jetbot 01 从官方镜像开始搭建 pytorch 1.7 + opencv 4.5 开发环境

目录

 

一 jetbot 介绍 

二 初衷 

三 目标

四  准备工作

五 系统安装

5.1 下载10月份最新镜像

5.2 烧写 sd卡

 5.3 加电启动和基本系统 设置

5.4 创建交换分区

六 软件源设置与系统更新

6.1 apt 源

6.2 安装 python3-pip 并对pip 源进行设置

6.3 安装 numpy  scipy 等

七 jupyter notebook 

7.1 安装 

7.2 初始化配置和生成密码 

7.3 打开远程访问

7.4 验证

八  深度学习库部署

8.1 自带基础库

8.2 安装  pytorch 1.7 和 torchvision 0.8 

8.3 编译安装 opencv4.5 

九 系统clone 备份(自己选择过程节点备份）

9.1 清理垃圾

9.2 将tf 卡拨下连接到 开发 ubuntu 主机

9.3 备份

9.4 备份恢复到 tf 卡(需要的时候)

---

一 jetbot 介绍 

瞅一眼我的jetbot 小车长这样 （某宝上 XX智能的jetbot 散套件，咣咣一顿拆了装装了拆之后，终于 it works ..）

二 初衷 

       玩了一下机器人带的丰富的栗子。 给个赞，然后觉得不过瘾。。

       google 一下之后，各种大神的模型伸手摘来移植部署运行，人脸、文字、表情、姿势啊等因为依赖库版本不一致的冲突 几下就把系统搞乱了。 搞得 cuda 加速都运行不了。

不过比起大神们创造的惊喜这点折腾的困难算得了什么。

      让我感慨人工智能的发展真的是像追星赶月，成熟的框架在飞奔似的演进，优秀的模型也在后浪拍前浪式的颠覆中成长。而我，只有惊呆的份。

不禁想起了一幅太阳带着众星奔跑的场景。。。

   上船，踏在巨人们的肩膀上， 从搭建环境开始！

三 目标

      主流的框架真的很多，我了解到的 jetson  nano 平台上可以利用框架就有 cuda, cudnn, tensortRT , tensorflow , caffe , pytorch , keras , mxnet , onnx  opencv等。

      感觉是 pytorch 比较火，训练的模型还可以转换成 tensorRT 在 jetson 系列下获得开挂般的性能。所以计划是：

                A  使用 jetson nano 最新的官方镜像（ jetPack 4.4.1 带 cuda 10.2 )  + pytorch 1.7 + torch vision 0.8 + opencv4.5  搭建一套基础开发环境 （本篇的目标）

                B  从好玩的实例入手，开始品尝 the state of art ...  （会把很多模型折腾一下，学会使用）

                C  把 jetbot 小车 驱动 车轮马达 ，镜头舵机的部分移植过来，让 robot 活动起来

                D  做一些好玩的实用的例子。

 tensortRT 的性能贴个别人的对比表格：

图片来源：

https://blog.youkuaiyun.com/jacke121/article/details/104515102

后记：

      最新版本的路线坑不少，我验证的 github 上的 一大半 models 都跑不起来， 要折腾  :)  。爬坑有挑战， 供参考。

 

四  准备工作

      准备多张 64g tf 卡， 读卡器， 建议 class 10 以上的保证速度

      开发机上需要一张 nvidia 的显卡， 用来训练 模型 ， 我搞了个入门级的 gtx 1080 （训练环境的搭建下节介绍 ），

      这个显卡的配置是8G空间，FP16 算力是 9 TFLOPS (jetson nano 为 0.5 tflops ）

五 系统安装

5.1 下载10月份最新镜像

从这里进入：

    https://developer.nvidia.com/embedded/downloads

要登陆认证一下

 

5.2 烧写 sd卡

linux 下烧写比较简单， sd卡 通过读卡器连接到系统之后 一顿 dd 操作即烧写完成

如 sd卡识别为 /dev/sdc （（慎重不要找错设备名，通过 fdi