Jetson TX2装机全流程（含Pytorch安装）

一、硬件准备与环境检查

Jetson TX2作为NVIDIA推出的嵌入式AI计算平台，搭载Pascal架构GPU（256 CUDA核心）与ARM v8处理器，专为边缘计算场景设计。装机前需确认硬件完整性：

1. 核心组件检查：包括TX2开发板、散热风扇、电源适配器（19V/4.74A）、Micro-USB转USB线、天线模块。
2. 存储设备准备：推荐使用32GB以上MicroSD卡（UHS-I Class 10），或通过NVMe M.2接口扩展高速存储。
3. 外设连接：通过HDMI接口连接显示器，USB接口接入键盘鼠标，以太网口或Wi-Fi模块（需单独安装）确保网络接入。

避坑指南：

• 避免使用低速SD卡，否则会导致系统卡顿。
• 散热风扇需正确安装，否则长时间高负载运行可能触发过热保护。

二、系统刷写与基础配置

1. 下载官方镜像

访问NVIDIA开发者网站下载Jetson TX2 L4T（Linux for Tegra）镜像，推荐使用最新稳定版（如L4T R32.7.1）。镜像包含Ubuntu 18.04定制版与驱动包，解压后得到JetPack_L4T_XXX_Linux.zip文件。

2. 刷写系统至SD卡

步骤：

1. 使用lsblk命令确认SD卡设备号（如/dev/sdb）。
2. 执行sudo dd if=JetPack_L4T_XXX_Linux.img of=/dev/sdb bs=4M status=progress刷写镜像。
3. 刷写完成后，通过sudo sync确保数据写入。

进阶操作：

• 若需自定义分区，可使用gparted工具调整/home与/分区大小。
• 启用NVMe存储时，需在U-Boot中修改extlinux.conf配置文件。

3. 首次启动配置

1. 插入SD卡并通电，进入Ubuntu初始设置界面。
2. 设置语言、时区、用户名密码（默认用户nvidia，密码可修改）。
3. 连接Wi-Fi或有线网络，确保ping 8.8.8.8通顺。

三、驱动与CUDA工具链安装

Jetson TX2依赖NVIDIA专有驱动与CUDA库实现GPU加速，需通过JetPack工具包安装：

1. 安装JetPack SDK

1. 在主机PC（Ubuntu 18.04/20.04）上下载JetPack SDK Manager。
2. 连接TX2与PC通过Micro-USB线，执行sudo ./sdkmanager启动安装向导。
3. 选择目标设备为Jetson TX2，勾选以下组件：
   • CUDA Toolkit
   • OpenCV
   • TensorRT
   • VisionWorks
4. 点击安装，约需30分钟完成（依赖网络速度）。

2. 验证CUDA环境

在TX2终端执行：

nvcc --version  # 应输出CUDA版本（如10.2）
nvidia-smi      # 查看GPU状态

若报错nvcc: command not found，需手动添加CUDA路径至~/.bashrc：

echo 'export PATH=/usr/local/cuda/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

四、Pytorch安装与验证

1. 选择安装方式

Jetson TX2支持两种Pytorch安装路径：

• 预编译轮子（推荐）：NVIDIA官方提供适配ARM架构的Pytorch轮子。
• 源码编译：适用于定制化需求，但耗时较长（约4小时）。

2. 预编译轮子安装步骤

1. 访问NVIDIA Jetson Zoo下载对应版本的.whl文件（如torch-1.8.0-cp36-cp36m-linux_aarch64.whl）。
2. 安装依赖库：

   sudo apt-get install python3-pip libopenblas-base libopenmpi-dev
   pip3 install numpy torchvision  # 确保numpy版本≤1.19.5

3. 安装Pytorch：

   pip3 install torch-1.8.0-cp36-cp36m-linux_aarch64.whl

3. 验证安装

运行Python交互环境，执行以下代码：

import torch
print(torch.__version__)          # 应输出1.8.0
print(torch.cuda.is_available())  # 应输出True
x = torch.rand(3, 3).cuda()
print(x.device)                   # 应输出cuda:0

4. 常见问题解决

• 错误：Illegal instruction (core dumped)
  原因：CPU架构不兼容。解决方案：升级系统内核至最新版（sudo apt-get install linux-headers-$(uname -r)）。
• 错误：CUDA out of memory
  原因：GPU内存不足。解决方案：减小batch size或使用torch.cuda.empty_cache()释放缓存。

五、开发环境优化

1. 性能调优

• 启用GPU最大性能模式：

  sudo nvpmodel -m 0  # 切换至MAX-N模式（15W功耗）
  sudo jetson_clocks  # 锁定CPU/GPU频率

• 调整交换空间：
  编辑/etc/fstab，添加/dev/zram0 /swap none defaults 0 0，并执行sudo mkswap /dev/zram0。

2. 开发工具链

• Jupyter Lab：适合交互式开发

  pip3 install jupyterlab
  jupyter-lab --ip=0.0.0.0 --allow-root

• VS Code远程开发：通过SSH连接TX2，安装“Remote - SSH”扩展。

六、总结与扩展

Jetson TX2的装机与Pytorch部署需兼顾硬件兼容性、驱动稳定性及框架版本匹配。完成基础配置后，可进一步探索：

1. 模型量化：使用TensorRT优化模型推理速度。
2. 多机通信：通过OpenMPI实现分布式训练。
3. 容器化部署：使用Docker封装开发环境。

最终建议：

• 定期通过sudo apt-get update && sudo apt-get upgrade更新系统。
• 加入NVIDIA开发者论坛（forums.developer.nvidia.com）获取技术支持。
• 备份重要数据至外部存储，避免SD卡故障导致数据丢失。