Jetson Nano部署YOLOv5与Tensorrtx加速

一、烧录镜像

1、Jetson Nano烧写系统镜像

Jetson Nano是一款形状、外接口类似于树莓派的嵌入式主板，搭载了四核Cortex-A57处理器，GPU则是拥有128个NVIDIA CUDA核心的NVIDIA Maxwell架构显卡，内存为4GB的LPDDR4，存储则为16GB eMMC 5.1，支持4K 60Hz视频解码。

系统有很多AI开发板和加速器模块，但Nvidia拥有一大优势------它与桌面AI库直接兼容，不需要你将深度学习模型转换为任何特殊格式即可运行他们。

它使用几乎所有每个基于Python的深度学习框架都已使用的相同的CUDA库进行GPU加速。这意味着你可以采用现有的基于Python的深度学习程序，几乎无需修改就可以在Jetson Nano 2GB上运行它，并且仍然可以获得良好的性能（只要你的应用程序可以在2GB的RAM上运行）。

（一）准备安装

1.电源线（必备）

Jetson Nano中并不包括电源线，您需要自己配一根，具体的参数是5V⎓2A的MicroUSB电源线。可以使用树莓派电源5V⎓2.5A的MicroUSB线。

2. SD卡 （必备）

Jetson Nano要求最低配置16G的SD卡，但是整个系统刷完SD卡就被用了大概13G，后期还要安装TensorFlow等一些机器学习框架，还有可能要安装样本数据，所以16G的卡是不够用的，我觉得最低32G卡。

3. 无线网卡 （选配）

Jetson Nano搭载了千兆以太网卡，但是需要接键盘和鼠标网线很麻烦，

所以建议可以买个PCI无线网卡或者USB无线网卡（多占用一个USB口）。

（二）刷系统

Jetson Nano刷系统的方式与Jetson家族的TX系列不一样，直接把镜像写入SD文件即可。

1.下载镜像

英伟达官方地址

https://developer.nvidia.com/embedded/dlc/jetson-nano-dev-kit-sd-card-image

2 . 格式化SD卡

使用SD Card Formatter格式化SD卡

3. 使用Etcher写入镜像，大概30分钟，镜像写入完毕。

也可以用Win32 Diskimg写入镜像

https://www.balena.io/etcher/

4. 烧写完成后，将SD卡插入Jetson Nano,开机

5. 完成一些设置，时区，语言，输入法什么的，就不截图了，看见下图，大功告成
   

2、Jetson Nano二次烧写系统镜像

本教程是已经烧录过镜像的SD卡，无法被电脑识别盘符导致无法重新烧录镜像的教程。一般是win7系统无法识别烧录过的Ubuntu系统盘符。win10可以识别到很多盘符，使用SDformat软件格式化。

1、确定读卡器是否识别到SD卡。

点击计算机右键选择"管理"，选择磁盘管理，找到是否有可移动磁盘，大小为SD卡的大小。

可以使用分区助手删除SD卡所有分区，大概有10个左右，然后格式化磁盘，这样在用那两个软件就可以重新识别到盘符了，然后可以重新烧录镜像。（也可以用磁盘管理选择所有分区，注意不只是在下面删除分区，还有上面列表多出来的很小空间的分区都要删除，删除完后重新新建分区，格式化成fat32就可以正确识别到盘符了）

Jetson nano 系统初始化设置

插卡！开机！最好连接上屏幕。之后的很多命令需要用到root权限，我们需要开启root用户。

sudo passwd root

之后设置密码即可

开发板需要插上网线或者插上免驱动的无线网卡联网！！！

Jetson nano 系统更换源

Jetson Nano 烧录的镜像是国外的源，安装软件和升级软件包的速度非常慢，甚至还会常常出现网络错误，更换源的步骤如下：

①先备份原本的source.list文件。

sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak

②编辑source.list，并更换国内源。

sudo gedit /etc/apt/sources.list

③按 "i" 开始输入，删除所有内容，复制并更换源。（这里选清华源或中科大源其中一个，然后保存）

清华源

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

中科大源

deb http://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-updates main restricted
deb http://mirrors.ustc.edu.cn/ubuntu-ports/ bionic universe
deb http://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-updates universe
deb http://mirrors.ustc.edu.cn/ubuntu-ports/ bionic multiverse
deb http://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-updates multiverse
deb http://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-backports main restricted universe multiverse
deb http://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-security main restricted
deb http://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-security universe
deb http://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-security multiverse

