网站开发设计需求,网站发布方式有哪些,企业网站建设设置那些栏目,虾皮网站有的做吗一、烧录镜像
1、Jetson Nano烧写系统镜像
Jetson Nano是一款形状、外接口类似于树莓派的嵌入式主板#xff0c;搭载了四核Cortex-A57处理器#xff0c;GPU则是拥有128个NVIDIA CUDA核心的NVIDIA Maxwell架构显卡#xff0c;内存为4GB的LPDDR4#xff0c;存储则为16GB eM…一、烧录镜像
1、Jetson Nano烧写系统镜像
Jetson Nano是一款形状、外接口类似于树莓派的嵌入式主板搭载了四核Cortex-A57处理器GPU则是拥有128个NVIDIA CUDA核心的NVIDIA Maxwell架构显卡内存为4GB的LPDDR4存储则为16GB eMMC 5.1支持4K 60Hz视频解码。
系统有很多AI开发板和加速器模块但Nvidia拥有一大优势——它与桌面AI库直接兼容不需要你将深度学习模型转换为任何特殊格式即可运行他们。
它使用几乎所有每个基于Python的深度学习框架都已使用的相同的CUDA库进行GPU加速。这意味着你可以采用现有的基于Python的深度学习程序几乎无需修改就可以在Jetson Nano 2GB上运行它并且仍然可以获得良好的性能只要你的应用程序可以在2GB的RAM上运行。
一准备安装
1.电源线必备
Jetson Nano中并不包括电源线您需要自己配一根具体的参数是5V⎓2A的MicroUSB电源线。可以使用树莓派电源5V⎓2.5A的MicroUSB线。 2. SD卡 必备 Jetson Nano要求最低配置16G的SD卡但是整个系统刷完SD卡就被用了大概13G后期还要安装TensorFlow等一些机器学习框架还有可能要安装样本数据所以16G的卡是不够用的我觉得最低32G卡。 3. 无线网卡 选配
Jetson Nano搭载了千兆以太网卡但是需要接键盘和鼠标网线很麻烦 所以建议可以买个PCI无线网卡或者USB无线网卡多占用一个USB口。
二刷系统
Jetson Nano刷系统的方式与Jetson家族的TX系列不一样直接把镜像写入SD文件即可。 1.下载镜像 英伟达官方地址 https://developer.nvidia.com/embedded/dlc/jetson-nano-dev-kit-sd-card-image 2 . 格式化SD卡 使用SD Card Formatter格式化SD卡 3. 使用Etcher写入镜像大概30分钟镜像写入完毕。 也可以用Win32 Diskimg写入镜像 https://www.balena.io/etcher/ 4. 烧写完成后将SD卡插入Jetson Nano,开机 5. 完成一些设置时区语言输入法什么的就不截图了看见下图大功告成
2、Jetson Nano二次烧写系统镜像
本教程是已经烧录过镜像的SD卡无法被电脑识别盘符导致无法重新烧录镜像的教程。一般是win7系统无法识别烧录过的Ubuntu系统盘符。win10可以识别到很多盘符使用SDformat软件格式化。
1、确定读卡器是否识别到SD卡。 点击计算机右键选择“管理”选择磁盘管理找到是否有可移动磁盘大小为SD卡的大小。
可以使用分区助手删除SD卡所有分区大概有10个左右然后格式化磁盘这样在用那两个软件就可以重新识别到盘符了然后可以重新烧录镜像。也可以用磁盘管理选择所有分区注意不只是在下面删除分区还有上面列表多出来的很小空间的分区都要删除删除完后重新新建分区格式化成fat32就可以正确识别到盘符了
Jetson nano 系统初始化设置 插卡开机最好连接上屏幕。之后的很多命令需要用到root权限我们需要开启root用户。
sudo passwd root 之后设置密码即可 开发板需要插上网线或者插上免驱动的无线网卡联网 Jetson nano 系统更换源 Jetson Nano 烧录的镜像是国外的源安装软件和升级软件包的速度非常慢甚至还会常常出现网络错误更换源的步骤如下 ①先备份原本的source.list文件。
sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak
②编辑source.list并更换国内源。
sudo gedit /etc/apt/sources.list
③按 “i” 开始输入删除所有内容复制并更换源。这里选清华源或中科大源其中一个然后保存
清华源
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic main multiverse restricted universe
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-security main multiverse restricted universe
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-updates main multiverse restricted universe
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-backports main multiverse restricted universe
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic main multiverse restricted universe
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-security main multiverse restricted universe
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-updates main multiverse restricted universe
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-backports main multiverse restricted universe中科大源
deb http://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-updates main restricted
