企业官网建设流程全解析

Jetson Orin NX 16G开箱实战：从零配置Ubuntu 20.04到CUDA全验证

刚拿到Jetson Orin NX开发板的开发者们，往往既兴奋又忐忑。这款搭载了NVIDIA最新AI计算架构的嵌入式设备，性能强大但配置过程对新手来说可能充满挑战。本文将带你一步步完成从开箱到CUDA环境验证的全过程，确保你的开发板能够顺利运行AI计算任务。

1. 开箱检查与初始设置

拆开包装后，首先检查配件是否齐全：开发板本体、电源适配器（建议使用原装）、散热风扇（如有）、以及必要的连接线。确认无误后，按照以下步骤进行初始设置：

1. 连接电源与显示器：使用HDMI或DP接口连接显示器，插入键盘和鼠标，最后接通电源。首次启动可能需要几分钟时间。
2. 系统初始化：根据屏幕提示完成Ubuntu 20.04的基本设置，包括：
   • 创建用户账户
   • 设置密码（建议使用强密码）
   • 配置时区和键盘布局

提示：Jetson Orin NX默认用户名通常是"nx"，密码可能为"yahboom"（视供应商而定），首次登录后请立即修改密码。

3. 网络连接：建议使用有线网络连接以获得更稳定的下载速度，无线连接也可用但可能影响后续软件下载效率。

# 查看网络连接状态 ifconfig # 测试网络连通性 ping -c 4 www.baidu.com

2. 系统更新与基础工具安装

在开始配置AI环境前，确保系统是最新的并安装一些必要工具：

# 更新软件源列表 sudo apt update # 升级已安装的软件包 sudo apt upgrade -y # 安装常用工具 sudo apt install -y curl wget git vim htop

对于不熟悉Linux命令行的用户，以下是一些基本操作备忘：

• 文件操作：
  • ls：列出目录内容
  • cd：切换目录
  • cp：复制文件
  • mv：移动或重命名文件
• 文本编辑：
  • nano：简单易用的文本编辑器
  • vim：功能更强大的编辑器（学习曲线较陡）

3. JetPack组件验证与配置

Jetson系列设备使用JetPack作为核心软件栈，它包含了CUDA、cuDNN、TensorRT等关键组件。验证这些组件是否正确安装是确保AI开发环境正常工作的关键。

3.1 检查JetPack版本

# 查看JetPack版本 sudo apt show nvidia-jetpack # 或者使用jtop工具（需先安装） sudo -H pip install jetson-stats sudo jtop

jtop是一个非常有用的系统监控工具，可以直观地查看：

• GPU和CPU使用情况
• 内存占用
• JetPack各组件版本
• 温度监控

3.2 CUDA环境配置

虽然系统镜像已经预装了CUDA，但仍需要正确配置环境变量：

# 编辑bash配置文件 vim ~/.bashrc

在文件末尾添加以下内容（按i进入插入模式）：

export PATH=/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH export CUDA_HOME=/usr/local/cuda

保存退出（按ESC然后输入:wq）后，执行：

# 使配置生效 source ~/.bashrc # 验证CUDA安装 nvcc --version

预期输出应显示CUDA 11.4版本信息。

3.3 cuDNN验证

cuDNN是深度神经网络加速库，验证其安装状态：

# 查看cuDNN版本 dpkg -l | grep cudnn # 或者检查头文件 cat /usr/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

4. 深度学习环境搭建

4.1 Python环境管理

虽然系统自带Python3.8，但建议使用conda管理不同的Python环境：

# 下载Anaconda（ARM64版本） wget https://repo.anaconda.com/archive/Anaconda3-2023.07-2-Linux-aarch64.sh # 安装 bash Anaconda3-2023.07-2-Linux-aarch64.sh # 按照提示完成安装，建议安装在默认位置 # 初始化conda source ~/.bashrc

配置conda国内镜像加速下载：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --set show_channel_urls yes

创建专用于PyTorch的环境：

conda create -n pytorch python=3.8 conda activate pytorch

4.2 PyTorch安装

Jetson设备需要安装特定版本的PyTorch：

# 安装依赖 sudo apt-get install -y libopenblas-base libopenmpi-dev # 下载预编译的PyTorch wheel文件 wget https://nvidia.box.com/shared/static/ssf2v7pf5i245fk4i0q926hy4imzs2ph.whl -O torch-2.0.0+nv23.05-cp38-cp38-linux_aarch64.whl # 安装 pip install torch-2.0.0+nv23.05-cp38-cp38-linux_aarch64.whl

验证PyTorch是否能正确识别CUDA：

import torch print(torch.__version__) print(torch.cuda.is_available()) # 应该返回True print(torch.version.cuda) # 应该显示11.4

4.3 TensorRT验证

TensorRT是NVIDIA的推理优化器，验证其安装：

import tensorrt as trt print(trt.__version__)

5. 开发工具配置

5.1 VS Code安装

# 下载VS Code（ARM64版本） wget https://update.code.visualstudio.com/1.85.2/linux-deb-arm64/stable -O code.deb # 安装 sudo dpkg -i code.deb # 修复可能的依赖问题 sudo apt install -f

安装Python扩展：

1. 启动VS Code
2. 打开扩展市场（Ctrl+Shift+X）
3. 搜索并安装"Python"扩展

5.2 Jupyter Notebook配置

# 在conda环境中安装 conda install jupyter # 生成配置文件 jupyter notebook --generate-config # 设置密码 jupyter notebook password # 启动（可在后台运行） nohup jupyter notebook --ip=0.0.0.0 --no-browser &

6. 性能测试与优化建议

完成所有安装后，建议进行简单的性能测试：

import torch # 矩阵乘法测试 a = torch.randn(10000, 10000).cuda() b = torch.randn(10000, 10000).cuda() %timeit torch.matmul(a, b)

优化建议：

• 电源模式：Jetson设备有不同的电源模式，影响性能

  # 查看当前模式 sudo nvpmodel -q # 设置为最大性能模式（模式0） sudo nvpmodel -m 0

• 散热：长时间高负载运行时确保良好散热
• 内存管理：监控内存使用，避免OOM错误

7. 常见问题排查

CUDA不可用：

• 检查nvidia-smi是否正常运行
• 验证驱动版本与CUDA版本是否匹配
• 确认环境变量设置正确

PyTorch安装失败：

• 确保下载了正确的ARM64版本
• 检查Python版本是否为3.8
• 尝试使用--no-cache-dir选项重新安装

cuDNN错误：

• 验证cuDNN版本与CUDA版本兼容
• 检查库文件路径是否正确
• 尝试重新创建软链接

经过以上步骤，你的Jetson Orin NX应该已经准备好进行AI开发了。在实际项目中，根据具体需求可能还需要安装其他库和工具，但基础环境已经搭建完成。