jetson-nano环境配置

目录

• 基本环境配置
  • 检查nvcc
  • 安装torch和vision（可忽略）
• jetson nao其他配置
  • 更新镜像源
    • apt
    • pip
    • docker
  • 安装pytorch和torchvison
  • miniforge包管理(选)
    • miniforge简介
    • 安装miniforge
    • 安装pytorch、torchvision
    • 安装新的虚拟环境
    • pytorch1.8
    • orchvision v0.9.0
  • 查看jetson信息 （jtop）
  • 风扇自动控制
  • 增加Swap分区大小
  • nomachine（虚拟网络控制台）
  • VNC（虚拟网络控制台）
  • TensoRT
    • TensoRT介绍
    • 检查自带TensorRT环境（选）
    • jetson inference库安装（选）
  • 安装jupyter和jetcam
  • darknet框架（选）
• Nvidia Jetson Nano 安装 GStreamer
  • 配置GStreamer管道

基本环境配置

检查nvcc

jetson nano是原装了CUDA的，但是需要用户导入环境变量（导入相关的路径）才可以使用，只有环境变量导入成功后，方可在命令行使用 nvcc -V

sudo vim .bashrc

在最后添加这三行

#选择一个即可

export CUDA_HOME=$CUDA_HOME:/usr/local/cuda
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
export PATH=/usr/local/cuda/bin:$PATH


export PATH=/usr/local/cuda-10.2/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64\                         
${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

保存后退出，执行 source ~/.bashrc，使得环境变量生效。

在命令行输入 nvcc -V 如果正常输出，说明CUDA路径配置成功

安装torch和vision（可忽略）

• 官网

参考资料

安装好后测试如图：

安装pytorch，首先CUDA的步骤得过一下可以看到nvcc -V

安装pytorch跟CUDA的版本要对应

网上找了个1.6.0的安装包通过winscp上传到jetson后离线安装下，该离线包可以到资料5、常用库和模型中获取

sudo pip3 install torch-1.6.0a0+b31f58d-cp36-cp36m-linux_aarch64.whl

sudo pip3 install torchvision

sudo pip install boto3

终端输入python3进入到python3的运行环境中测试下，import torch，我遇到的报错是ImportError:libopenblas.so.0:无法打开共享对象文件或目录，看了下这个教程:https://www.cnpython.com/qa/77454

尝试安装了OpenBlas系统库问题解决了

sudo apt-get install libopenblas-dev

到python环境中

import torch

print(torch.version)

查看安装的版本

接下来继续在python3环境中测试下pytorch的功能

from future import print_function

import torch

x = torch.rand(5, 3)

print(x)

输出

tensor([[0.3380, 0.3845, 0.3217],

​ [0.8337, 0.9050, 0.2650],

​ [0.2979, 0.7141, 0.9069],

​ [0.1449, 0.1132, 0.1375],

​ [0.4675, 0.3947, 0.1426]])

另外，要检查你的GPU驱动程序和CUDA是否启用，并通过PyTorch访问，运行以下命令返回是否启用CUDA驱动程序

import torch

torch.cuda.is_available()

测试完毕后接下来再安装torchvision,根官网介绍,pytorch1.6吻合的torch版本为0.7.0

sudo apt-get install libjpeg-dev zlib1g-dev

git clone --branch v0.7.0 https://github.com/pytorch/vision torchvision

cd torchvision

export BUILD_VERSION=0.7.0

sudo python3 setup.py install

注意:安装可能会确实一些文件，这个可以安装相应的文件来解决，例如笔者遇到的是确实一下三个文件所以按了一下三个包

sudo apt install libavcodec-dev

sudo apt install libavformat-dev

sudo apt install libswscale-dev

重新sudo python3 setup.py install

到python环境中输入下代码可以查看版本是否对应

import torchvision

print(torchvision.version)

jetson nao其他配置

更新镜像源

apt

sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak

sudo vim /etc/apt/sources.list.bak

ggVG  全选
dG  删除

• 源：

deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic main multiverse restricted universe
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-security main multiverse restricted universe
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-updates main multiverse restricted universe
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-backports main multiverse restricted universe
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic main multiverse restricted universe
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-security main multiverse restricted universe
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-updates main multiverse restricted universe
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ bionic-backports main multiverse restricted universe

sudo apt-get update   //更新

pip

sudo apt-get install python3-pip python3-dev

sudo apt-get install python-pip python-dev

• pip换源

sudo mkdir .pip  #创建隐藏文件夹
ls -a        #查看所有文件
cd .pip      #进入文件夹
sudo touch pip.conf
sudo vim pip.conf

