/
Jetson Orin开发套件03-安装开发环境
上一篇文章已经为Jetson Orin开发套件配置好Ubuntu 20.04 L4T（Linux for Tegra）桌面级操作系统，但是如下列所需要的开发资源并未安装：
- CUDA工具包（Toolkits）；
- cuDNN神经网络加速库：
- TensorRT推理加速引擎；
- OpenCV计算机视觉库；
- VPI视觉开发界面；
- DeepStream智能分析工具；
过去的AGX Xavier开发套件是需要透过headless（USB线）方式与PC进行连线，然后在PC上执行SDK Manager为Jetson设备安装开发环境，执行步骤相对繁琐。如今NVIDIA为Jetson Orin开发套件提供直接安装方式，如下图“Step2. JetPack components installation via Debian packages”方式，直接在Jetson Orin开发套件上执行安装步骤就可以，使得整个安装过程变得十分简单。
请按照以下步骤为您的Jetson Orin开发套件安装开发环境：
- 检查内核版本：
首先检查预安装系统的内核版本，请执行以下指令：
|
$ |
cat /etc/nv_tegra_release |
出现类似如下的信息：
|
|
# R34 (release), REVISION: 0.4, GCID: 30414990, BOARD: t186ref, EABI: aarch64, DATE: Tue May 17 04:20:55 UTC 2022 |
粗体部分显示目前内核版本为R34.0.4，不过JetPack 5.0.1 DP（Developer Preview）版本的内核为R34.1.x，因此需要执行以下步骤调整源的版本：
|
$
$ |
sudo bash -c 'echo "deb https://repo.download.nvidia.com/jetson/common r34.1 main" >> /etc/apt/sources.list.d/nvidia-l4t-apt-source.list' sudo bash -c 'echo "deb https://repo.download.nvidia.com/jetson/t234 r34.1 main" >> /etc/apt/sources.list.d/nvidia-l4t-apt-source.list' |
接下来就可以开始用系统提供的Debian安装包来安装开发环境。
- 安装JetPack开发环境：
在Jetson Orin开发套件预安装系统里内置JetPack的安装包，我们不需要去探索这些安装包放在什么地方，只要执行以下步骤就可以：
|
$ $ $ |
sudo apt update sudo apt dist-upgrade sudo reboot |
在这里必须执行一次重启的动作，否则会出现一些不稳定的现象。重启之后只要执行以下指令即可：
|
$ |
sudo apt install nvidia-jetpack |
如果网络顺畅的话，大约1个小时时间就能全部安装完毕（不包含DeepStream），如果安装过程出现中断的话，就得重复上述指令，直到完成为止，如果持续失败，那就建议将Jetson Orin的APT源更换成国内源。
- 检查开发环境：这里主要检查以下项目
- CUDA：执行以下指令
|
$ |
nvcc -V |
如果出现以下信息则表示正确。
|
|
nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2021 NVIDIA Corporation Built on Thu_Nov_11_23:44:05_PST_2021 Cuda compilation tools, release 11.4, V11.4.166 Build cuda_11.4.r11.4/compiler.30645359_0 |
- cuDNN：执行以下指令
|
$ |
dpkg -l libcudnn8 |
如果出现以下信息则表示正确。
|
|
Desired=Unknown/Install/Remove/Purge/Hold | Status=Not/Inst/Conf-files/Unpacked/halF-conf/Half-inst/trig-aWait/Trig-pend |/ Err?=(none)/Reinst-required (Status,Err: uppercase=bad) ||/ Name Version Architecture Description +++-==============-===================-============-====================== ii libcudnn8 8.3.2.49-1+cuda11.4 arm64 cuDNN runtime libraries |
- TensorRT：
|
$ |
dpkg -l tensorrt |
如果出现以下信息则表示正确。
|
|
Desired=Unknown/Install/Remove/Purge/Hold | Status=Not/Inst/Conf-files/Unpacked/halF-conf/Half-inst/trig-aWait/Trig-pend |/ Err?=(none)/Reinst-required (Status,Err: uppercase=bad) ||/ Name Version Architecture Description +++-==============-===================-============-===================== ii tensorrt 8.4.0.11-1+cuda11.4 arm64 Meta package of TensorRT |
