Jetson nano (4GB B01) 系统安装，官方Demo测试 （目标检测、手势识别）

此文确保你可以正确搭建jetson nano环境，并跑通官方”hello AI world” demo. 核心的步骤都来自一手官方教程，如果访问不了可以使用代理或者把com域名修改为cn域名:

Getting Started With Jetson Nano Developer Kit

注意：官方”hello AI world“ demo 来自jetson-inference这个API仓库，它没有deepstream复杂，但同样基于tensorrt加速，并充分利用了jetson的硬件编解码器。deepstream的安装与使用不在这篇文档中描述。

第一步，硬件准备与安装

参考下表，检查你需要准备的硬件与设备

如果你是从京东或者淘宝购买的jetson nano，那么除了键盘鼠标显示器，厂家基本会给你配齐所有需要的硬件。

参考下图，该怼的硬件怼上去就可以，注意不要插电源，等我们烧好系统SD卡后再插电源。

继续参考下图，把跳线帽插上，注意要两个针脚都插进去，否则开不了机

最后成品参考：

第二步，使用jetpack 安装系统镜像

jetpack 可以简单理解为jetson专用镜像包，使用它安装的操作系统中除了基础的ubuntu系统之外，还包括如下针对AI开发相关的组件：L4T Kernel / BSP，CUDA Toolkit，cuDNN，TensorRT，OpenCV，VisionWorks，Multimedia API’s

ok，开始

1. 找台电脑，从 https://developer.nvidia.com/jetson-nano-sd-card-image 下载官方镜像 (如果打不开，把com改成cn再试试)

2. SD卡插入读卡器，然后插到你的电脑上

3. 从 https://www.sdcard.org/downloads/formatter_4/eula_windows/ 下载SD卡格式化工具，安装并打开，参考下图点击”Format”把SD卡格式化一次
   

4. 从 https://www.balena.io/etcher下载烧录软件，安装并打开，参考下图选择你刚才下载的镜像包，根据提示，点击Flash将镜像烧录到SD卡（中途如果出现弹窗，全部点击cancel）

5. 参考下图，把SD卡插入jetson nano中，接上DC电源，插上鼠标键盘显示器，安装系统(和常规系统安装方式一样，有一步会让你选择”APP partition size“，直接选择最大即可)
   

6. 看到如下界面就是成功了

第三步，官方 Hello AI World demo测试

注意： jetpack安装好系统后，尽量不要根据非官方步骤来跑demo，否则你的demo可能由于无法使用nano硬件而跑不出应有的性能，同时你也可能会在基础库版本问题上耗费大量的精力。

这里我们还是根据官方的入门教程，安装jetson-inference并跑官方demo。

1. 根据下面的命令，下载jetson-inference源码，编译并安装

$ sudo apt-get update
$ sudo apt-get install git cmake libpython3-dev python3-numpy
$ git clone --recursive https://github.com/dusty-nv/jetson-inference
$ cd jetson-inference
$ mkdir build
$ cd build
$ cmake ../
$ make -j$(nproc)
$ sudo make install
$ sudo ldconfig

当你执行到上面”cmake …/“ 命令的时候，会弹出如下的界面，这个是让你选择下载官方的预训练模型界面，这里我们不用选择，直接回车下载默认的模型

下载完成后，又会弹出如下界面让你选择下载pytorch版本，控制方向键到python 3.6 版本，点击空格选择好，然后点击回车开始下载

好了，等待一会儿jetson-inference以及它需要的组件就全部下载好了，继续执行剩下的命令，完成编译与安装。

jetson-inference安装好后，系统中会安装一下几个支持不同AI模型的程序，使用这些程序并选择支持的预训练模型就可以完成基本的任务，参考如下：

接下来，通过两个demo来体验一下jetson，一个目标检测，一个实时手势识别

2. 使用 detectnet 和默认模型 SSD-Mobilenet-v2 对图片进行目标检测

进入 /build/aarch64/bin 目录，参考运行下面的命令，注意第一次跑这个模型会等待几分钟来对模型进行优化，耐心等待即可

# C++
$ ./detectnet --network=ssd-mobilenet-v2 images/peds_0.jpg images/test/output.jpg     # --network flag is optional

# Python
$ ./detectnet.py --network=ssd-mobilenet-v2 images/peds_0.jpg images/test/output.jpg  # --network flag is optional

结果：

除了支持图片，程序也支持对视频或者摄像头进行实时识别，参考下面的命令

$ ./detectnet /usr/share/visionworks/sources/data/pedestrians.mp4 images/test/pedestrians_ssd.mp4  #本地视频
$ ./detectnet csi://0                    # CSI摄像头
$ ./detectnet /dev/video0                # USB摄像头
$ ./detectnet /dev/video0 output.mp4     # USB摄像头保存

同时，我们可以通过修改—network参数来指定使用不同的模型来做目标检测，参考：

3. 使用 posenet 和 默认网络 实时识别摄像头中的手势

准备一个USB摄像头，插入，参考运行如下命令进行实时手势识别：

# C++
$ ./posenet --network=resnet18-hand /dev/video0

# Python
$ ./posenet.py --network=resnet18-hand /dev/video0

效果：

4. 使用jetson硬件解码器加速视频解码

对视频进行目标检测的第一步就是解码，jetson强大的地方就是自带硬件编解码器，我们来看demo，运行下面的程序，通过指定—input-codec指定硬解码

detectnet --input-codec=CODEC /usr/share/visionworks/sources/data/cars.mp4

使用jtop命令(参考下一节安装)，可以看到硬件解码器已经启动

运行 detectnet —help 可以查看编解码器的支持情况。

最后，jetson-stats 工具安装

Nvidia官方目前没有系统性能监测工具，我们可以使用 jetson-stats 这个工具包来实时的监控系统的性能以及各项指标，它的官网链接：https://github.com/rbonghi/jetson_stats

运行下面的命令安装：

sudo -H pip3 install -U jetson-stats

如果提示没有pip3则运行如下命令

sudo apt-get install python3-pip

安装完成后reboot你的系统，就可以使用了，直接运行jtop命令

sudo jtop
# 如果无法启动，运行下面命令手动启动服务
# systemctl restart jetson_stats.service

jetson stats除了jtop工具外，还同安装jetson_config，jetson_release，jetson_swap等工具，具体的含义和使用方式参考官网。