安装虚拟机和Ubuntu18.04环境

这两步比较简单，所以略了。虚拟机的配置需要注意硬盘空间大一点，至少40G。

安装sdk-manager

NVIDIA SDK Manager下载地址：https://developer.nvidia.com/drive/sdk-manager

sudo dpkg -i sdkmanager_1.9.0-10816_amd64.deb

直接执行会报缺少依赖的问题，然后执行命令：

sudo apt --fix-broken install

安装依赖。等待依赖安装完成。

依赖安装完成后再次执行安装sdk的命令。

到这里sdk-manager安装完成了。

NX烧录系统

将第二个针和第三个针链接，然后将板子上Micro USB通过数据线和电脑链接。

打开sdk-manager，输入账号和密码登陆。

弹出对话框，选择Yes，然后点击OK。

进入主页面，可以看到，NX已经链接上了。然后只勾选Linux这一栏，安装JetPack。这是个下拉框，可以选择不同的版本，我直接选择最新版本。

然后，只勾选Jetson Linux，因为板子只有16G的空间，只能够安装系统的。按照下图选择好后，就可以进入下一步了。

接下来就是下载Jetson OS 然后开始烧录系统。

第一次烧录，正常情况下都可以顺利完成，我这张图是二次烧录时出现的。下面会介绍第二次烧录时应该怎么做。烧录完成后，就可以将链接第二针脚和第三针脚的线取下来了。

等待烧录完成后，链接显示器开机并配置环境。

选择复选框，然后点击Continue

选择中文简体，不喜欢中文的，可以默认选择英文。

键盘布局选择英文，然后点击继续

设置用户名和密码。完成后点击继续。系统配置过程和安装Ubuntu系统是一样的，没有特别的设置。
输入下面的命令查看Jetpack的版本。

sudo apt-cache show nvidia-jetpack

将系统迁移到SSD

接下来将系统迁移到SSD，NX只有16G的空间，只能安装个系统，其他的就别想了。迁移到SSD上才能发挥出作用。

如果没有安装SSD，先断电安装，然后点击Disks。

选择Format Disk格式化硬盘。

点击Format.

点击Format.
点击+符号，将硬盘挂载到系统。

调整硬盘大小。默认128G。

输入SSD硬盘的名字，比如“SSD”。

然后，点击Create。创建硬盘分区。如下图：

接下来，打开命令行，然后输入：

git clone  https://github.com/jetsonhacks/rootOnNVMe.git

下载完成后，可以看到如下几个文件。

然后 进入 rootOnNVMe, 执行copy-rootfs-ssd.sh脚本。
开始将系统复制到SSD，等待复制完成后。
执行./setup-service.sh脚本。
然后重启就可以从SSD启动系统了。

安装CUDA

这里有两种方法。第一种通过bootFromExternalStorage安装。第二种使用sdk-manager安装。

bootFromExternalStorage安装

从Github获取bootFromExternalStorage，链接：https://github.com/jetsonhacks/bootFromExternalStorage，执行命令：

git clone https://github.com/jetsonhacks/bootFromExternalStorage.git

给bootFromExternalStorage赋权限

sudo chmod -R 777 bootFromExternalStorage

运行脚本

cd bootFromExternalStorage
./install_jetson_default_packages.sh

然后就开始下载jetpack的默认配置环境，里面包括CUDA和cuDNN等。

sdk-manager安装

这个安装可前面安装JetPack系统操作类似，然后将板子上Micro USB通过数据线和电脑链接。

然后将Jetson SDk全选，然后转到第三步，下载这些软件并安装。等待完成后就可以配置CUDA的环境变量了。

配置CUDA环境变量

安装完成后，输入ncvv -V,发现并不能读取CUDA的版本，这是因为环境变量还没有配置
输入gedit ~/.bashrc命令打开文件，在文件结尾输入以下语句，保存。

export PATH=/usr/local/cuda-10.2/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

更新环境变量配置

source ~/.bashrc

然后再输入nvcc -V，就可以看到CUDA的版本信息了。

配置cuDNN

虽然安装了cuDNN，但没有将对应的头文件、库文件放到cuda目录。cuDNN的头文件在：/usr/include，库文件位于：/usr/lib/aarch64-linux-gnu。将头文件与库文件复制到cuda目录下：

cd /usr/include && sudo cp cudnn.h /usr/local/cuda/include
cd /usr/lib/aarch64-linux-gnu && sudo cp libcudnn* /usr/local/cuda/lib64

修改文件权限，修改复制完的头文件与库文件的权限，所有用户都可读，可写，可执行：

sudo chmod 777 /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
重新链接

cd /usr/local/cuda/lib64

sudo ln -sf libcudnn.so.8.4.0 libcudnn.so.8

sudo ln -sf libcudnn_ops_train.so.8.4.0 libcudnn_ops_train.so.8

sudo ln -sf libcudnn_ops_infer.so.8.4.0 libcudnn_ops_infer.so.8

sudo ln -sf libcudnn_adv_infer.so.8.4.0 libcudnn_adv_infer.so.8

sudo ln -sf libcudnn_cnn_infer.so.8.4.0 libcudnn_cnn_infer.so.8

sudo ln -sf libcudnn_cnn_train.so.8.4.0 libcudnn_cnn_train.so.8

sudo ln -sf libcudnn_adv_train.so.8.4.0 libcudnn_adv_train.so.8
sudo ldconfig

测试cuDNN

sudo cp -r /usr/src/cudnn_samples_v8/ ~/
cd ~/cudnn_samples_v8/mnistCUDNN
sudo chmod 777 ~/cudnn_samples_v8
sudo make clean && sudo make
./mnistCUDNN

如果配置成功 测试完成后会显示：“Test passed!”。

安装pytorch

pytorch版本不能随意安装，必须安装英伟达编译的好的库文件，链接：https://forums.developer.nvidia.com/t/pytorch-for-jetson/72048。
选择对应jetpack版本的pytorch文件。

我的是5.0.2的，所以可以选择1.12.0版本的pytorch。点击链接然后下载。
等待下载完成后，执行

pip install torch-1.12.0a0+2c916ef.nv22.3-cp38-cp38-linux_aarch64.whl 

安装whl文件。

安装vision torchvision

执行命令：

sudo apt-get update
sudo apt-get upgrade
sudo apt-get install libjpeg-dev zlib1g-dev libpython3-dev libavcodec-dev libavformat-dev libswscale-dev 

下图是vision torchvision和pytorch的对应表

v1.12.0版本的pytorch对应v0.13.0版本的vision torchvision，所以执行命令：

git clone --branch  v0.13.0 https://github.com/pytorch/vision torchvision

获取vision torchvision，然后执行下面的命令安装

 python setup.py install --user 

安装jtop工具

# 安装pip3
sudo apt install python3-pip

# 安装Jtop工具
sudo -H pip3 install -U jetson-stats
# 启动jtop
sudo jtop

点击INFO
可以看到 CUDA、cdDNN、TensorRT的版本。

TensorRT 状态查询

dpkg -l | grep nvinfer

安装ONNX

sudo apt-get install protobuf-compiler libprotoc-dev
pip install onnx

安装python的TensorRT

下载TensorRT，链接：https://developer.nvidia.com/nvidia-tensorrt-8x-download
选择Arm版本的TensorRT

在下载栏中可以看到TensorRT的具体版本，这个版本和板子的上的TensorRT板子一致。

下载完成后，解压文件，然后在python文件夹中找到对应的版本。

将其复制到板子上安装。