• 源:

[global]
timeout = 6000  
index-url = http://pypi.doubanio.com/simple/  
trusted-host = pypi.doubanio.com

docker

cat /etc/issue  #查看ubantu版本

查看Ubuntu系统版本号

根据Ubuntu的版本号，配置相关的源镜像。跳转到源文件所在的目录

cd  /etc/apt/

可以试用文件编辑工具打开sources.list文件

sudo gedit /etc/apt/sources.list

直接用以下内容替换 sources.list文件中的所有内容即可。

deb https://mirrors.ustc.edu.cn/ubuntu-ports/ bionic main restricted universe multiverse
deb https://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-updates main restricted universe multiverse
deb https://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-backports main restricted universe multiverse
deb https://mirrors.ustc.edu.cn/ubuntu-ports/ bionic-security main restricted universe multiverse

更新了源文件之后，保存退出

sudo apt-get update

安装pytorch和torchvison

• 官网教程

• 版本要对应

• 下载官方提供的torch-1.8.0-cp36-cp36m-linux_aarch64.whl包

• 按照官方教程输入以下命令

sudo apt-get install python3-pip libopenblas-base libopenmpi-dev
pip3 install Cython
pip3 install numpy torch-1.8.0-cp36-cp36m-linux_aarch64.whl # (按照自己torch1.8.0包的下载路径修改，此过程较慢）
sudo apt-get install libjpeg-dev zlib1g-dev libpython3-dev libavcodec-dev libavformat-dev libswscale-dev
git clone --branch v0.9.0 https://github.com/pytorch/vision torchvision
cd torchvision
export BUILD_VERSION=0.9.0
python3 setup.py install --user #时间较长

• 检查环境

python3
import torch
import torchvision
print(torch.__version__)
print(torchvision.__version__)
torch.cuda.is_available()

miniforge包管理(选)

‼️此内容为可非必要配置，因为jetson是arm版本无法直接安装anaconda环境，如果需要在jetson上安装anaconda可以接着往下看，若不需要，请跳过

miniforge简介

conda是一个开源的包、环境管理器，可以用于在同一个机器上安装不同版本的软件包及其依赖，并能够在不同的环境之间切换。搞深度学习的应该都十分熟悉anaconda，但是NVIDIA Jetson Xavier NX是arm架构的，anaconda及其精简版miniconda并不支持arm64架构。现在主流的CPU架构分为Intel的x86/x64架构和ARM的ARM/ARM64两种，平常用的电脑大部分都是x86/x64的（苹果除外），Xavier使用的是ARM64，所以很多在x86/x64上能用的的东西到了它这里就不能用了。这一点请谨记，如果你在Jetson上遇到什么奇奇怪怪的例如“No such file or directory”之类的问题，第一时间要考虑是不是版本不是ARM64的版本。
在ARM64上的anaconda替代品是miniforge，miniforge与miniconda的区别在于miniforge的下载通道是conda-forge，其他基本没什么不同。

安装miniforge

1. 我下载的是 Miniforge-pypy3-4.11.0-0-Linux-aarch64.sh,,代表适用于arrch64架构下的Linux系统。（ARM64对应32位和64位分为arrch32和arrch64）

2. 进入到miniforge的sh文件所在目录，右键打开Terminal，输入以下命令进行安装：

sh Miniforge-pypy3-4.10.3-3-Linux-aarch64.sh

3. 安装完毕后，添加环境变量，否则会出现bash:conda Command not found的错误。顺便提一下vim编辑器按a是进入编辑模式，编辑完毕后按ESC退出编辑模式，再输入:wq!是保存并退出。

# 编辑环境变量
vim ~/.bashrc
# 增加环境变量, 将<username>换成你的用户名
export PATH=/home/<username>/miniforge-pypy3/bin:$PATH
# 激活环境变量
source ~/.bashrc
# 显示(base)
source activate

4. 更换清华源

conda config --prepend channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --prepend channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes

安装pytorch、torchvision

安装新的虚拟环境

• 这是在minigorge上安装的pytorch，若不想在虚拟环境上安装。可以参考PyTorch for Jetson - version 1.10 now available - Jetson & Embedded Systems / Jetson Nano - NVIDIA Developer Forums

conda create -n pytorch python=3.6 #创建环境
conda activate pytorch       #激活环境

• 其他操作（看即可）

conda deactivate          #退出环境
conda remove -n pytorch --all

conda info -e            #查看已有环境

激活成功会换名字

pytorch1.8

直接输入命令安装PyTorch，pip3是python3的pip，如果没装，就换成pip。

pip3 install -U future psutil dataclasses typing-extensions pyyaml tqdm seaborn
wget https://nvidia.box.com/shared/static/p57jwntv436lfrd78inwl7iml6p13fzh.whl -O torch-1.8.0-cp36-cp36m-linux_aarch64.whl 
pip3 install torch-1.8.0-cp36-cp36m-linux_aarch64.whl

如果网络不好的话，也可以先把PyTorch的whl文件下载下来，NVIDIA官方网址是：https://forums.developer.nvidia.com/t/pytorch-for-jetson-version-1-9-0-now-available/72048

• issue:

如果出现Illegal instruction (core dumped)的错误，这是由于numpy 1.19.5和OpenBLAS冲突引起的，修改其中一项即可。选择以下两种做法之一：
（1）降低numpy版本

pip3 install -U "numpy==1.19.4"

(2)设置OpenBLAS

vim ~/.bashrc

加入

export OPENBLAS_CORETYPE=ARMV8

然后激活.bashrc

source ~/.bashrc

orchvision v0.9.0

查看jetson信息 （jtop）

sudo pip3 install jetson-stats
sudo jtop

风扇自动控制

git clone https://gitee.com/yin-qiyu/jetson-fan-ctl.git

cd /jetson-fan-ctl #进入文件夹

sudo apt install python3-dev

sudo ./install.sh

现在你的风扇就可以按照温度自动调整运行速度了
风扇的一些设置在/etc/automagic-fan/config.json目录下。

vim /etc/automagic-fan/config.json

{undefined
“FAN_OFF_TEMP”:20,
“FAN_MAX_TEMP”:50,
“UPDATE_INTERVAL”:2,
“MAX_PERF”:1
}
~
~

增加Swap分区大小

• 先查看初试交换分区大小：

• 生成swapfile文件操作如下

#1）新增swapfile文件大小自定义
sudo fallocate -l 6G /var/swapfile
#2）配置该文件的权限
sudo chmod 600 /var/swapfile
#3）建立交换分区
sudo mkswap /var/swapfile
#4）启用交换分区
sudo swapon /var/swapfile

• 设置为自动启用swapfile

sudo bash -c 'echo "/var/swapfile swap swap defaults 0 0" >> /etc/fstab'

设置成功后：

nomachine（虚拟网络控制台）

官网：NoMachine - Free Remote Desktop For Everybody

• 主机上正常安装

• jetson上

  • 下载好对应版本用SFTP传到jetson

  • sudo dpkg -i nomachine_7.6.2_3_arm64.deb
    

• 在同一局域网下即可连接

VNC（虚拟网络控制台）

• 编辑文件

sudo vim /usr/share/glib-2.0/schemas/org.gnome.Vino.gschema.xml

• 滑到文末添加下段内容格式如图片所示

<key name="enabled" type="b">
   <summary>Enable remote access to the desktop</summary>
   <description>
    If true, allows remote access to the desktop via the RFB
    protocol. Users on remote machines may then connect to the
    desktop using a VNC viewer.
   </description>
   <default>false</default>
  </key>

• 编译文件

sudo glib-compile-schemas /usr/share/glib-2.0/schemas

完成以上步骤，正常来说就可以打开桌面共享的图标了。

设置好后（不设置也可以）

• 配置vnc设置

gsettings set org.gnome.Vino prompt-enabled false
gsettings set org.gnome.Vino require-encryption false

• 设置密码（可以不要）

gsettings set org.gnome.Vino authentication-methods "["vnc"]"
gsettings set org.gnome.Vino vnc-password $(echo -n "请输入你的密码"|base64)

• 配置vnc自启

gsettings set org.gnome.Vino enabled true
mkdir -p ~/.config/autostart
vi  ~/.config/autostart/vino-server.desktop

添加下面内容

[Desktop Entry]

Type=Application

Name=Vino VNC server

Exec=/usr/lib/vino/vino-server

NoDisplay=true

• 重启生效

sudo reboot

• 电脑端可下载Download VNC Viewer | VNC® Connect (realvnc.com)

