Einleitung

Der NVIDIA Jetson Nano ist eine preiswerte Hardware für die Entwicklung im Bereich KI und Robotik. Aus diesem Grund wird im Folgenden die Konfiguration des NVIDIA Jetson Nano thematisiert. Der Fokus wird dabei auf die Installation von PyTorch gelegt.

Erforderliches Equipment

Installation von PyTorch und torchvision

Schritt 1: Image auf SD-Karte installieren

Zuerst wird ein kompatibles Image benötigt, welches auf der SD-Karte installiert wird. Hierfür wird auf das Getting Started von NVIDIA verwiesen. Im Rahmen diese Tutorials wirde das JetPack SDK in der Version 4.5 installiert. Mit dem SDK werden wichtige Bibliotheken installiert, die relevant für die weiteren Schritte sind. Weitere Informationen zu dem SDK und allen installierten Toolkits sind in der Dokumentation (für JetPack 4.5) zu finden.

Achtung: Es gibt Unterschiede bei der Installation, wenn das Jetson Nano 2GB Developer Kit verwendet wird.

Schritt 2: Installation von torch

Die Installationsschritte von torch v1.7.0 unter Python 3.6 sind im Folgenden dargestellt. Für weitere Informationen wird auf die Dokumentation verwiesen.

wget https://nvidia.box.com/shared/static/cs3xn3td6sfgtene6jdvsxlr366m2dhq.whl -O torch-1.7.0-cp36-cp36m-linux_aarch64.whl
sudo apt-get install python3-pip libopenblas-base libopenmpi-dev 
pip3 install Cython
pip3 install numpy torch-1.7.0-cp36-cp36m-linux_aarch64.whl

Schritt 3: Installation von torchvision

Neben torch wird auch torchvision benötigt. Die Version von torchvision muss abhängig von der Version von torch gewählt werden. Für torch v1.7.0 wird torchvision v0.8.1 vorausgesetzt. Die Installation kann wie folgt vorgenommen werden. Detailiertere Informationen sind in der Dokumentation zu finden.

sudo apt-get install libjpeg-dev zlib1g-dev libpython3-dev libavcodec-dev libavformat-dev libswscale-dev
git clone --branch v0.8.1 https://github.com/pytorch/vision torchvision   
cd torchvision
export BUILD_VERSION=0.8.1  
python3 setup.py install --user
cd ../  # attempting to load torchvision from build dir will result in import error

Schritt 4: Testen der Installation

Nachdem alle Pakete installiert wurden, kann die Einbindung in Python überprüft werden.

import torch

# Informationen über das verwendete System 
print(torch.__version__)
print('CUDA available: ' + str(torch.cuda.is_available()))
print('cuDNN version: ' + str(torch.backends.cudnn.version()))

# erste Rechenoperationen 
a = torch.cuda.FloatTensor(2).zero_()
print('Tensor a = ' + str(a))
b = torch.randn(2).cuda()
print('Tensor b = ' + str(b))
c = a + b
print('Tensor c = ' + str(c))

Entsprechend kann auch die Installation von torchvision überprüft werden, indem die verwendete Version ausgegeben wird.

import torchvision
print(torchvision.__version__)

Quellen: