---
tags: 待刪, Jetson Nano, Basic, NVIDIA, 基礎, 教學, 環境安裝, 設定, Mac, 勇哥, Yungger
---
參考：https://zhuanlan.zhihu.com/p/80809006

# Jetson Nano - 開發環境設定

## Python 3
Jetson Nano 的內建初始安裝了 Python 2 (預設執行) 與 Python 3. 若希望預設執行時是 Python 3, 那麼建議直接在 .bashrc 將它設一個別名來啟動。

- #### 指定 Python 3 為預設的 Python 環境
$ sudo nano ~/.bashrc
在文檔的最下面加上
alias python=python3
然後存檔離開, 再下指令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
$ sudo apt-get install python3-pip
$ pip3 -V
:::warning
若需要安裝的是 pip 時
$ sudo apt-get install python-pip
:::
後續要安裝其他 Python 套件時, 下 pip3 指令就能將之安裝在 Python 3 環境下
$ 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，要進入虛擬環境也可以使用 workon 指令快速進入環境。
$ sudo pip3 install virtualenv virtualenvwrapper
$ 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

$ source ~/.bashrc
- 建立一個專案的虛擬環境, 例如專案名為 aicar, 解譯器是 python3
$ mkvirtualenv aicar -p python3
- 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
$ deactivate
$ pip3 list
有無發現 list 出來的套件有何差別？
:::warning
若要刪除虛擬環境
$ rmvirtualenv 專案名
:::

## [jetson-stats](https://github.com/rbonghi/jetson_stats)
$ sudo -H pip3 install -U jetson-stats

🚀 That's it! 🚀
記得還要重開機後, jetson-stats 的工具才能被啟動

- ### 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

:::info
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 are available only in one click using
$ jetson_config

- ### jetson_release
顯示 NVIDIA Jetson 的狀態與所有資訊
$ jetson_release

- ### jetson_swap
很簡單的就能管理 Jetson Nano 上的 swapfile.
$ sudo jetson_swap

- ### jetson variables
$ export | grep JETSON

## 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
:::danger
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。

## OpenCV
- 檢查目前已安裝的 OpenCV 版本 （在初始燒錄 Jetson Nano 時就預設已安裝）
$ python3

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

由上可得知, OpenCV 已正常安裝, 且目前版本為 4.1.1
$ sudo find / -name "cv2*"
可查得 OpenCV 的安裝載入位置

## [PyTorch](https://forums.developer.nvidia.com/t/pytorch-for-jetson-version-1-6-0-now-available/72048)
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](https://docs.nvidia.com/deeplearning/frameworks/install-tf-jetson-platform/index.html#install)
- 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](https://docs.nvidia.com/deeplearning/frameworks/install-tf-jetson-platform/index.html#prereqs)
$ 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 numpy==1.16.1 future==0.18.2 mock==3.0.5 h5py==2.10.0 keras_preprocessing==1.1.1 keras_applications==1.0.8 gast==0.2.2 futures protobuf pybind11
- 安裝最新版的 [TensorFlow](https://docs.nvidia.com/deeplearning/frameworks/install-tf-jetson-platform/index.html#install), 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
:::warning
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

:::info
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](https://github.com/madhawav/YOLO3-4-Py) Accelerated Version
$ pip3 install yolo34py-gpu

## [Jetson.GPIO](https://docs.nvidia.com/jetson/l4t/index.html#page/Tegra%2520Linux%2520Driver%2520Package%2520Development%2520Guide%2Fhw_setup_jetson_io.html%23)
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()


## 測試 CSI camera 畫面
$ gst-launch-1.0 nvarguscamerasrc ! 'video/x-raw(memory:NVMM), width=1024, height=768, framerate=21/1, format=NV12' ! nvvidconv flip-method=0 ! 'video/x-raw,width=960, height=616' ! nvvidconv ! nvegltransform ! nveglglessink -e