NVIDIA Jetson测试安装yolox过程记录

引言

此篇想总结一下关于nvidia jetson边缘盒子的一些使用过程，主要想就从连上盒子ssh环境到跑通yolox的过程进行一个记录，如果之后还有相关业务的话可以参考。

jetson内容介绍

本篇主要测试环境并不是在宿主机上，而是会选择nvidia针对jetson出的镜像，原因有很多，第一是环境隔离，宿主机因为并不是我一个人用，第二个是宿主机上遇到很多的bug，针对我想用的包，有太多环境需要修改，而宿主机预安装好的基于arm架构的python3里面有太多环境没有，并且大多都是依赖，比如shapely的关于地理的libgeos_c.so动态库都基本缺失，所以我还是选择了官方的docker镜像。至于宿主机上，我刚开始装arm的conda遇到坑后就转了docker，所以踩坑不多。

预安装环境

这里预安装的环境一般边缘盒子到手后基本就有了，就我目前拿到的两台jetson xavier nx是这样的，即有jtop以及相应的一些基础依赖，vim还需要自己安装，其它的大致上也没了，主要是jtop这个性能监测工具需要装上，就像主机服务器上的rtx显卡监测工具nvtop，这两个是非常优秀的插件。

如果在没有的情况下，我也根据网上一些资料，从python3服务到jtop安装笔记，最快的安装方式如下：

"""1. 基础依赖"""
sudo apt-get install git cmake
sudo apt-get install python3-dev
sudo apt-get install libhdf5-serial-dev hdf5-tools
sudo apt-get install libatlas-base-dev gfortran

"""2. pip3安装"""
sudo apt-get update
sudo apt-get upgrade
sudo apt-get install python3-pip

"""3. pip安装"""
pip3 install jetson-stats

"""4. 源码编译jtop（如果3失败）"""
git clone https://github.com/rbonghi/jetson_stats.git
cd jetson_stats/
sudo python3 ./setup.py install

上述过程是安装插件全过程，当然如果全部都能用apt或者pip走通那当然好，不过有些人喜欢源码编译安装，那么从python开始到jetson，也可以全部走源码编译，过程就看apt的速度和编译速度哪个快了。安装好后，在终端输入jtop即可进入页面：

刚进去的页面为数字键1显示的all页面，相应的还有数字键2 GPU可视化页面，数字键3 CPU可视化页面，数字键4 内存管理页面，数字键5 控制风扇以及功率转速等设置页面，最后的6是显示边缘盒子信息的页面：

jetson环境安装

这里将分为三个部分，第一个是从宿主机进入docker镜像过程，第二个是容器里pytorch和torchvision这两个环境的更新，因为容器内部基本没有和当前代码匹配的版本，最后一个就是直接跑起来yolox。

docker镜像

一般边缘盒子也是会预安装docker的，但可能是19.03以下的版本，如果在使用过程中遇到库函数问题，也是可以重装的，因为在docker官网下，arm架构和x86的安装方式基本一致，即根据官网的命令是可以根据当前ubuntu系统选择合适的架构进行安装。

目前我就在deepin系统上装docker出现过识别不出服务器架构，需要自己手动，nvidia jetson在我更新过后基本没什么问题了。安装过程可以看我之前的docker使用笔记（1）：docker介绍与安装 安装成功后，可以查看版本信息与info，如果docker --version没有问题，正确显示版本，那么久可以去nvidia官网选择镜像了：

在官网下进入nvidia的container目录，搜索jetson，会出现很多基于L4T的镜像，这些就是能直接使用于jetson的，网页链接为：

https://catalog.ngc.nvidia.com/containers?filters=&orderBy=dateModifiedDESC&query=jetson%20

我这里选择的NVIDIA L4T ML，因为在装完docker后，我更新了一下docker的保存路径，nvidia jetson盒子的磁盘比较小，加了一块机械盘，然后把存储路径都丢过去了，所以L4T ML这个镜像我记得好像是有接近10个G，但越大说明环境越完整，越不容易出bug，这个就仁者见仁智者见智了，pull tag命令为：

docker pull nvcr.io/nvidia/l4t-ml:r34.1.1-py3

拉下来后，跟x86架构的启动命令一样，只需要加上-e参数将gpu加入就行了，具体详细的可以看我之前写得docker学习笔记（9）：nvidia-docker安装、部署与使用：

我的命令为：

docker run -it --net=host  --name jetson --runtime nvidia --restart always --privileged=true -e LD_LIBRARY_PATH=/usr/local/ffmpeg/lib/  --entrypoint="./home//program/xxx/start.sh"  submarineas/nvidia:v5.0 /bin/bash

这里可能还存在一个cuda版本问题，不过jetson默认宿主机与镜像都是基于cuda 10.2的，我装完后才想到，结果发现完全一致，可以在装完后检查一下镜像和宿主机驱动环境问题：

nvcc -V

cat /usr/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

pytorch以及torchvision安装

进入docker，因为我上面容器选择的是基本包含所有依赖与ml有关的pip包，这里我进去看到的torch版本为0.6.0，而torchvision比它高0.1，这是适配上的，但是yolox需要的torch版本必须要0.9.0来着，我记得，那么就需要卸载重装，这里的顺序为先装pytorch，再装torchvision，因为如果换一个顺序，torchvision装的还是基于CPU的版本，pip默认走的pypi，我就犯了一个错误。 因为pypi网页上是有编译好的arm架构的pytorch安装包，我当时没看拉下来直接装了：

正确方法还是在nvidia官网，它提供了所有pytorch版本，链接为：

https://forums.developer.nvidia.com/t/pytorch-for-jetson-version-1-11-now-available/72048

拉下pytorch的whl离线版本进行安装，然后进一步再安装torchvision，这里的步骤来源于torchvision的GitHub，源码编译安装，不然会跟我上面一样，直接pip install可以装上，但torch.cuda.is_available()为false。

$ sudo apt-get install libjpeg-dev zlib1g-dev libpython3-dev libavcodec-dev libavformat-dev libswscale-dev
$ git clone --branch <version> https://github.com/pytorch/vision torchvision   # see below for version of torchvision to download
$ cd torchvision
$ export BUILD_VERSION=0.x.0  # where 0.x.0 is the torchvision version 
$ python3 setup.py install --user
$ cd ../  # attempting to load torchvision from build dir will result in import error
$ pip install 'pillow<7' # always needed for Python 2.7, not needed torchvision v0.5.0+ with Python 3.6

yolox环境安装

安装完了torch与torchvision后，剩下的包基本不会再有问题。同样与GitHub中：

git clone [email protected].com:Megvii-BaseDetection/YOLOX.git
cd YOLOX
pip3 install -v -e .  # or python3 setup.py develop

至此，镜像环境就安装完成。