jetson nano b01 Deepstream

### Jetson Nano B01 DeepStream 安装配置 使用指南 #### 一、概述 Jetson Nano 是一款功能强大的嵌入式开发板，适用于边缘计算场景中的计算机视觉和人工智能应用。DeepStream 是 NVIDIA 提供的一个流分析工具包，用于构建高性能视频理解管道。本文档将详细介绍如何在 Jetson Nano B01 上安装和配置 DeepStream。 --- #### 二、硬件与软件需求 ##### 所需硬件 - **Jetson Nano Developer Kit (B01)**：确保设备型号为 B01 版本[^3]。 - USB 摄像头或其他输入源（可选）。 ##### 软件环境 - **操作系统**：推荐使用 JetPack 工具刷写 L4T 系统镜像至 Jetson Nano。当前支持的最高版本为 JetPack 4.5.1[^2]。 - **DeepStream SDK**：兼容 JetPack 的 DeepStream 版本应不超过 6.0.1[^2]。 - Python 和其他依赖库可根据具体项目需求额外安装。 --- #### 三、安装步骤 ##### 1. 刷录 JetPack 镜像 通过 NVIDIA 提供的 SDK Manager，在 Ubuntu 18.04 主机上完成 Jetson Nano 的系统刷录工作。选择适合的目标平台以及所需的驱动程序集合[^1]。 ##### 2. 安装 DeepStream 下载并解压对应版本的 DeepStream SDK Bundle 文件。执行以下命令以初始化环境变量： ```bash export DEEPSTREAM_SDK_ROOT=<path_to_sdk> source $DEEPSTREAM_SDK_ROOT/samples/config/deepstream_paths.sh ``` 验证安装是否成功可以通过运行预定义样例脚本来实现： ```bash cd $DEEPSTREAM_SDK_ROOT/sources/apps/sample_apps/deepstream-app/ ./deepstream-app -c deepstream_app_config_yoloV5.txt ``` 此过程会加载指定配置文件启动演示应用程序[^4]。 ##### 3. PyTorch 及 TorchVision 设置 为了后续能够顺利迁移 YOLOv5 或其他神经网络模型到 TensorRT 中去，有必要预先准备好基础框架支撑结构。依据官方指导手册逐步引入必要的 pip 包管理器资源列表[^1]: ```bash pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu102 ``` ##### 4. 将 PyTorch 模型转成 WTS 格式 利用 `export.py` 脚本导出训练完毕后的权重参数集成为 `.wts` 类型数据形式以便进一步加工处理[^1]: ```python import argparse from models.experimental import attempt_load from utils.torch_utils import select_device, time_synchronized def main(): parser = argparse.ArgumentParser() parser.add_argument('--weights', required=True, help='Path to weights file') args = parser.parse_args() device = select_device('cpu') # Force CPU usage during conversion model = attempt_load(args.weights, map_location=device) with open(f"{args.weights.split('.')[0]}.wts", 'w') as f: f.write("{}\n".format(len(model.state_dict().keys()))) for k, v in model.state_dict().items(): vr = v.reshape(-1).cpu().numpy() f.write("{} {} ".format(k, len(vr))) for vv in vr: f.write(" ") f.write(struct.pack(">f", float(vv)).hex()) f.write("\n") if __name__ == '__main__': main() ``` ##### 5. 构建 TensorRT 引擎 借助专门设计好的解析工具把前述生成出来的中间产物再转化成最终可供 GPU 加速调用的形式即 TRT Engine[^1]: ```bash trtexec --onnx=model.onnx --saveEngine=model.engine ``` ##### 6. 自定义插件编译 针对某些特殊算法可能还需要单独编写扩展模块并与现有体系集成起来共同运作。参照给出的例子调整路径指向实际存在的 C++ 实现部分重新制作共享对象动态链接库[^1]: ```makefile NVDSINFER_PLUGIN_PATH ?= /usr/lib/aarch64-linux-gnu/trt_infer_plugins/libnvdsinfer_custom_impl_Yolo.so $(info Building plugin library...) mkdir -p build && cd build \ && cmake .. \ && make clean all sudo cp lib*.so $(NVDSINFER_PLUGIN_PATH) ``` ##### 7. 测试整体效果 最后确认一切设置无误之后便可尝试播放一段本地存储或者实时捕获的画面片段加以检验成果质量高低程度差异之处所在了[^4]. --- #### 四、总结 以上便是关于怎样正确地于 Jetson Nano 平台上布置好完整的 DeepStream 开发套件及其关联组件的一系列操作指引说明文档内容摘要介绍结束语句结尾处标注出处编号[^1][^2][^3][^4]。 ---