Jetson Nano - 開發環境

• Jetson Nano - 開發環境
  • Python 3
  • Python 虛擬環境
  • Python 專案套件
  • jetson-stats 系統監控工具集
  • 開發者 IDE 工具

---

Python 3

Jetson Nano 已內建安裝 Python 2 與 Python 3, 但預設執行的版本為 Python 2。

將 Python 3 為預設的 Python 環境

直接在 .bashrc 設一個 Python 別名為 Python 3 來啟動

• 修改 .bashrc
  $ sudo nano ~/.bashrc
• 在文檔的最下面加上
  alias python=python3
• Ctrl+O 存檔 => Enter => Ctrl+X 離開
• 要記得, 讓環境變數即刻生效
  $ source ~/.bashrc
  輸入 python 後, 應該就可發現已是 3.x.x 版本了
  $ python 然後輸入 exit() 離開
  

安裝 pip3

• 下載與安裝 python3-pip
  $ sudo apt-get install python3-pip
• 升級至最新版本
  $ python -m pip install --upgrade pip
• 查詢目前 pip3 版本
  $ pip3 -V
• 後續要安裝其他套件在 Python 3 環境下時
  $ pip3 install 套件名稱

---

Python 虛擬環境

建議使用 mkvirtualenv 來建構虛擬環境，相較於 virtualenv 易於管理。此外，進入虛擬環境使用 workon 指令可更簡單方便的切換至指定開發環境

安裝 virtualenv 與 virtualenvwrapper

• 下載與安裝
  $ sudo pip3 install virtualenv virtualenvwrapper
• 修改執行環境設定
  $ nano ~/.bashrc
• 在文檔的最後加入下列文字

# virtualenv and virtualenvwrapper
export WORKON_HOME=$HOME/.virtualenvs
export VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3
source /usr/local/bin/virtualenvwrapper.sh

• Ctrl+O 存檔 => Enter => Ctrl+X 離開
• 要記得, 讓環境變數即刻生效
  $ source ~/.bashrc

為新專案建立一個虛擬環境

例如專案名為 aicar, 解譯器是 python3

• 新增虛擬環境
  $ mkvirtualenv aicar -p python3 --system-site-packages
• 查詢目前已建立虛擬環境的專案名
  $ workon
• 進入專案 aicar 的虛擬環境
  $ workon aicar
$ pip3 list
  
• 離開專案 aicar 的虛擬環境
  $ deactivate
$ pip3 list
  

  有無發現 list 出來的底層環境與虛擬環境中所安裝的套件有何差別？

• 若要刪除虛擬環境
  $ rmvirtualenv 專案名

---

Python 專案套件

OpenCV

Jetson Nano 時就預設已安裝 4.1.1 版本

• 檢查目前已安裝的 OpenCV 版本
  $ opencv_version
  或從 Python 中檢查版本
  $ python3

  ​​​​>>> import cv2
  ​​​​>>> cv2.__version__
  ​​​​'4.1.1'
  ​​​​>>> exit()
  

  由上均可得知, OpenCV 已安裝, 且目前版本為 4.1.1

• 查 OpenCV 的安裝載入位置
  $ sudo find / -name "cv2*"

---

CUDA

• 檢查目前已安裝的 CUDA 版本 （在初始燒錄 Jetson Nano 時就預設已安裝）
  $ nvcc -V

  一開始若直接執行 nvcc -V 是不會成功的，因為在環境變數中尚未設定 CUDA 的路徑。所以, 須直接指名路徑來執行
  $ /usr/local/cuda/bin/nvcc -V

  得知我的 Jetson Nano 預設已裝的是 release 10.2, V10.2.89

• 將路徑加入環境變數中
  $ ls -al /usr/local
  可以得知目前的 cuda 所鏈結的目錄是 cuda-10.2
  $ sudo nano ~/.bashrc
  在最後面加入以下內容：

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

  編輯完成後，存檔離開, 下指令使其即刻生效
  $ source ~/.bashrc
  再下指令測試, 可發現已可取得版本資訊, 代表路徑變數設定已成功
  $ nvcc -V

  安装 PyCuda
  $ pip3 install 'pycuda>=2019.1.1'

