Jetson TX2装机与Pytorch部署全攻略：从零到AI开发

一、Jetson TX2装机前准备：硬件与工具清单

1.1 核心硬件确认

Jetson TX2作为NVIDIA推出的嵌入式AI计算平台，集成了Pascal架构GPU（256核）与ARM处理器，适用于边缘计算场景。装机前需确认以下硬件：

• 主设备：Jetson TX2模块（含散热片）
• 开发板：Jetson TX2开发者套件（含载板、电源、天线）
• 存储：至少32GB MicroSD卡（推荐UHS-I Class 10以上）
• 外设：HDMI显示器、USB键盘鼠标、以太网线（可选）

1.2 工具与软件准备

• 镜像下载：从NVIDIA官网获取最新JetPack SDK（含系统镜像与驱动包）
• 烧录工具：balenaEtcher（跨平台镜像烧录工具）
• 终端工具：PuTTY或MobaXterm（用于串口调试）
• 散热辅助：导热硅脂（若需更换散热片）

关键建议：

• 选择品牌MicroSD卡（如SanDisk Extreme系列），避免因存储性能导致系统卡顿。
• 首次烧录前建议使用SD卡格式化工具（如SD Memory Card Formatter）进行完全格式化。

二、系统安装与基础配置

2.1 镜像烧录步骤

1. 解压JetPack镜像：下载的.img文件需通过7-Zip等工具解压。

2. 烧录至MicroSD卡：

   # Linux示例（需root权限）
   sudo dd if=jetson-tx2-sd-card-image.img of=/dev/sdX bs=4M status=progress

   或使用balenaEtcher图形化工具选择镜像与SD卡设备。

3. 插入SD卡并启动：将SD卡插入开发板，连接显示器与电源，按电源键启动。

2.2 初始系统配置

• 语言与时区：选择中文界面并设置亚洲/上海时区。
• 用户账户：创建管理员账户（建议禁用root登录增强安全性）。
• 网络配置：优先使用有线网络（稳定性优于Wi-Fi），或通过nmcli命令配置无线：

  sudo nmcli dev wifi connect "SSID" password "密码"

2.3 驱动与CUDA安装

JetPack已集成驱动与CUDA库，但需通过以下命令验证：

# 检查GPU驱动
nvidia-smi
# 输出应显示GPU状态与CUDA版本（如CUDA 10.2）
# 检查CUDA路径
ls /usr/local/cuda/lib64/libcudart.so

常见问题：

• 若nvidia-smi报错，需重新烧录镜像或检查电源稳定性（TX2满载功耗约15W）。
• 驱动版本与JetPack版本需严格匹配，避免手动升级导致兼容性问题。

三、Pytorch安装与深度学习环境配置

3.1 安装方式选择

Jetson TX2支持两种Pytorch安装方式：

• 预编译包（推荐）：NVIDIA官方提供适配ARM架构的轮子（.whl文件）。
• 源码编译：适用于定制化需求，但耗时较长（约4-6小时）。

3.2 预编译包安装步骤

1. 下载对应版本：
   访问NVIDIA Jetson库，下载与JetPack版本匹配的Pytorch轮子（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  # 需先安装numpy

3. 安装Pytorch：

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

4. 验证安装：

   import torch
   print(torch.__version__)  # 应输出1.8.0
   print(torch.cuda.is_available())  # 应输出True

3.3 源码编译（进阶）

若需特定版本或修改源码，可按以下步骤操作：

1. 安装编译依赖：

   sudo apt-get install cmake git libopenblas-dev liblapack-dev

2. 克隆Pytorch源码：

   git clone --recursive https://github.com/pytorch/pytorch
   cd pytorch
   git checkout v1.8.0  # 切换至目标版本

3. 修改编译配置：
   编辑setup.py，确保USE_CUDA=1且USE_NNPACK=0（NNPACK在ARM上支持有限）。

4. 编译与安装：

   export USE_CUDA=1
   export USE_CUDNN=1
   python3 setup.py install  # 编译时间较长，建议使用screen会话

性能优化建议：

• 使用torch.backends.cudnn.enabled=True启用cuDNN加速。
• 通过nvidia-smi -l 1监控GPU利用率，避免内存泄漏。

四、实战案例：在Jetson TX2上部署YOLOv5

4.1 环境准备

# 克隆YOLOv5仓库
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip3 install -r requirements.txt  # 需包含opencv-python等依赖

4.2 模型转换与推理

1. 导出ONNX模型（在PC端训练后）：

   import torch
   model = torch.hub.load('ultralytics/yolov5', 'yolov5s')  # 加载预训练模型
   torch.onnx.export(model, dummy_input, 'yolov5s.onnx')

2. 在Jetson TX2上推理：

   import cv2
   from yolov5.models.experimental import attempt_load
   model = attempt_load('yolov5s.onnx', map_location='cuda:0')
   img = cv2.imread('test.jpg')
   results = model(img)  # 执行推理

性能对比：

• YOLOv5s在TX2上的FPS约为10-12（输入分辨率640x640），满足实时检测需求。

五、常见问题与维护

5.1 系统卡顿解决方案

• 交换空间扩容：编辑/etc/fstab添加交换文件：

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

• 关闭图形界面（仅命令行模式）：

  sudo systemctl set-default multi-user.target

5.2 驱动回滚方法

若升级后出现兼容性问题，可通过JetPack重新刷写：

# 进入恢复模式（按住REC按钮后启动）
sudo ./flash.sh -r jetson-tx2 mmcblk0p1

六、总结与扩展

Jetson TX2的装机与Pytorch部署需兼顾硬件兼容性与软件优化。通过本文的流程，开发者可快速搭建AI开发环境，并部署如YOLOv5等主流模型。未来可探索：

• 多模型并行：利用TensorRT加速推理。
• 低功耗优化：通过jetson_clocks脚本动态调整GPU频率。

资源推荐：

• NVIDIA Jetson论坛
• Pytorch官方ARM支持文档

通过系统化的配置与优化，Jetson TX2能够成为高效的边缘AI计算平台，适用于机器人、智能监控等场景。