deb http://mirrors.ustc.edu.cn/ubuntu-ports/ bionic universe
deb http://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-updates universe
deb http://mirrors.ustc.edu.cn/ubuntu-ports/ bionic multiverse
deb http://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-updates multiverse
deb http://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-backports main restricted universe multiverse
deb http://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-security main restricted
deb http://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-security universe
deb http://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-security multiverse④更新软件
更新软件
sudo apt-get update sudo apt-get upgrade 二、NoMachine远程控制
其实就是面对多场景应用时nano不可能待在同一个地方要么在车上在机器人上……我们扛着一 个大显示器到处跑肯定是不太现实的当然如果想要锻炼身体的同学另说
1.Windows下载NoMachine
首先需要在你的win10上下载NoMachine官网下载地址,exe文件安装就行。https://www.nomachine.com/
2.Jetson Nano下载NoMachine
在NoMachine官网下载armv8版本的软件包到Jetson Nano
3.NoMachine配置
在客户端PC下载Nomachine软件设置局域网ip为Nano所在地址 在Nano激活nomachine application服务search your computer可以搜到如下图
服务激活后右上角会有个M标志
三、开始配置所需的环境安装各种支持包
1、配置CUDA
Jetson nano内置好了CUDA,但需要配置环境变量才能使用打开命令行添加环境变量即可我这里是CUDA10.2如果不是使用我的镜像就需要根据自己的CUDA版本去填写路径了。
#打开终端输入命令
vi .bashrc拉到最后在最后添加这些
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}}
export CUDA_ROOT/usr/local/cuda应用当前配置刷新一下
source ~/.bashrc查看是否配置成功
nvcc -V2、安装pip3
sudo apt-get update
sudo apt-get install python3-pip python3-dev -y二次安装安装成功后如下图所示 3、安装jtop
安装jtop库这个可以监控自己的设备CPU、GPU工作状态
sudo -H pip3 install jetson-stats
sudo jtop #运行jtop第一次可能不行第二次就好了 按【q】退出4、配置可能需要用到的库
sudo apt-get install build-essential make cmake cmake-curses-gui -y
sudo apt-get install git g pkg-config curl -y
sudo apt-get install libatlas-base-dev gfortran libcanberra-gtk-module libcanberra-gtk3-module -y
sudo apt-get install libhdf5-serial-dev hdf5-tools -y
sudo apt-get install nano locate screen -y二次安装安装成功后如下图所示 5、安装所需要的依赖环境
sudo apt-get install libfreetype6-dev -y
sudo apt-get install protobuf-compiler libprotobuf-dev openssl -y
sudo apt-get install libssl-dev libcurl4-openssl-dev -y
sudo apt-get install cython3 -y二次安装安装成功后如下图所示
6、安装opencv的系统级依赖,一些编解码的库
sudo apt-get install build-essential -y
sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev -y
sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff5-dev libdc1394-22-dev -y
sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev liblapacke-dev -y
sudo apt-get install libxvidcore-dev libx264-dev -y
sudo apt-get install libatlas-base-dev gfortran -y
sudo apt-get install ffmpeg -y二次安装安装成功后如下图所示
7、更新CMake
这一步是必须的因为ARM架构的很多东西都要从源码编译
wget http://www.cmake.org/files/v3.13/cmake-3.13.0.tar.gz
tar xpvf cmake-3.13.0.tar.gz cmake-3.13.0/ #解压
cd cmake-3.13.0/
./bootstrap --system-curl # 漫长的等待,做一套眼保健操...
make -j4 #编译 同样是漫长的等待...
