1. 环境准备与基础配置
在Jetson AGX Orin上部署YOLOv8之前,我们需要先搞定基础环境。这块儿我踩过不少坑,特别是PyTorch和Torchvision的版本匹配问题,稍有不慎就会导致CUDA不可用或者各种奇怪的报错。
1.1 JetPack版本确认
首先确认你的JetPack版本,这决定了后续要安装的PyTorch版本。在终端输入:
dpkg -l | grep nvidia-jetpack
或者
sudo apt show nvidia-jetpack
我的设备是JetPack 5.1.2,这个版本比较稳定,社区支持也比较好。如果你用的是更新的JetPack 6.x版本,需要注意PyTorch的兼容性问题,目前官方支持还在完善中。
1.2 系统依赖安装
接下来更新系统并安装必要的依赖库:
sudo apt-get -y update
sudo apt-get -y install autoconf bc build-essential g++-8 gcc-8 clang-8 lld-8 gettext-base gfortran-8 iputils-ping libbz2-dev libc++-dev libcgal-dev libffi-dev libfreetype6-dev libhdf5-dev libjpeg-dev liblzma-dev libncurses5-dev libncursesw5-dev libpng-dev libreadline-dev libssl-dev libsqlite3-dev libxml2-dev libxslt-dev locales moreutils openssl python-openssl rsync scons python3-pip libopenblas-dev
这一步可能会花费一些时间,建议保持网络稳定。安装过程中如果遇到提示,直接选择默认选项即可。
2. PyTorch与Torchvision安装
这是最关键的一步,版本匹配不对的话后面的一切都无法进行。
2.1 PyTorch安装
根据你的JetPack版本选择合适的PyTorch wheel文件。对于JetPack 5.1.2,我推荐使用torch 2.1.0版本:
wget https://nvidia.box.com/shared/static/xxx/torch-2.1.0a0+41361538.nv23.06-cp38-cp38-linux_aarch64.whl
pip install torch-2.1.0a0+41361538.nv23.06-cp38-cp38-linux_aarch64.whl
安装完成后验证CUDA是否可用:
import torch
print(torch.__version__)
print('CUDA available:', torch.cuda.is_available())
如果输出显示CUDA可用,说明PyTorch安装成功。有时候会遇到环境变量警告,可以通过以下命令解决:
echo 'export PATH=$PATH:/home/nvidia/.local/bin' >> ~/.bashrc
source ~/.bashrc
2.2 Torchvision安装
Torchvision版本必须与PyTorch严格匹配。对于torch 2.1.0,需要安装torchvision 0.16.2:
wget https://github.com/ultralytics/ass
201




被折叠的 条评论
为什么被折叠?