---

cuDNN

• 檢查目前已安裝的 cuDNN 版本 （在初始燒錄 Jetson Nano 時就預設已安裝）
  $ ls -al /usr/src
  可以看到檔案列表中有一個範例程式的目錄 (我的是 cudnn_sample_v8)
  $ cd /usr/src/cudnn_samples_v8/mnistCUDNN
  $ sudo make
  $ sudo chmod a+x mnistCUDNN
  $ ./mnistCUDNN
  執行後, 接著會看到一些運算的過程, 直到最後一句是 "Test passed!" 表示內建的 cuDNN 是運作正常的。

---

PyTorch

for python 3.6 版本：
$ wget https://nvidia.box.com/shared/static/9eptse6jyly1ggt9axbja2yrmj6pbarc.whl -O torch-1.6.0-cp36-cp36m-linux_aarch64.whl
$ sudo apt-get install libopenblas-base libopenmpi-dev
$ pip3 install Cython
$ pip3 install numpy torch-1.6.0-cp36-cp36m-linux_aarch64.whl

---

TensorRT

• 檢查目前已安裝的 TensorRT 版本 （在初始燒錄 Jetson Nano 時就預設已安裝）
  $ dpkg -l | grep TensorRT
  可得知 TensorRT 版本為 7.1.3

---

TensorFlow GPU

• 先檢查一下, 目前 JetPack 的版本
  $ jetson_release
  我的是 JetPack 4.4 [L4T 32.4.3]
• 在安裝 TensorFlow 前, 須先裝裝一些前置套件
  $ sudo apt-get update
  $ sudo apt-get install libhdf5-serial-dev hdf5-tools libhdf5-dev zlib1g-dev zip libjpeg8-dev liblapack-dev libblas-dev gfortran
• 更新 pip3
  $ sudo apt-get install python3-pip
  $ sudo pip3 install -U pip testresources setuptools
• 安裝一些相關的套件
  $ sudo pip3 install -U numpy1.16.1 future0.18.2 mock3.0.5 h5py2.10.0 keras_preprocessing1.1.1 keras_applications1.0.8 gast==0.2.2 futures protobuf pybind11
• 安裝最新版的 TensorFlow, 相容於 JetPack 4.4
  $ sudo pip3 install –pre –extra-index-url https://developer.download.nvidia.com/compute/redist/jp/v44 tensorflow
• 檢查目前已安裝的 TensorFlow 版本
  $ python3
  ​​​​>>> import tensorflow
  ​​​​顯示訊息如 .... I tensorflow/stream_executor/.... Successfully opened ...
  ​​​​>>> exit()
  

  若無錯誤訊息出現, 表示已安裝成功

  若要解除安裝 TensorFlow 相當容易, 只須下指令如下：
  $ sudo pip3 uninstall -y tensorflow

---

Keras

• 既然裝了 TensorFlow，那就把 Keras 也安装上，它能讓 TensorFlow使用上變得更簡單些
  $ pip3 install keras
• 檢查目前已安裝的 Keras 版本
  $ python3

>>> import keras
顯示訊息如 .... I tensorflow/stream_executor/.... Successfully opened ...
>>> exit()

若無錯誤訊息出現, 出現剛剛 Tensorflow 一樣的訊息

一個簡單的線性代數測試程式

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
 
x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]
noise = np.random.normal(0, 0.02, x_data.shape)
y_data = np.square(x_data) + noise
 
x = tf.placeholder(tf.float32, [None, 1])
y = tf.placeholder(tf.float32, [None, 1])
 
# 输入层一个神经元，输出层一个神经元，中间10个
# 第一层
Weights_L1 = tf.Variable(tf.random.normal([1, 10]))
Biases_L1 = tf.Variable(tf.zeros([1, 10]))
Wx_plus_b_L1 = tf.matmul(x, Weights_L1) + Biases_L1
L1 = tf.nn.tanh(Wx_plus_b_L1)
 
# 第二层
Weights_L2 = tf.Variable(tf.random.normal([10, 1]))
Biases_L2 = tf.Variable(tf.zeros([1, 1]))
Wx_plus_b_L2 = tf.matmul(L1, Weights_L2) + Biases_L2
pred = tf.nn.tanh(Wx_plus_b_L2)
 