echo export PATH~/cmake-3.13.0/bin/:$PATH ~/.bashrc
source ~/.bashrc #更新.bashrc8、U盘兼容
之后的步骤可能需要使用U盘把大文件拷入开发板但是对于大容量设备可能会出现无法挂载一条安装命令解决。
sudo apt-get install exfat-utils二次安装安装成功后如下图所示
四、安装pytorch
Jetson nano上的Linux其实不是x86架构,而是类似手机的ARM架构这也就导致它的很多包和普通的Linux上的不是通用的。也是踩过的坑之一pytorch官网下载的包在实际使用时无法调用开发板的显卡这是个大问题失去显卡的开发板算力暴跌。这里的PyTorch以及接下来的torchvision等包都需要安装Nvidia官网给出的版本。
1.下载PyTorch1.8
我已经下载好了现成的安装包下载链接奉上 安装包 链接https://pan.baidu.com/s/1lx69c0e5TV3qROt4PbGsDQ?pwd1234 提取码1234
2.安装PyTorch1.8
把下载的东西用U盘拷到Jetson nano开发板上建议放桌面上好找。 sudo pip3 install …# 直接把.whl拖到命令窗口中让它自动填充文件位置 安装需要略漫长的等待。
五、安装torchvision 0.9.0版本
PyTorch和torchvision版本是需要对应的上一步下载的那个正好是对应的。
1.提前安装好我们需要的依赖
sudo apt-get install libopenmpi2
sudo apt-get install libopenblas-dev
sudo apt-get install libjpeg-dev zlib1g-dev2.安装torchvision 0.9.0
同样需要特殊的匹配Jetson nano的版本步骤三中个人链接里包含了这个torchvision。把下载的包拷到开发板上同样建议放桌面上。
cd torchvision # 进入到这个包的目录下
export BUILD_VERSION0.9.0
sudo python3 setup.py install # 安装估计要20、30分钟不止吧3.检验一下是否成功安装
python3
import torch
import torchvision
print(torch.cuda.is_available()) # 这一步如果输出True那么就成功了
quit() # 最后退出python编译六、安装使YOLOv5成功运行需依赖的包
注意下载过程如果因为网络原因失败的话可以在命令后加上 -i https://pypi.tuna.tsinghua.edu.cn/simple 来使用清华镜像源 1、
sudo pip3 install matplotlib3.2.2
sudo pip3 install --upgrade Cython #更新一下这个包2、numpy有些特殊已经自带了但是是apt-get安装的所以先卸掉原来的也方便之后包的管理
sudo apt-get remove python-numpy
sudo pip3 install numpy1.19.4
sudo pip3 install scipy1.4.1. # 这个包安装巨慢耐心等待3、这之后的一些包我在安装时都没有指定版本,这里的指令是根据之后pip3 list补上的
sudo pip3 install tqdm4.61.2
sudo pip3 install seaborn0.11.1
sudo pip3 install scikit-build0.11.1 # 安装opencv需要这个包
sudo pip3 install opencv-python4.5.3.56 # 不出意外也是一个相当漫长的过程
sudo pip3 install tensorboard2.5.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
sudo pip3 install --upgrade PyYAML # 我升级到了5.4.1 也可以sudo pip3 install PyYAML5.4.1
sudo pip3 install thop
sudo pip3 install pycocotools4、根据YOLOv5官方给的所需的安装包清单仔细对照查漏补缺的给安装好。
安装命令输入格式sudo pip3 install …
# base ----------------------------------------
matplotlib3.2.2
numpy1.18.5
opencv-python4.1.2
Pillow
PyYAML5.3.1
scipy1.4.1
torch1.7.0
torchvision0.8.1
tqdm4.41.0# logging -------------------------------------
tensorboard2.4.1
wandb# plotting ------------------------------------
seaborn0.11.0
pandas# export --------------------------------------
coremltools4.1
onnx1.8.1
scikit-learn0.19.2 # for coreml quantization# extras --------------------------------------
thop # FLOPS computation
pycocotools2.0 # COCO mAP5、运行检测脚本 在源码的detect.py同目录下打开终端运行下面的命令。 效果还可以启动模型要很久预测效果还可以。之后就可以在自己的inference中的output中看到自己预测的图片了。 接着打开detecy.py检测脚本修改一下检测资源参数改为调用摄像头进行实时视频预测大概10fps,应该说不算差但是是有提升办法的。
python3 detect.py --source /path/to/xxx.jpg --weights /path/to/best.pt --conf-thres 0.7或者是
python3 detect.pypython3 detect.py --source 0