④更新软件

更新软件

sudo apt-get update

sudo apt-get upgrade

二、NoMachine远程控制

其实就是面对多场景应用时，nano不可能待在同一个地方，要么在车上，在机器人上......我们扛着一

个大显示器到处跑肯定是不太现实的，当然，如果想要锻炼身体的同学另说

1.Windows下载NoMachine

首先需要在你的win10上下载NoMachine，官网下载地址,exe文件安装就行。https://www.nomachine.com/

2.Jetson Nano下载NoMachine

在NoMachine官网下载armv8版本的软件包到Jetson Nano

3.NoMachine配置

在客户端PC下载Nomachine软件，设置局域网ip为Nano所在地址

在Nano激活nomachine application服务（search your computer可以搜到，如下图）

服务激活后，右上角会有个！M标志

三、开始配置所需的环境，安装各种支持包

1、配置CUDA

Jetson nano内置好了CUDA,但需要配置环境变量才能使用，打开命令行添加环境变量即可，我这里是CUDA10.2如果不是使用我的镜像就需要根据自己的CUDA版本去填写路径了。

#打开终端，输入命令

vi .bashrc

拉到最后，在最后添加这些

export PATH=/usr/local/cuda-10.2/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
export CUDA_ROOT=/usr/local/cuda

应用当前配置（刷新一下）

source ~/.bashrc

查看是否配置成功

nvcc -V

2、安装pip3

sudo apt-get update
sudo apt-get install python3-pip python3-dev -y

二次安装，安装成功后如下图所示

3、安装jtop

安装jtop库这个可以监控自己的设备CPU、GPU工作状态

sudo -H pip3 install jetson-stats
sudo jtop		#运行jtop（第一次可能不行，第二次就好了）  按【q】退出

4、配置可能需要用到的库

sudo apt-get install build-essential make cmake cmake-curses-gui -y
sudo apt-get install git g++ pkg-config curl -y
sudo apt-get install libatlas-base-dev gfortran libcanberra-gtk-module  libcanberra-gtk3-module -y
sudo apt-get install libhdf5-serial-dev hdf5-tools -y
sudo apt-get install nano locate screen -y

二次安装，安装成功后如下图所示

5、安装所需要的依赖环境

sudo apt-get install libfreetype6-dev -y
sudo apt-get install protobuf-compiler libprotobuf-dev openssl -y
sudo apt-get install libssl-dev libcurl4-openssl-dev -y
sudo apt-get install cython3 -y

二次安装，安装成功后如下图所示

6、安装opencv的系统级依赖,一些编解码的库

sudo apt-get install build-essential -y
sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev -y
sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff5-dev libdc1394-22-dev -y
sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev liblapacke-dev -y
sudo apt-get install libxvidcore-dev libx264-dev -y
sudo apt-get install libatlas-base-dev gfortran -y
sudo apt-get install ffmpeg -y

二次安装，安装成功后如下图所示

7、更新CMake

这一步是必须的，因为ARM架构的很多东西都要从源码编译

wget http://www.cmake.org/files/v3.13/cmake-3.13.0.tar.gz
tar xpvf cmake-3.13.0.tar.gz cmake-3.13.0/  #解压
cd cmake-3.13.0/
./bootstrap --system-curl	# 漫长的等待,做一套眼保健操...
make -j4 #编译  同样是漫长的等待...
echo 'export PATH=~/cmake-3.13.0/bin/:$PATH' >> ~/.bashrc
source ~/.bashrc #更新.bashrc

8、U盘兼容

之后的步骤可能需要使用U盘把大文件拷入开发板，但是对于大容量设备可能会出现无法挂载，一条安装命令解决。

sudo apt-get install exfat-utils

二次安装，安装成功后如下图所示

四、安装pytorch

Jetson nano上的Linux其实不是x86架构,而是类似手机的ARM架构，这也就导致它的很多包和普通的Linux上的不是通用的。也是踩过的坑之一，pytorch官网下载的包，在实际使用时无法调用开发板的显卡（这是个大问题，失去显卡的开发板算力暴跌！）。这里的PyTorch以及接下来的torchvision等包都需要安装Nvidia官网给出的版本。

1.下载PyTorch1.8

我已经下载好了，现成的安装包下载链接奉上：

安装包

链接：https://pan.baidu.com/s/1lx69c0e5TV3qROt4PbGsDQ?pwd=1234

提取码：1234

2.安装PyTorch1.8

把下载的东西用U盘拷到Jetson nano开发板上，建议放桌面上，好找。

sudo pip3 install ...# 直接把.whl拖到命令窗口中，让它自动填充文件位置

安装需要略漫长的等待。

五、安装torchvision 0.9.0版本

PyTorch和torchvision版本是需要对应的，上一步下载的那个正好是对应的。

1.提前安装好我们需要的依赖

sudo apt-get install libopenmpi2
sudo apt-get install libopenblas-dev
sudo apt-get install libjpeg-dev zlib1g-dev

2.安装torchvision 0.9.0

同样需要特殊的匹配Jetson nano的版本，步骤三中个人链接里包含了这个torchvision。把下载的包拷到开发板上，同样建议放桌面上。

cd torchvision	# 进入到这个包的目录下
export BUILD_VERSION=0.9.0
sudo python3 setup.py install		# 安装（估计要20、30分钟不止吧）

3.检验一下是否成功安装

python3
import torch
import torchvision
print(torch.cuda.is_available())	# 这一步如果输出True那么就成功了！
quit()	# 最后退出python编译

六、安装使YOLOv5成功运行需依赖的包

注意：下载过程如果因为网络原因失败的话可以在命令后加上 -i https://pypi.tuna.tsinghua.edu.cn/simple 来使用清华镜像源

1、

sudo pip3 install matplotlib==3.2.2
sudo pip3 install --upgrade Cython	#更新一下这个包

2、numpy有些特殊，已经自带了，但是是apt-get安装的，所以先卸掉原来的，也方便之后包的管理

sudo apt-get remove python-numpy
sudo pip3 install numpy==1.19.4
sudo pip3 install scipy==1.4.1.	# 这个包安装巨慢，耐心等待

3、这之后的一些包我在安装时都没有指定版本,这里的指令是根据之后pip3 list补上的

sudo pip3 install tqdm==4.61.2
sudo pip3 install seaborn==0.11.1
sudo pip3 install scikit-build==0.11.1	# 安装opencv需要这个包
sudo pip3 install opencv-python==4.5.3.56	# 不出意外也是一个相当漫长的过程
sudo pip3 install tensorboard==2.5.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
sudo pip3 install --upgrade PyYAML	# 我升级到了5.4.1 也可以sudo pip3 install PyYAML==5.4.1
sudo pip3 install thop
sudo pip3 install pycocotools

4、根据YOLOv5官方给的所需的安装包清单，仔细对照，查漏补缺的给安装好。

安装命令输入格式：sudo pip3 install ...

# base ----------------------------------------
matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
Pillow
PyYAML>=5.3.1
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.41.0

# logging -------------------------------------
tensorboard>=2.4.1
wandb

# plotting ------------------------------------
seaborn>=0.11.0
pandas

# export --------------------------------------
coremltools>=4.1
onnx>=1.8.1
scikit-learn==0.19.2  # for coreml quantization

# extras --------------------------------------
thop  # FLOPS computation
pycocotools>=2.0  # COCO mAP

5、运行检测脚本

在源码的detect.py同目录下，打开终端，运行下面的命令。

效果还可以，启动模型要很久，预测效果还可以。之后就可以在自己的inference中的output中看到自己预测的图片了。

接着打开detecy.py检测脚本，修改一下检测资源参数，改为调用摄像头进行实时视频预测，大概10fps,应该说不算差，但是是有提升办法的。

python3 detect.py --source /path/to/xxx.jpg --weights /path/to/best.pt --conf-thres 0.7

或者是：

python3 detect.py

python3 detect.py --source 0