Jetson-AGX-Orin 系统多种方式克隆还原

Jetson-AGX-Orin 系统多种方式克隆还原

在一台设备调试完成后,可将一个设备的系统克隆,在批量还原到其他设备上,以达到批量部署的目的。 Jetson-AGX-Orin设备的系统克隆还原可采用多种方式。

1、采用Linux_for_Tegra下面的flash脚本进行克隆还原
克隆,Orin进入recovery模式,USB线连接Orin设备和电脑
cd Linux_for_Tegra
#克隆命令
sudo ./flash.sh -r -k APP -G backup.img jetson-agx-orin-devkit mmcblk0p1

克隆完成后在Linux_for_Tegra目录下生成backup.img 和 backup.img.raw。

还原,Orin进入recovery模式,USB线连接Orin设备和电脑

将上述克隆得到的backup.img 移动到Linux_for_Tegra/bootloader,并重命名为system.img

mv backup.img Linux_for_Tegra/bootloader/system.img

cd Linux_for_Tegra
#还原命令
sudo ./flash.sh -r jetson-agx-orin-devkit  mmcblk0p1

还原的镜像非常大的时候,Orin还原温度会很高,需要给其降温,不然还原会失败。

2、采用Linux_for_Tegra/tools/backup_restore进行克隆还原
克隆,Orin进入recovery模式,USB线连接Orin设备和电脑
cd Linux_for_Tegra
#克隆命令
sudo ./tools/backup_restore/l4t_backup_restore.sh -b jetson-agx-orin-devkit

生成的镜像在Linux_for_Tegra/tools/backup_restore/images

还原,Orin进入recovery模式,USB线连接Orin设备和电脑

保证待还原的经常在Linux_for_Tegra/tools/backup_restore/images目录下

cd Linux_for_Tegra
#还原命令
sudo ./tools/backup_restore/l4t_backup_restore.sh -r jetson-agx-orin-devkit
3、采用dd命令将rootfs根文件系统克隆到U盘或SSD中并进行还原
克隆,Orin连接键盘和鼠标

插入U盘,将U盘设备挂载到/mnt

#在orin终端输入以下命令
sudo su
echo u > /proc/sysrq-trigger
dd if=/dev/mmcblk0p1 of=/mnt/backup.img.raw

在U盘就得到克隆的镜像文件backup.img.raw

将U盘插入电脑,将镜像转换成img格式的镜像

cd /Linux_for_Tegra/bootloader/
sudo ./mksparse -v --fillpattern=0 U盘挂载路径/backup.img.raw ./system.img
还原,Orin进入recovery模式,USB线连接Orin设备和电脑
cd /Linux_for_Tegra/bootloader/
sudo ./flash.sh -r jetson-agx-orin-devkit  mmcblk0p1
4、采用dd命令和ssh工具通过网络进行克隆,并进行还原
克隆,Orin通过网线连接电脑
ssh orin_user@Orin_ip
sudo su
echo u > /proc/sysrq-trigger
dd if=/dev/mmcblk0p1 | ssh 电脑_user@电脑_ip dd of=/home/电脑_user/backup.img.raw

将镜像转换成img格式的镜像

cd /Linux_for_Tegra/bootloader/
sudo ./mksparse -v --fillpattern=0 /home/电脑_user/backup.img.raw ./system.img
还原,Orin进入recovery模式,USB线连接Orin设备和电脑
cd /Linux_for_Tegra/bootloader/
sudo ./flash.sh -r jetson-agx-orin-devkit  mmcblk0p1
### 在 Jetson AGX Orin 上使用 TensorRT 部署 YOLOv7 要在 Jetson AGX Orin 上通过 TensorRT 部署 YOLOv7,可以按照以下方式实现: #### 1. 环境准备 确保已经安装了适用于 Jetson AGX Orin 的必要软件包和库。这包括但不限于 PyTorch 和 torchvision 的正确版本配置[^3]。如果尚未完成此操作,则可以通过 Conda 创建一个新的虚拟环境并克隆已有的 Torch 环境来简化设置过程。 ```bash conda create --name yolov7_tensorrt --clone torch3.8 ``` 接着激活新创建的环境,并验证其是否正常工作。 #### 2. 安装 TensorRT 及相关依赖项 为了支持 TensorRT 加速推理功能,在目标设备上需先安装最新版 TensorRT SDK。可以从 NVIDIA 开发者网站获取适合 Jetpack 版本对应的 TensorRT 软件包。此外还需确认 CUDA 工具链以及 cuDNN 库均已就绪[^2]。 #### 3. 修改 `requirements.txt` 文件 进入 YOLOv7 源码目录后编辑 `requirements.txt` ,加入对 ONNX 导出器的支持以及其他可能需要用到的 Python 扩展模块。例如添加如下几行内容到文件末尾: ```plaintext onnx==1.10.2 onnx-simplifier>=0.3.6,<0.4 tensorrt>=8.0.0,<9.0.0 ``` 保存更改后的清单文档以便后续 pip 自动解析这些新增需求。 #### 4. 将模型转换成 ONNX 格式 利用官方脚本或者自定义逻辑把训练好的权重参数导出为通用中间表示形式——ONNX Model。通常情况下执行命令类似于这样子的形式: ```python import torch from models.experimental import attempt_load device = 'cuda' if torch.cuda.is_available() else 'cpu' model = attempt_load('weights/best.pt', map_location=device) # 加载预训练模型 dummy_input = torch.randn(1, 3, 640, 640).to(device) torch.onnx.export( model, dummy_input, "yolov7.onnx", opset_version=11, do_constant_folding=True, input_names=['input'], output_names=['output'] ) print("Exported to ONNX successfully!") ``` 上述代码片段展示了如何基于原始框架实例化网络结构并将之序列化至磁盘作为 `.onnx` 文件存储下来[^1]。 #### 5. 构建 TRT Engine 最后一步就是借助 TensorRT API 来加载先前生成的那个静态图描述符进而编译成为高效的运行时引擎对象供实际预测调用。这里推荐参考开源项目 **TensorRT-Alpha** 提供的一系列示范程序学习具体实践细节: ```cpp #include <NvInfer.h> // ... other includes ... int main(int argc, char *argv[]) { // Initialize logger and builder objects. nvinfer1::ILogger gLogger; auto builder = nvinfer1::createInferBuilder(gLogger); // Set max workspace size (e.g., 1GB). const uint64_t MAX_WORKSPACE_SIZE = 1 << 30; IBuilderConfig* config = builder->createBuilderConfig(); config->setMaxWorkspaceSize(MAX_WORKSPACE_SIZE); // Load the ONNX file into memory... std::ifstream onnxFile("yolov7.onnx", std::ios::binary); assert(onnxFile.good()); std::vector<char> buffer((std::istreambuf_iterator<char>(onnxFile)), std::istreambuf_iterator<char>()); // Build engine from parsed network definition. IParseNetworkDefinition parseNetDef(buffer.data(), buffer.size()); ICudaEngine* engine = builder->buildCudaEngine(parseNetDef.get()); // Serialize & save serialized engine data for future reuse without recompilation. void* ptr; size_t sz = engine->serialize(&ptr); ofstream outFile("yolov7.trt"); outFile.write(reinterpret_cast<const char*>(ptr), sz); } ``` 以上 C++ 示例说明了怎样读取之前产生的 ONNX 描述并通过 TensorRT Builder 接口构建最终可部署的目标产物即所谓的 “TRT Engine”。 ---
评论 2
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
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