# 损失函数
loss = tf.reduce_mean(tf.square(y - pred))
 
# 训练
train = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
 
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(2000):
        sess.run(train, feed_dict={x: x_data, y: y_data})
        print("第{0}次，loss = {1}".format(i, sess.run(loss,feed_dict={x: x_data, y: y_data})))
    pred_vaule = sess.run(pred, feed_dict={x: x_data})
    plt.figure()
    plt.scatter(x_data, y_data)
    plt.plot(x_data, pred_vaule, 'r-', lw=5)

YOLO3-4 GPU Accelerated Version

$ pip3 install yolo34py-gpu

Jetson.GPIO

參考 https://www.jianshu.com/p/f98a69b94deb
讓我們能透過 Python 操控 Jetson Nano 上的 40組 GPIO 接腳。

• 安裝 GPIO 函式庫 （預設已安裝）
  $ sudo pip install Jetson.GPIO
  $ sudo pip3 install Jetson.GPIO
• 給予權限
  $ sudo groupadd -f -r gpio
  $ sudo usermod -a -G gpio 你的帳號
• 測試是否已安裝可被引用
  $ python3
  ​​​​>>> import Jetson.GPIO as GPIO
  ​​​​若無錯誤訊息出現, 代表 OK
  ​​​​>>> exit()
  

---

jetson-stats 系統監控工具集

$ sudo -H pip3 install -U jetson-stats
sudo systemctl restart jetson_stats.service
$ sudo reboot

🚀 That's it! 🚀
記得還要重開機後, jetson-stats 的相關工具集就會被啟用

Jtop 監控工具

可用來查看系統運作時 CPU、GPU、記憶體各硬體的情況

$ jtop
按 q 離開監控畫面

程式中可直接使用 jetson-stats 所提供的函式庫的範例說明

• https://github.com/rbonghi/jetson_stats/wiki/library
• https://github.com/rbonghi/jetson_stats/tree/master/examples

jetson_config

Check jetson-stats health, enable/disable desktop, enable/disable jetson_clocks, improve the performance of your wifi

$ jetson_config

jetson_release

顯示 NVIDIA Jetson 的狀態與所有資訊

$ jetson_release

jetson_swap

管理 Jetson Nano 上的 swapfile

$ sudo jetson_swap

jetson variables

$ export | grep JETSON

---

開發者 IDE 工具

pyCharm

從開發者本機上存取遠端 Jetson Nano 主機上的程式碼

• Tools -> Deployment -> Configuration
• 點選左上角 “+”，添加 SFTP 連線，server name 可設置為 Jetson-Nano
• Connection 中的一些參數設定：
  • Host: 填 Jetson-nano 的 IP
  • User name: 填 Jetson-nano 的登入用戶帳號
  • PassWord: 填 Jetson-nano 的登入用戶密碼 (勾選記住密碼)
  • Root path: 可以不用自己填，直接點選旁邊的 Autodetect 即可
• 完成後，點選旁邊的 Mappings
  • Mappings： 設定文件對應關係
  • Local path： 本地文件路徑
  • Deployment path： Jetson nano 上的文件路徑
• 到此為止，SFTP 連線設定大致已完成，可以點擊 Tools -> Deployment -> Brose Remote Host, 即可在 pyCharm的右側視窗看見 Jetson-nano 中的文件了。

  注意，修改完程式碼後，還需要點擊右上方的 upload 箭頭符號，程式碼才會同步部屬至 Jetson-nano。

經過以上設定後，程式開發者就可以在本機的 pyCharm 上撰寫 Jetson-nano 上面的程式碼。

---

Visual Studio Code

下載與安裝 Visual Studio Code

Jetson Nano 的 CPU 是 ARM 64位元, 作業系統為 Ubuntu 18.04 的 .deb 檔

• 指定為最新版本
  VERSION=latest
• 或指定版本 (例如 1.51.1)
  VERSION=1.51.1
• 下載
  wget -N -O vscode-linux-deb.arm64.deb https://update.code.visualstudio.com/$VERSION/linux-deb-arm64/stable
• 安裝
  sudo apt install ./vscode-linux-deb.arm64.deb

安裝相關 Python 套件

• 安裝 Python linter
  $ pip3 install pylint
• 安裝 Python formatter
  $ pip3 install black
• 安裝 Python extension for Visual Studio Code
  $ code --install-extension ms-python.python --force

啟動 Visual Studio Code

• 進入圖形化作業系統 (本地 or 遠端桌面連線)
• 由應用系統選單中啟動
• 或由終端機下指令啟動
  $ code
  
  

---