Jetson-AGX-Orin 系统多种方式克隆还原

<think>我们正在Jetson AGX Orin设备上安装YOLOv9模型。由于YOLOv9是一个较新的模型，官方可能尚未提供针对Jetson平台的详细指南。但我们可以根据YOLOv5、YOLOv7和YOLOv8在Jetson上的安装经验来尝试。 步骤概述： 1. 系统准备：确保系统为最新，并安装必要的依赖。 2. 安装Anaconda（可选，但推荐使用虚拟环境）。 3. 安装PyTorch for Jetson（注意：必须使用ARM架构的版本，不能使用x86版本）。 4. 安装其他依赖（如OpenCV, numpy等）。 5. 下载YOLOv9源码和预训练权重。 6. 安装YOLOv9的特定依赖。 7. 测试YOLOv9。 详细步骤： 1. 系统准备 - 更新系统： ```bash sudo apt update sudo apt upgrade -y ``` - 安装必要依赖： ```bash sudo apt install -y build-essential cmake unzip pkg-config libjpeg-dev libpng-dev libtiff-dev libavcodec-dev libavformat-dev libswscale-dev libv4l-dev libxvidcore-dev libx264-dev libgtk-3-dev libcanberra-gtk* libatlas-base-dev gfortran python3-dev python3-pip ``` 2. 安装Anaconda（可选） - 由于Jetson AGX Orin是ARM架构，不能安装常规的x86 Anaconda。我们可以安装Miniforge（专为ARM设计）： ```bash wget https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Linux-aarch64.sh bash Miniforge3-Linux-aarch64.sh ``` - 安装完成后，创建并激活虚拟环境（例如命名为yolov9）： ```bash conda create -n yolov9 python=3.8 conda activate yolov9 ``` 3. 安装PyTorch for Jetson - 根据JetPack版本选择对应的PyTorch。首先查看JetPack版本： ```bash dpkg -l | grep nvidia-jetpack ``` - 假设JetPack版本为5.1.2，则可以从NVIDIA官网下载对应的PyTorch。通常，我们可以从NVIDIA的论坛或PyTorch for Jetson的仓库获取安装命令。 - 例如，对于JetPack 5.1.2（对应L4T 35.3.1），可以安装以下预编译的PyTorch（版本1.13.0）： ```bash wget https://nvidia.box.com/shared/static/ssf2v7pf5i18908xgeva0ki5vxod55cw.whl -O torch-1.13.0-cp38-cp38-linux_aarch64.whl pip install torch-1.13.0-cp38-cp38-linux_aarch64.whl ``` - 安装torchvision，同样需要对应版本。例如，对于PyTorch 1.13.0，torchvision 0.14.0： ```bash sudo apt-get install libjpeg-dev zlib1g-dev libpython3-dev libavcodec-dev libavformat-dev libswscale-dev git clone --branch v0.14.0 https://github.com/pytorch/vision torchvision cd torchvision export BUILD_VERSION=0.14.0 python3 setup.py install --user cd .. ``` 4. 安装其他依赖 - 安装基本库： ```bash pip install numpy pandas matplotlib tqdm opencv-python ``` 5. 下载YOLOv9源码和权重 - 克隆YOLOv9的官方仓库（注意：目前YOLOv9的官方仓库是https://github.com/WongKinYiu/yolov9）： ```bash git clone https://github.com/WongKinYiu/yolov9.git cd yolov9 ``` - 下载预训练权重（例如yolov9-c.pt）： ```bash wget https://github.com/WongKinYiu/yolov9/releases/download/v0.1/yolov9-c.pt -P weights/ ``` 6. 安装YOLOv9的特定依赖 - 安装requirements.txt中的依赖（注意：可能需要修改requirements.txt，避免重新安装PyTorch）： ```bash # 首先，注释掉requirements.txt中torch和torchvision的行（因为我们已经安装了特定版本） sed -i 's/^torch/# &/' requirements.txt sed -i 's/^torchvision/# &/' requirements.txt # 然后安装 pip install -r requirements.txt ``` - 另外，YOLOv9可能需要其他依赖，如thop（用于计算FLOPs）等，requirements.txt中应该已包含。 7. 