【B站保姆级视频教程:Jetson配置YOLOv11环境(六)PyTorch&Torchvision安装】

Jetson配置YOLOv11环境(6)PyTorch&Torchvision安装

1. 安装PyTorch

1.1安装依赖项

sudo apt install libopenblas-dev

libopenblas-dev作用:提供优化的BLAS(Basic Linear Algebra Subprograms)库,用于高效执行线性代数运算。
影响:PyTorch依赖于高效的线性代数运算来加速深度学习模型的训练和推理。libopenblas-dev提供了优化的BLAS实现,可以显著提升PyTorch的性能,尤其是在CPU上运行时。

1.2 下载torch wheel 安装包

前往PyTorch for Jetson,下载所安装的jetpack版本支持的最高版本的torch wheel 安装包到Downloads目录下。

cd /Downloads
wget https://developer.download.nvidia.cn/compute/redist/jp/v512/pytorch/torch-2.1.0a0+41361538.nv23.06-cp38-cp38-linux_aarch64.whl

例如:jetpack5.1.x对应下图中红框的torch安装包,需注意Python 版本为 3.8。

在这里插入图片描述

1.3 安装

pip install torch-2.1.0a0+41361538.nv23.06-cp38-cp38-linux_aarch64.whl

2. 安装torchvisiion

2.1 安装依赖

pip install numpy requests Pillow
sudo apt install libjpeg-dev libpng-dev zlib1g-dev libpython3-dev libavcodec-dev libavformat-dev libswscale-dev 

2.2 编译安装torchvision

torchvision暂未发布直接能pip安装的whl版本,因此直接从源码编译。

2.2.1 Torchvisiion版本选择

以torch2.1.0为例,对应的torchvisiion版本为0.16.x。
torch与torchvision版本对应关系

torchtorchvisionPython
main / nightlymain / nightly>=3.9, <=3.12
2.50.20>=3.9, <=3.12
2.40.19>=3.8, <=3.12
2.30.18>=3.8, <=3.12
2.20.17>=3.8, <=3.11
2.10.16>=3.8, <=3.11
2.00.15>=3.8, <=3.11

2.2.2 下载torchvisiion到Downloads目录下

(1)网络ok的话,直接克隆到本地。

cd ./Downloads
git clone --branch v0.16.2 https://github.com/pytorch/vision

(2)网络不行clone慢的话,直接下载压缩包到PC

在这里插入图片描述
再上传jetson,解压即可

unzip vision-0.16.2.zip

2.2.3 编译安装torchvision

cd vision-0.16.2					# 进入torchvision目录
export BUILD_VERSION=0.16.2  		# 将BUILD_VERSION环境变量设置为值 0.16.2  
python3 setup.py install --user		# 使用 Python 的 setuptools 工具将vision包安装到当前用户的本地目录中

需要等待30min左右,出现以下提示则安装成功

在这里插入图片描述

安装成功后退出torchvision的安装目录再import torchvision进行验证,否则会出现以下warning

(pytorch) nx@nx-desktop:~/Downloads/vision-0.15.2$ python
Python 3.8.18 (default, Sep 11 2023, 13:19:25) 
[GCC 11.2.0] :: Anaconda, Inc. on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import torchvision
/home/nx/Downloads/vision-0.15.2/torchvision/io/image.py:13: UserWarning: Failed to load image Python extension: ''If you don't plan on using image functionality from `torchvision.io`, you can ignore this warning. Otherwise, there might be something wrong with your environment. Did you have `libjpeg` or `libpng` installed before building `torchvision` from source?
  warn(
/home/nx/Downloads/vision-0.15.2/torchvision/__init__.py:25: UserWarning: You are importing torchvision within its own root folder (/home/nx/Downloads/vision-0.15.2). This is not expected to work and may give errors. Please exit the torchvision project source and relaunch your python interpreter.
  warnings.warn(message.format(os.getcwd()))

2.3 安装过程可能出现的bug

若出现error: [Errno 2] No such file or directory: ':/usr/local/cuda/bin/nvcc',请参照:

jetson编译torchvision出现 No such file or directory: ‘:/usr/local/cuda/bin/nvcc‘

3. 验证

查看pytorch运行时真正调用的cuda、cudnn版本:

python -c "import torch; import torchvision; print('PyTorch version:', torch.__version__); print('CUDA available:', torch.cuda.is_available()); print('CUDA version:', torch.version.cuda); print('cuDNN enabled:', torch.backends.cudnn.enabled); print('cuDNN version:', torch.backends.cudnn.version()); print('Torchvision version:', torchvision.__version__)"