- OpenCV：
|
$ |
dpkg -l libopencv |
如果出现以下信息则表示正确。
|
|
Desired=Unknown/Install/Remove/Purge/Hold | Status=Not/Inst/Conf-files/Unpacked/halF-conf/Half-inst/trig-aWait/Trig-pend |/ Err?=(none)/Reinst-required (Status,Err: uppercase=bad) ||/ Name Version Architecture Description +++-==============-===================-============-======================= ii libopencv 4.5.4-8-g3e4c170df4 arm64 Open Computer Vision Library |
- 安装jtop系统监控工具
这是Jetson系列非常著名的监控工具，请执行以下指令进行安装：
|
$ $ $ |
sudo apt install python3-pip sudo -H pip3 install -U pip sudo -H pip install jetson-stats==4.0.0rc1 |
然后执行下面启动指令就能开启这个监控工具：
|
$ |
jtop |
如果启动出现错误的话，请重启一下Jetson Orin让这个服务完整启动。启动工具之后可以看到下面的工作画面：
操作细节非常直观，照着底部的功能编号去执行就可以。
来源：业界供稿
0赞好文章，需要你的鼓励
推荐文章
ORV：4D占用中心机器人视频生成——北京人工智能研究院打造精准可控的机器人世界
这项研究提出了ORV（占用中心机器人视频生成）框架，利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比，ORV能提供更精确的语义和几何指导，实现更高的时间一致性和控制精度。该框架还支持多视角视频生成（ORV-MV）和模拟到真实的转换（ORV-S2R），有效弥合了虚拟与现实之间的差距。实验结果表明，ORV在多个数据集上的表现始终优于现有方法，为机器人学习和模拟提供了强大工具。
自我反思助力AI成长：Writer团队提出强化学习优化模型自我纠错能力的突破性研究
这项研究由Writer公司团队开发的"反思、重试、奖励"机制，通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时，它会生成反思并二次尝试，若成功则奖励反思过程。实验表明，该方法在函数调用和数学方程解题上带来显著提升，最高分别改善18.1%和34.7%。令人惊讶的是，经训练的小模型甚至超越了同家族10倍大的模型，且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP：通过早期融合离散标记实现多模态嵌入的突破性研究
FuseLIP是一项突破性研究，提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同，FuseLIP采用单一编码器同时处理图像和文本标记，实现了更自然的模态交互。研究证明，这种早期融合方法在多种多模态任务上表现优异，特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务，为多模态嵌入研究提供了宝贵资源。
解锁多语言多条件查询的新纪元：ByteDance多语言语义检索系统MERIT
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集，包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素，为此提出CORAL框架，通过嵌入重建和对比学习相结合的方式，使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性，还为多条件交错语义检索领域的未来研究奠定了基础。
2022
07/13
15:35
分享
点赞
2025思爱普中国峰会：商业AI持续释放数据价值，驱动企业韧性增长
Snap 推出 Lens Studio iOS 与网页版应用，用 AI 和简单工具创建 AR Lens
国家网络安全中心阐述如何构建网络安全文化
Epic Games 揭示 2025 年 Unreal 现状
AI测试趋势洞察、行业实践探索与未来展望
Snapchat 全球推出 Apple Watch 应用
中国光网络研讨会“卫星光通信与智能组网技术”首届专项研讨会召开
亚马逊神秘研发实验室开发集成agentic AI软件的机器人
数据中心的绿色存储
别再猜测为什么你的大语言模型出错： Anthropic 的新工具能准确显示问题所在
Samsung 联手 Glance 利用你的面容实现 AI 生成锁屏广告
未来预测：逐年推进 AI 迈向 2040 年实现 AGI 的路径
京公网安备 11010802021500号 京网文(2025) 0096-033号 京字第20868号