测试YOLOv9 - 使用detect.py进行测试： ```bash python detect.py --weights weights/yolov9-c.pt --source data/images/bus.jpg ``` - 如果运行成功，将在runs/detect/exp目录下看到检测结果。 注意事项： - 如果遇到字符集错误（如之前YOLOv7中出现的'charset_normalizer'错误），可以尝试： ```bash pip install --upgrade charset-normalizer ``` - 如果内存不足，可以尝试减小batch size或图像尺寸（通过--img参数）。 - 对于TensorRT加速，可以参考YOLOv5或YOLOv8的TensorRT部署方法，但需要等待官方或社区提供YOLOv9的TensorRT实现。 由于YOLOv9刚发布，可能遇到各种问题，请及时关注官方仓库的更新和issue。 引用说明： 本文参考了YOLOv5、YOLOv7和YOLOv8在Jetson AGX Orin上的部署经验[^1][^2][^3][^4]。 §§相关问题§§ 1. YOLOv9在Jetson AGX Orin上的推理速度如何？ 2. 如何将YOLOv9模型转换为TensorRT引擎以提高推理速度？ 3. 如何在Jetson AGX Orin上训练YOLOv9模型？</think>### Jetson AGX Orin 安装 YOLOv9 指南 根据 Jetson AGX Orin 部署 YOLO 系列模型的通用流程[^1][^2][^3][^4]，以下是安装 YOLOv9 的详细步骤： #### 1. 系统准备 ```bash sudo apt update sudo apt upgrade -y sudo apt install -y build-essential cmake libopenblas-dev liblapack-dev libjpeg-dev zlib1g-dev ``` #### 2. 创建 Python 虚拟环境 ```bash conda create -n yolov9 python=3.8 conda activate yolov9 ``` #### 3. 安装 PyTorch for Jetson *根据 JetPack 版本选择 PyTorch (JetPack 5.1.2 示例)*： ```bash # 查看 JetPack 版本 dpkg -l | grep nvidia-jetpack # 输出示例: 5.1.2-b197[^4] # 安装对应 PyTorch (ARM64 版本) wget https://nvidia.box.com/shared/static/ssf2v7pf5i18908xgeva0ki5vxod55cw.whl -O torch-1.13.0-cp38-cp38-linux_aarch64.whl pip install torch-1.13.0-cp38-cp38-linux_aarch64.whl ``` #### 4. 安装 YOLOv9 依赖 ```bash git clone https://github.com/WongKinYiu/yolov9.git cd yolov9 # 修改 requirements.txt (避免覆盖 PyTorch) sed -i 's/^torch/#torch/' requirements.txt sed -i 's/^torchvision/#torchvision/' requirements.txt pip install -r requirements.txt ``` #### 5. 安装补充依赖 ```bash pip install seaborn thop pycocotools sudo apt install -y libjpeg-dev libopenmpi-dev # 解决常见依赖问题[^2] ``` #### 6. 下载预训练权重 ```bash wget https://github.com/WongKinYiu/yolov9/releases/download/v0.1/yolov9-c.pt -P weights/ ``` #### 7. 验证安装 ```bash python detect.py --weights weights/yolov9-c.pt --source data/images/bus.jpg ``` *成功标志*：生成 `runs/detect/exp/` 结果图像 #### 常见问题解决 1. **字符集错误**： ```bash pip install --upgrade charset-normalizer # [^2] ``` 2. **CUDA 内存不足**： 在 `detect.py` 中添加： ```python import torch torch.cuda.empty_cache() ``` 3. **模型加载失败**： ```bash pip install --upgrade protobuf ``` #### 性能优化建议 1. **TensorRT 加速**：参考 YOLOv5 的 TensorRT 部署流程[^3] ```bash git clone https://github.com/wang-xinyu/tensorrtx ``` 2. **量化推理**：使用 FP16 模式 ```python model = torch.load('yolov9-c.pt', map_location=torch.device('cuda:0')).half() ``` > 注：YOLOv9 作为较新模型，需关注 GitHub 仓库的更新。若遇问题，可参考 YOLOv7 的部署经验[^2]和 Jetson 环境配置指南[^1][^4]。