• 

• 配置jetson nano的ip和密码即可连接

  • • 遇到下图提示输入电脑账户魔密码即可（是你主机的密码，不是jetson的）
  

TensoRT

TensoRT介绍

模型加速越来越成为深度学习工程中的刚需了，最近的CVPR和ICLR会议中，模型的压缩和剪枝是受到的关注越来越多。毕竟工程上，算法工程师的深度学习模型是要在嵌入式平台跑起来，投入应用的。在模型的推理（inference）过程中，计算速度是很重要的。比如自动驾驶，如果使用一个经典的深度学习模型，很容易就跑到200毫秒的延时，那么这意味着，在实际驾驶过程中，你的车一秒钟只能看到5张图像，这当然是很危险的一件事。所以，对于实时响应比较高的任务，模型的加速时很有必要的一件事情了。

如果你使用英伟达的产品，比如PX2，那么在平台上部署模型投入应用，很多时候就需要用到专门的模型加速工具 —— TensorRT。

TensorRT下的模型是在做什么？

TensorRT只负责模型的推理（inference）过程，一般不用TensorRT来训练模型的哈。

TensorRT能加速模型吗？

能！根据官方文档，使用TensorRT，在CPU或者GPU模式下其可提供10X乃至100X的加速。本人的实际经验中，TensorRT提供了20X的加速。

TensorRT为什么能提升模型的运行速度？

TensorRT是英伟达针对自家平台做的加速包，TensorRT主要做了这么两件事情，来提升模型的运行速度。

1. TensorRT支持INT8和FP16的计算。深度学习网络在训练时，通常使用 32 位或 16 位数据。TensorRT则在网络的推理时选用不这么高的精度，达到加速推断的目的。
2. TensorRT对于网络结构进行了重构，把一些能够合并的运算合并在了一起，针对GPU的特性做了优化。现在大多数深度学习框架是没有针对GPU做过性能优化的，而英伟达，GPU的生产者和搬运工，自然就推出了针对自己GPU的加速工具TensorRT。一个深度学习模型，在没有优化的情况下，比如一个卷积层、一个偏置层和一个reload层，这三层是需要调用三次cuDNN对应的API，但实际上这三层的实现完全是可以合并到一起的，TensorRT会对一些可以合并网络进行合并。

检查自带TensorRT环境（选）

cd /usr/src/tensorrt/samples  
sudo make  #编译大约7分钟
../bin/sample_mnist

jetson inference库安装（选）

参考资料

sudo apt update
sudo apt autoremove
sudo apt upgrade
sudo apt install cmake
mkdir ~/workspace
cd workspace
git clone https://gitee.com/weikun-xuan/jetson-inference.git
cd jetson-inference
git submodule update --init

start

一、获取源码
首先打开终端运行如下代码：

sudo apt-get update 

sudo apt-get install git cmake libpython3-dev python3-numpy 

git clone --recursive https://gitee.com/weikun-xuan/jetson-inference.git

上面仓库源我全都自己换了，下载会比GitHub快很多。

二、换源
进入到tools文件下：

cd jetson-inference/tools

换下源，依次运行以下代码（均在tools文件下）：

1）模型下载国内源：

sed -in-place -e 's@https://nvidia.box.com/shared/static@https://bbs.gpuworld.cn/mirror@g' download-models.sh

2）pytorch国内源：

sed -in-place -e 's@https://nvidia.box.com/shared/static@https://bbs.gpuworld.cn/mirror@g' install-pytorch.sh 

sed -in-place -e 's@https://github.com/pytorch/vision@https://gitee.com/vcan123/pytorch@g' install-pytorch.sh 

sed -in-place -e 's@https://github.com/dusty-nv/vision@https://gitee.com/vcan123/dusty-nv@g' install-pytorch.sh

三、编译安装

在jetson-infernce文件下执行如下操作：

mkdir build 

cd build 

cmake ../

接着就会出现：

模型包安装

此步为安装模型包，本人建议【全部取消】，不然会有些慢，之后我们可以去官网手动下载。

我们继续：

pytorch安装

安装pytorch。这时应该只有一个for python 3.6版本,选上然后ok。

完成后还是在build文件下依次执行如下操作：

make 

sudo make install 

sudo ldconfig

完成。

安装jupyter和jetcam

1. 安装nodejs和npm

pip3 install --upgrade pip #更新pip
sudo apt install nodejs npm    

但是用直接用上面这个命令安装后的版本是比较低的后续要安装jupyterlab插件可能会报错，用一下版本可以查看,至少要12.3.0版本的node

node -v
npm -v

安装n模块，用这个模块来更新或者指定安装node的版本

sudo npm install -g n

先说明下这个模块的功能，一下命令了解下先，不用操作

清除npm缓存：npm cache clean -f

安装n模块：npm install -g n

安装官方稳定版本：n stable

安装最新官方版本：n latest

安装某个指定版本：n 11.6.0

查看已安装的node版本: n

查看当前node版本：node -v

删除指定版本：n rm 7.5.0

好的，了解完n模块的功能后来安装对应版本的node,也可以安装最新版的例如以下，

sudo n latest

安装好后，node -v 查看下版本，如果版本没有变，那么可以尝试重启下，如果还是没有变，执行

sudo n

会出现一个画面，可以看到我们安装过的node版本名，例如我们这里是v15.0.1，通过上下方向按键控制光标选择这个版本，然后回车镜像安装，然后查看下版本，如果还是没有变，一般再重启下就可以了。

