano开发板从包装盒中取出时，那种兴奋感可能很快就会被"接下来该做什么"的困惑所取代。系统烧录只是旅程的起点，真正的挑战在于如何快速搭建一个高效的AI开发环境。本文将带你从一张空白的SD卡开始，直通到能够运行深度学习demo的完整开发环境。

1. 理解Jetson Nano的独特架构

在开始配置之前，我们需要先理解Jetson Nano的特殊性。与常见的x86架构不同，Jetson Nano采用了ARM架构的aarch64处理器，这直接影响着我们后续的软件选择和环境配置。

关键架构特点：

基于ARMv8-A的64位处理器
四核Cortex-A57 CPU @ 1.43 GHz
128核Maxwell架构GPU
4GB LPDDR4内存

提示：所有软件包必须选择aarch64/arm64版本，x86架构的软件无法在Jetson Nano上运行。

处理器架构的差异意味着我们不能简单地使用为x86平台编译的软件。例如，当安装Python包时，我们需要确保它们有ARM64的预编译版本，或者能够在设备上成功编译。

2. 系统初始设置与基础配置

完成系统烧录后，首次启动Jetson Nano会进入初始设置向导。这个阶段有几个关键配置需要注意：

语言和时区设置：选择适合你所在地区的选项
用户名和密码：建议设置强密码，特别是计划远程访问时
磁盘空间分配：确保系统使用了SD卡的全部容量
网络连接：配置Wi-Fi或有线网络

完成初始设置后，建议立即执行以下基础配置：

# 更新系统软件包列表 sudo apt update # 升级所有已安装的软件包 sudo apt upgrade -y # 安装基础开发工具 sudo apt install -y build-essential cmake git curl wget

常见问题解决：

如果遇到"Unable to locate package"错误，检查网络连接并再次运行sudo apt update
对于慢速网络，可以考虑更换更快的软件源镜像

3. 配置Python开发环境

Jetson Nano预装了Python 3.6.9，但为了高效的开发工作，我们需要进行一些优化配置。

3.1 设置Python虚拟环境

使用虚拟环境可以隔离不同项目的依赖关系：

# 安装virtualenv sudo apt install -y python3-virtualenv # 创建项目虚拟环境 virtualenv --system-site-packages -p python3 ~/venv/nano # 激活虚拟环境 source ~/venv/nano/bin/activate

3.2 关键Python库安装

在虚拟环境中安装基础数据科学和AI开发库：

# 升级pip pip install --upgrade pip # 安装基础科学计算库 pip install numpy scipy matplotlib pandas # 安装Jupyter Notebook pip install notebook

注意：在ARM架构上编译某些Python包可能耗时较长，建议在首次安装时保持耐心。

4. 配置CUDA和cuDNN环境

Jetson Nano的强大之处在于其GPU加速能力，正确配置CUDA环境至关重要。

4.1 验证CUDA安装

JetPack已经预装了CUDA 10.2，可以通过以下命令验证：

# 检查CUDA版本 nvcc --version # 查看GPU信息 nvidia-smi

4.2 配置环境变量

确保CUDA相关路径已正确设置，在~/.bashrc文件中添加：

export CUDA_HOME=/usr/local/cuda export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH export PATH=/usr/local/cuda/bin:$PATH

然后执行source ~/.bashrc使更改生效。

5. 安装PyTorch和TorchVision

PyTorch是当前最流行的深度学习框架之一，在Jetson Nano上安装需要特别注意版本兼容性。

5.1 安装预编译版本

对于JetPack 4.6.1，推荐使用PyTorch 1.8和TorchVision 0.9：

# 安装PyTorch wget https://nvidia.box.com/shared/static/p57jwntv436lfrd78inwl7iml6p13fzh.whl -O torch-1.8.0-cp36-cp36m-linux_aarch64.whl pip install torch-1.8.0-cp36-cp36m-linux_aarch64.whl # 安装TorchVision sudo apt install -y libjpeg-dev zlib1g-dev pip install torchvision==0.9.0

5.2 验证安装

创建一个简单的Python脚本验证PyTorch是否能正确识别GPU：

import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))

预期输出应显示PyTorch版本、True（表示GPU可用）和"NVIDIA Tegra X1"。

6. 实用工具安装与系统监控

高效的开发离不开好的工具支持，以下是几个特别适合Jetson Nano的实用工具。

6.1 安装jtop

jtop是一个类似htop的系统监控工具，专门为Jetson系列开发：

# 安装jtop sudo -H pip install jetson-stats # 运行jtop sudo jtop

jtop提供了全面的系统信息，包括：

CPU和GPU使用率
内存和交换空间使用情况
温度监控和风扇控制
JetPack组件版本信息

6.2 配置散热风扇

Jetson Nano的散热对性能稳定性至关重要，可以通过以下方式管理风扇：

# 手动设置风扇速度（0-255） sudo sh -c 'echo 150 > /sys/devices/pwm-fan/target_pwm' # 设置开机自动启动风扇 sudo nano /etc/rc.local # 在exit 0前添加： echo 150 > /sys/devices/pwm-fan/target_pwm

7. 运行你的第一个AI Demo

环境配置完成后，让我们运行一个简单的AI示例验证一切是否正常。

7.1 图像分类示例

使用PyTorch运行一个简单的图像分类demo：

import torch from torchvision import models, transforms from PIL import Image # 加载预训练模型 model = models.resnet18(pretrained=True) model.eval() # 图像预处理 preprocess = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) # 加载并预处理图像 image = Image.open("example.jpg") input_tensor = preprocess(image) input_batch = input_tensor.unsqueeze(0) # 如果有GPU，将数据和模型移动到GPU上 if torch.cuda.is_available(): input_batch = input_batch.to('cuda') model.to('cuda') # 执行推理 with torch.no_grad(): output = model(input_batch) # 输出结果 print(output[0])

7.2 性能优化技巧

为了获得最佳性能，可以考虑以下优化：

启用最大性能模式：sudo nvpmodel -m 0
设置GPU频率：sudo jetson_clocks
使用半精度浮点数（FP16）减少内存占用和提高速度

8. 进阶配置与优化

当基础环境运行稳定后，可以考虑一些进阶配置来提升开发体验。

8.1 远程开发配置

配置SSH和Jupyter Notebook远程访问可以大大提高开发效率：

# 安装SSH服务器 sudo apt install -y openssh-server # 配置Jupyter Notebook远程访问 jupyter notebook --generate-config nano ~/.jupyter/jupyter_notebook_config.py

在配置文件中添加：

c.NotebookApp.ip = '0.0.0.0' c.NotebookApp.open_browser = False c.NotebookApp.port = 8888 c.NotebookApp.password = 'sha1:your_hashed_password'

8.2 交换空间扩展

对于内存密集型任务，可以增加交换空间：

# 创建4GB交换文件 sudo fallocate -l 4G /swapfile sudo chmod 600 /swapfile sudo mkswap /swapfile sudo swapon /swapfile # 永久生效 echo '/swapfile none swap sw 0 0' | sudo tee -a /etc/fstab

在实际项目中，我发现合理配置交换空间可以显著减少因内存不足导致的问题，特别是在训练较大模型时。同时，使用jtop监控系统资源使用情况，可以帮助及时发现性能瓶颈。

查看全文

http://www.jsqmd.com/news/827408/