确认操作系统为 aarch64 架构后,我们开始尝试安装 Conda。首先想到的是 Anaconda,但因为 Conda 体积较大,不适合只有 32G 存储空间的 Jetson Nano,所以放弃了这个选项。接下来,我们尝试安装 Miniconda。Miniconda 是 Anaconda 的轻量级版本,体积较小,适合在资源有限的设备上使用。在终端输入以下命令进行安装: wget https...
3.1 安装conda 弃用 以下参考yolov5 部署jetson nano(通用) 保姆级教学下载 https://github.com/Archiconda/build-tools/releases bash Archiconda3-0.2.3-Linux-aarch64.sh 3.2 安装python3.6版本torch1.8 参考Install PyTorch on Jetson Nano.我是从Qengineering/PyTorch-Jetson-Nano下载的torch-1.8.0a0+37c1f4a-...
进入Configuration,点击左上角“+”,添加SFTP连接,server name设置为 Jetson-nano 图2.2 添加SFTP连接 Connection 中的一些参数配置:Host 填Jetson-nano的IP地址;User name 填Jetson-nano的登录名;PassWord 填 Jetson-nano 的登录密码,注意勾选记住密码,以上内容都填写正确之后,Root path 可以不用自己填,点击旁边的 ...
一、下载Miniforge安装脚本 由于Jetson Nano是基于Linux系统的,因此需要下载Linux版本的Miniforge安装脚本。可以从Miniforge的GitHub仓库中下载aarch64版本的安装脚本。下载地址如下: [Miniforge GitHub仓库](https://github.com/conda-forge/miniforge) 在仓库中找到aarch64版本的Miniforge安装脚本,并复制下载链接。 或者使用...
英伟达家的嵌入式开发板(Jetson Nano, TX1/TX2, Xavier)特点是GPU算力强,本贴记录在Jetson Xavier NX开发板上部署pytorch GPU深度学习环境,其他型号的开发板步骤也类似。 开发板烧录的镜像系统已经安装好了显卡驱动和CUDA,本贴不再赘述如何安装显卡驱动和CUDA。
jetson nano 安装anaconda和pytorch(转) 前言: 由于jetson nano 是aarch64架构,Anaconda官方不支持aarch64架构,所以有了一个叫“Archiconda”,其目的就是将conda移植到aarch64平台上。 资源地址:Archiconda 比如:Archiconda3-0.2.3-Linux-aarch64.sh jetson nano需要使用aarch64架构的PyTorch。
英伟达jetson nano刷机教程 - 知乎 (http://zhihu.com) 但本人没找到上述的JP4.3和JP4.2.1,所以采用了4.5版本的Jetson Nano Developer Kit SD Card Image。 这里系统刷的为ubuntu18.04 2.安装conda。 系统带有python3.6,但不满足YOLOv8的需求,YOLOv8要求≥python3.8。由于python版本较多,本人在装了python3.10后备受...
安装conda 安装适用于arm架构的conda: cuda版本问题 集成开发环境 VSC for aarch vim VSC远程调试 在Mac上通过VSCode远程调试代码,只需要在VSC安装Remote-Development插件,配置好ssh,即可在本机和jetson nano间建立ssh隧道。当然,也不一定要用VSC,vim、pycharm都行。
conda activate torch-1.7.0 四、安装PyTorch和Torchvision 在虚拟环境中,我们可以使用pip来安装PyTorch和Torchvision。首先,访问PyTorch官网,找到适合Jetson Nano的预编译安装包(.whl文件)。下载对应版本的PyTorch和Torchvision的.whl文件。 然后,进入下载目录,执行以下命令安装PyTorch和Torchvision: pip install torch-1.7.0...
如今Jetson Nano 的特性能解放这些束缚,让我们能在绝大部分环境下执行任务。下表是 Jetson Nano 与 x86 系统安装 GPU 卡的一些基本特性比较表: Jetson Nano 定位在智能边缘的推理计算,并不适合执行人工智能的模型训练任务,以及对“延迟”较为敏感的应用,但是作为入门者的学习工具,以及开发轻量级的边缘智能推理应用,...