整个过程较长，经过几分钟的等待，以及终端窗口大段的warning提醒，终于完成了Jupyterlab的安装。一定要先重启机器，目的是让系统自动改写默写Path变量。然后在命令窗口键入jupyter lab，系统会正常启动浏览器，然后就会在默认的路径下创建一个未命名的ipynb文件，并等待编辑。

看到熟悉的notebook的编辑窗口，真是感觉亲切至极。到此算是完成Jupyterlab的基本设置，但这才刚刚开始，还有更多内容等待设置，当然这些设置并不都是必需的，大家可根据个人的编程习惯，自行浏览。

(b) 配置Jupyterlab

下面介绍生成Jupyterlab的配置文件，并完成修改的流程。

首先使用以下命令，生成Jupyterlab的配置文件：

jupyter lab --generate-config

可使用编辑命令，修改配置文件：

nano /home/jetson/.jupyter/jupyter_lab_config.py

至于设置内容，可根据个人需要自行确定，不再单独说明。

(c) 其他配置

使用一下语句，添加界面对中文的支持。

pip3 install jupyterlab-language-pack-zh-CN

完成中文包的安装后，即可将Jupyterlab的界面设置为中文。

0.4.4 安装扩展库

为了方便地实现计算机视觉、机器学习和深度学习等功能，需要安装各种对应的扩展库，如OpenCV、PyTorch库等。

(a) 安装OpenCV

网上有很多有关Jetson Nano下安装OpenCV的教程。如果你和我一样，并没有使用Anaconda类的环境，则无需专门安装该库。这是因为Jetson Nano原系统中自带OpenCV库，而且版本不低（应该是4.1版）。

进入Python运行环境，然后键入以下命令，查询目前系统下OpenCV安装的版本信息，如下所示：


pkg-config opencv --libs
pkg-config opencv --modversion

如果非要重新安装，按照网上帖子的说法，不能使用pip安装，否则可能存在版本问题。但我并没有自己尝试，大家可自行验证。相反，建议各位使用sudo安装，命令如下：

sudo apt-get install python3-opencv

除此之外，经本人测试，像numpy、scipy、matplotlib等科学计算常用的扩展库，系统已经自带，不建议重新安装，否则可能引起版本冲突等问题

至此，就搭建起来了Jupyterlab+Python+OpenCV的最简开发环境了。

0.4.5 人脸检测实例

为了验证上述过程是否配置成功，在此选用上述软硬件平台，完成一个典型的计算机视觉任务任务：基于单幅彩色图像的人脸检测。

人脸检测（Face Detection）完成的是从含有人脸的图像或视频流中自动检测人脸所在的位置，它是人脸识别系统中的重要环节。

本例程旨在实现一种基于Jetson Nano平台的人脸检测方法。在介绍具体过程之前，需要提前说明几点：

处理对象是单幅彩色图像，既不是实时的来自摄像头拍摄的视频流，也不是本机的视频文件。
所用开发软件环境为Python，直接调用原始Jetson Nano系统自带的各个Python扩展库，并没有安装额外的第三方库。
开发软件使用的是Jupyter Lab。

下面给出手把手教程，请各位参考。

（1）创建工程文件

该例程没有使用单独的IDE工具，而是在Jupyter Lab环境下完成的。因此，首先打开命令窗口，键入“jupyter lab”，创建新的ipynb文件。

（2）加载必要的扩展库

本实例使用OpenCV完成人脸检测，使用Matplotlib库用于图像的显示，因此，需要事先加载这两个扩展库，如下图所示。


import cv2
from matplotlib import pyplot as plt

（3）读取彩色图像

使用cv2中的imread函数，读取本机的彩色图像。注意，需要将该图片存放在与ipynb文件相同的路径下。另外，为了便于后续处理和显示方便，需将读取的图像分别转换到RGB空间和灰度图像。


img = cv2.imread('./lena.jpg') # 读取图片
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转换为灰色图像
img_color = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 转换为RGB彩色图像为了显示方便

（4）加载分类器，检测人脸

在此直接调用了OpenCV提供的具有人脸检测功能的分类器文件“haarcascade_frontalface_default.xml”。在调用时，也需要将该文件复制到当前路径下。该文件在系统中的存放路径是：“/usr/share/opencv4/”。


# 调用OpenCV人脸识别分类器
classifier = cv2.CascadeClassifier( "haarcascade_frontalface_default.xml" )
color = (0, 255, 0) # 定义绘制颜色（绿色）
# 调用分类器，完成人脸检测
faceRects = classifier.detectMultiScale( gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32))

（5）显示人脸检测结果

经过上一步，检测到的人脸区域存放在了faceRects中，接下来依次画出各人脸对应的矩形区域。为了显示方便，将含有人脸区域标注信息的图像单独命名。另外，在此调用了matplotlib提供的imshow函数，完成图像显示。


img_result = img_color.copy()
if len(faceRects): # 大于0则检测到人脸
for faceRect in faceRects: # 单独框出每一张人脸
    x, y, w, h = faceRect
    # 框出人脸
    cv2.rectangle(img_result, (x, y), (x + h, y + w), color, 2)
 
plt.figure(figuresize(12,4))
plt.subplot(121), plt.axis('off'),plt.title('input image'),plt.imshow(img_color)
plt.subplot(122), plt.axis('off'),plt.title('result'),plt.imshow(img_result)

处理结果如下：

最终总结一下。我们用两节的篇幅，介绍了如何搭建一个简易的Jetson Nano开发平台，其中包括系统安装、系统设置、开发环境配置等，并较详细地介绍了如何配置一个Python+OpenCV+JupyterLab极简开发环境，最后通过实现一个经典的人脸检测实例，验证了所搭建的开发系统的有效性。

下一节，我们将进一步介绍如何在Jetson Nano平台上调用摄像头，如何处理视频文件，并实现一个简单的行人检测实例。

（本节初稿完成时间：2024-03-19）

声明：本文内容由网友自发贡献，转载请注明出处：【wpsshop】