【yolo】Jetson nano p3450 开发板部署YOLOv5模型（补充及注意事项）_p3450 jetson硬件

基于项目要求，本次将要在nano 上部署yolov5 模型，并对其进行加速。看了好几个教程，但是老是踩到坑，所以现在记录一下，也做一些解释，希望对大家有所帮助。

推荐教程

JetsonNano国产套件成功部署YoloV5手把手图解教程

Jetson nano部署Yolov5目标检测 + Tensor RT加速（超级详细版）

Jetson Nano部署YOLOv5与Tensorrtx加速——（自己走一遍全过程记录）

整体过程 ：重点请看后面的注意点

主要分为三步：

1. 烧录镜像

2. 配置环境

3. 加速推理

以上在列出的教程中均有，建议（刚开始）选取一个教程完整执行而非这里瞧瞧那里看看。

踩坑过程

1. 没弄清楚环境之间的空间关系
2. 心浮气躁，在安装好torch后由于torchvision迟迟装不上而恼怒。

注意事项

1. 在镜像烧录好后，你应该有一套完整的外设，这样方便操作
2. 嵌入式开发版与PC或者服务器之间的关系：底层架构不同，，细节自己参考官方文档
3. 了解root用户和普通用户之间的区别
4. 静下心慢慢来。

本篇重点

JetsonNano国产套件成功部署YoloV5手把手图解教程

Jetson nano部署Yolov5目标检测 + Tensor RT加速（超级详细版）

Jetson Nano部署YOLOv5与Tensorrtx加速——（自己走一遍全过程记录）

1. 安装好conda 包管理器后，是否创建虚拟环境，这顶很重要。
   教程中提供了arrm 架构上的conda 安装教程，创建环境的过程也好找，这里要做的判断是你本人要在虚拟环境中部署还是直接部署。这对后面的指令有影响。
   如果不创建虚拟环境，直接部署的话，只需注意用户空间问题。如果要创建虚拟环境，则安装的库函数尽量不用使用sudo 指令。
2. 在上述的教程中，Cmake 的部分是必须的，请自己酌情查看各个教程的内容。
3. 笔者在配置Pytorch 时，发生了许多报错，采取了一些举措，但是很多都不起作用。

下面为原教程的部分：

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： （提取码：yvex）
安装包

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。

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-dev
1
2
3

---

注意点1：

这里需要考虑环境的空间关系，如果用的虚拟环境，则不加‘sudo’ 前缀，报错再加上，且只有这种全局性的更新才加。
————————————————————————————————————————————

2.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_VERSION=0.9.0
sudo python3 setup.py install		# 安装（估计要20、30分钟不止吧）
1
2
3

---

注意点2：

不要使用‘sudo’ 前缀，再指定环境下，普通指令编译安装的哭会保存到conda 环境的/home//envs/myenv/lib/python3.x/site-packages/中, 如果使用‘sudo’ 前缀，则编译安装的位置不在这里，后面你会发现torchvision 没有安装成功，但是你已经完成教程操作，就会非常郁闷，不要担心，慢慢找问题。
问题就是我说的这个导致的，sudo 前缀会使你编译到别处，而不是你的虚拟环境中，不用sudo 前缀你会发现权限不足，报错，此时只需将torchvision文件夹的权限修改一下就好了：
下面是修改权限和编译的指令：

sudo chmod -R 777 /home/nvidia/pytorch-torchvison/
python3 setup.py install 
1
2

————————————————————————————————————————————
3.检验一下是否成功安装

python3
1

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
1
2
3
4

---

注意点3：

我想说的是，print(torch.cuda.is_available()) 这个指令不能鉴别 torchvision 是否安装成功，
因为即便torchvision没有安装成功，
只要CUDA、cuDNN、torch 安装成功，print(torch.cuda.is_available())就会返回 True。
检测torchvision的指令是：
print(torchvision.version) , 与pytorch的检测相似。
print(torch.cuda.is_available()) 这个函数返回True，表示GPU可用被调用。print(torch.version)　输出１.８.０ 表示torch 1.8安装成功。
print(torchvision.version)输出０.９.０ 表示torchvision 安装成功。

———————————————————————————————————————————
至此，可以安装yolov5 的其他依赖了。

下载YOLOv5-5.0源代码

在自己的电脑上或服务器上训练好。这里如何训练，不做过多解释，可以去B站找一些视频学习一下。我的项目是检测电梯按键。

安装使YOLOv5成功运行需依赖的包

pip install -r requirements.txt
1

注意对比各个版本要求。

加速部署部分敬请期待》》》。祝你好运。