在这里插入图片描述


2025-2-4 19:47:09更新:发现了更便捷的安装方式,ultralytics官方已经提供了编译好的torchvision whl包。

4. 更便捷的安装方式

在安装完torch和torchvision的依赖之后,运行下述两行命令即可。若下载慢,出现WARNING: Retrying,直接先下载到本地PC再上传jetson安装即可。
在这里插入图片描述

4.1 JetPack 5.1.2

安装 torch 2.1.0torchvision 0.16.2

pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/torch-2.1.0a0+41361538.nv23.06-cp38-cp38-linux_aarch64.whl
pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/torchvision-0.16.2+c6f3977-cp38-cp38-linux_aarch64.whl

4.2 JetPack 6.1

安装 torch 2.5.0torchvision 0.20

pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/torch-2.5.0a0+872d972e41.nv24.08-cp310-cp310-linux_aarch64.whl
pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/torchvision-0.20.0a0+afc54f7-cp310-cp310-linux_aarch64.whl

安装 cuSPARSELt 的依赖性问题 torch 2.5.0

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/arm64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt-get update
sudo apt-get -y install libcusparselt0 libcusparselt-dev
### Jeston 设备上配置 YOLOv11 的详细视频教程 目前,针对 Jetson 系列设备上的深度学习模型部署,尤其是 YOLO 系列的目标检测框架,社区中有许多高质量的教学资源。然而需要注意的是,YOLOv11 是一个假设性的版本号,在当前的时间节点下并未实际发布。因此以下内容将以通用的 YOLO 部署流程为基础,并结合已知的 YOLO 版本(如 YOLOv5 或其他主流版本)来提供指导。 #### 一、Jetson Nano 上部署 YOLO 的基本步骤概述 对于 Jetson Nano 这样的嵌入式硬件平台,部署 YOLO 模型通常涉及以下几个方面的工作: 1. **系统准备** 安装适合 Jetson Nano 的操作系统镜像文件。推荐使用官方发布的 L4T (Linux for Tegra) 系统[^2]。如果存储空间有限(例如仅 32GB),则应优先选择纯净版系统并手动完成必要的软件包安装;而对于更大容量的存储介质,则可以考虑直接加载预配置好的开发环境。 2. **依赖库安装** - CUDA 和 cuDNN:这些工具提供了 GPU 加速支持,是运行基于 PyTorch 或 TensorFlow 构建的神经网络所必需的基础组件。 - Python 及其科学计算生态链(NumPy, SciPy 等) - Conda 虚拟环境管理器用于隔离不同项目间的依赖冲突 3. **深度学习框架设置** 根据具体使用的 YOLO 实现形式决定是否需要额外编译 TensorRT 插件以实现推理性能优化[^1]。 4. **模型转换与测试验证** 将训练完毕后的权重文件导出为 ONNX 格式或其他兼容格式后通过 TensorRT SDK 加载执行预测操作。 #### 二、B相关保姆教学视频推荐 虽然无法确切指出某一部专门讲解如何在 Jetson 设备上部署尚未存在的 YOLOv11 的视频,但以下是几类值得参考的学习材料方向: - “Jetson Nano 初学者指南系列”这类入门课程会详细介绍整个软硬件搭建过程; - 关于特定版本比如 v5/v7 的实战案例分享往往也能举一反三适用于未来更新迭代的产品线成员身上; - 如果关注点在于提升效率而非最新特性的话,那么有关 TensorRT 整合方面的专项解析同样非常有价值。 #### 示例代码片段展示 下面给出一段简单的 python 脚本来演示利用 tensorrt 接口加载 onnx 文件的过程: ```python import tensorrt as trt from PIL import Image import numpy as np def get_engine(onnx_file_path): TRT_LOGGER = trt.Logger(trt.Logger.WARNING) with open(onnx_file_path,&#39;rb&#39;)as f ,trt.Builder(TRT_LOGGER).create_network()as network,trt.OnnxParser(network,TRT_LOGGER)as parser: if not parser.parse(f.read()): print(&#39;Failed to parse the ONNX&#39;) exit() config=builder.create_builder_config() engine=builder.build_serialized_network(network,config) return engine ```
评论 6
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

一只云卷云舒

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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