Jetson TX2装机全流程（含Pytorch安装）

一、硬件准备与环境确认

Jetson TX2作为NVIDIA推出的嵌入式AI计算平台，搭载Pascal架构GPU（256核）与ARM Cortex-A57六核CPU，适用于边缘计算场景。装机前需确认硬件完整性：

1. 组件清单：Jetson TX2开发板、电源适配器（19V/4.74A）、天线（Wi-Fi/蓝牙）、散热风扇、Micro-USB转USB-A线（用于调试）。
2. 存储介质：推荐使用高速MicroSD卡（UHS-I Class 10以上），容量≥32GB，用于存储系统镜像。
3. 外设连接：通过HDMI接口连接显示器，USB接口连接键盘鼠标，确保调试环境就绪。

二、系统镜像烧录与基础配置

1. 下载官方镜像

访问NVIDIA开发者官网，下载最新版L4T（Linux for Tegra）镜像（如JetPack 4.6对应L4T R32.6.1）。镜像包含Ubuntu 18.04 LTS、CUDA 10.2、cuDNN 8.0等核心组件，是后续Pytorch安装的基础。

2. 使用SDK Manager烧录镜像

NVIDIA推荐通过SDK Manager工具完成系统安装：

# 安装依赖（Ubuntu主机）
sudo apt update
sudo apt install -y python3-pip libcanberra-gtk-module libcanberra-gtk3-module
# 下载SDK Manager
wget https://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64/nvidia-sdk-manager_1.9.0-10358_amd64.deb
sudo dpkg -i nvidia-sdk-manager_*.deb

启动SDK Manager后，选择Jetson TX2设备类型，勾选JetPack 4.6组件，插入MicroSD卡并完成烧录。此过程约需30分钟，完成后将SD卡插入Jetson TX2。

3. 首次启动配置

1. 接通电源后，Jetson TX2进入Ubuntu安装向导，设置语言、时区、用户账号。
2. 连接Wi-Fi网络（或通过以太网），确保系统可访问互联网。
3. 更新软件包列表：

   sudo apt update
   sudo apt upgrade -y

三、驱动与CUDA环境配置

1. 安装NVIDIA驱动

Jetson TX2的GPU驱动已集成在L4T镜像中，但需验证加载状态：

lsmod | grep nvidia
# 预期输出：nvidia_uvm, nvidia_drm, nvidia_modeset等模块

若未加载，手动加载驱动：

sudo modprobe nvidia
sudo modprobe nvidia_uvm

2. 配置CUDA环境变量

编辑~/.bashrc文件，添加CUDA路径：

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

验证CUDA版本：

nvcc --version
# 预期输出：CUDA Toolkit 10.2

四、Pytorch安装与验证

1. 选择Pytorch版本

Jetson TX2支持PyTorch 1.8.0（对应CUDA 10.2），可通过预编译轮子（wheel）安装。访问NVIDIA官方论坛下载适配版本：

wget https://nvidia.box.com/shared/static/fjtbjo05qih6uqqe6jperugjhl7dlb5w.whl -O torch-1.8.0-cp36-cp36m-linux_aarch64.whl

2. 安装依赖库

sudo apt install -y python3-pip libopenblas-base libopenmpi-dev
pip3 install --upgrade pip
pip3 install numpy torch-1.8.0-cp36-cp36m-linux_aarch64.whl

3. 验证安装

启动Python3交互环境，导入PyTorch并检查设备：

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

五、优化与调试建议

1. 性能调优

• 交换空间配置：若内存不足，创建交换文件：

  sudo fallocate -l 4G /swapfile
  sudo chmod 600 /swapfile
  sudo mkswap /swapfile
  sudo swapon /swapfile
  echo '/swapfile none swap sw 0 0' | sudo tee -a /etc/fstab

• GPU频率调整：使用jetson_clocks工具最大化性能：

  sudo /opt/nvidia/jetson-io/jetson_clocks.sh

2. 常见问题解决

• CUDA版本冲突：若安装其他CUDA版本，需通过update-alternatives管理多版本。
• PyTorch导入错误：检查LD_LIBRARY_PATH是否包含/usr/local/cuda/lib64。
• 网络问题：Jetson TX2默认使用DHCP，如需静态IP，编辑/etc/netplan/50-cloud-init.yaml。

六、进阶开发环境配置

1. 安装Jupyter Notebook

pip3 install jupyter
jupyter notebook --generate-config
echo "c.NotebookApp.ip = '0.0.0.0'" >> ~/.jupyter/jupyter_notebook_config.py
jupyter notebook

通过浏览器访问http://<Jetson_IP>:8888，开启远程开发。

2. 部署Docker容器

安装NVIDIA Container Runtime：

sudo apt install -y nvidia-docker2
sudo systemctl restart docker

拉取PyTorch官方镜像（需适配ARM架构）：

docker pull nvcr.io/nvidia/l4t-pytorch:r32.6.1-pth1.8-py3

七、总结与资源推荐

Jetson TX2的装机与Pytorch部署需兼顾硬件兼容性、驱动配置及版本匹配。通过本文流程，开发者可快速构建稳定的AI开发环境。推荐进一步学习资源：

• NVIDIA Jetson文档中心
• PyTorch官方ARM架构支持指南
• Jetson Hacks博客（含大量实战教程）

通过系统化的配置与优化，Jetson TX2能够高效运行YOLOv5、ResNet等模型，满足机器人、智能摄像头等边缘计算场景需求。