2. 安装jupyterlab：（警告忽略，失败多次执行即可）

sudo pip3 install jupyter jupyterlab

sudo jupyter labextension install @jupyter-widgets/jupyterlab-manager

sudo jupyter labextension install @jupyterlab/statusbar

生成相应配置文件：（如果某个文件报权限问题，可以尝试用sudo chmod 777赋予权限）

jupyter lab --generate-config

设置进入notebook的密码（这里会要设置两次，第二次为确认输入的密码）：

jupyter notebook password

当第一次登录使用notebook时需要输入你在这里设置的密码才能进入，请务必记住的当前设置的密码！

设置开机自启动jupterlab，create_jupyter_service.py文件

运行create_jupyter_service.py文件产生jupyter_service.service文件

python3 create_jupyter_service.py

然后将产生的该服务文件移动至系统服务

sudo mv nano_jupyter.service /etc/systemd/system/nano_jupyter.service

使能该服务

sudo systemctl enable nano_jupyter.service

手动开启该服务

sudo systemctl start nano_jupyter.service

3. 安装jetcam

JetCam是用于NVIDIA Jetson的易于使用的Python相机界面。使用Jetson的Accelerated GStreamer插件可与各种USB和CSI摄像机配合使用。轻松读取图像作为numpy数组image = camera.read()。设置相机以running = True将回调附加到新框架。JetCam使在Python中创建AI项目的原型变得容易，尤其是在JetCard中安装的Jupyter Lab编程环境中。

接下来开始安装:

git clone https://github.com/NVIDIA-AI-IOT/jetcam

cd jetcam

sudo python3 setup.py install

详细的使用即函数可以到https://github.com/NVIDIA-AI-IOT/jetcam查看

darknet框架（选）

git clone https://github.com/AlexeyAB/darknet.git #下载darknet框架

cd darknet

sudo vim Makefile   #修改Makefile

• 将Makefile的前三行修改一下

• 和如图所示的nvcc位置（若前面配置了环境变量则无需这一步操作）

• 修改好猴按esc左下角出现冒号后wq保存退出

• 在darknet路径下编译

make -j4

编译完成如图

在命令行下输入 ./darknet

在yolo官网下载yolov4和yolov4-tiny的权重文件放入文件夹

#Yolov4图片的检测
./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jpg # 简写版

./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights data/dog.jpg # 完整版

 
#Yolov4-tiny图片的检测
./darknet detect cfg/yolov4-tiny.cfg yolov4-tiny.weights data/dog.jpg # 简写版

./darknet detector test cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights data/dog.jpg # 完整版

 
# 改变检测阈值
# 默认情况下，YOLO仅显示检测到的置信度为.25或更高的对象。您可以通过将-thresh标志传递给yolo命令来更改此设置。

#例如，要显示所有检测，您可以将阈值设置为0.1：
./darknet detect cfg/yolov4-tiny.cfg yolov4-tiny.weights data/dog.jpg -thresh 0.1

#Yolov4摄像头实时检测方法：
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights /dev/video1
 
#Yolov4-tiny摄像头实时检测方法：
./darknet detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights /dev/video1

#Yolov4视频的检测(github下来的data里面并没有该视频文件，需要用户自行上传要检测的视频文件到data文件夹下)
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights data/123.mp4

#Yolov4-tiny视频的检测
#Yolov4-tiny视频的检测(github下来的data里面并没有该视频文件，需要用户自行上传要检测的视频文件到data文件夹下)

./darknet detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights data/xxx.mp4 

• 若要调用csi摄像头需要gstream的支持

./darknet detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights "nvarguscamerasrc ! video/x-raw(memory:NVMM), width=1280, height=720, format=NV12, framerate=30/1 ! nvvidconv  ! video/x-raw, width=1280, height=720, format=BGRx ! videoconvert ! video/x-raw, format=BGR ! appsink"

解决Jetson Nano使用CSI摄像头在Darknet下实时检测绿屏_

Nvidia Jetson Nano 安装 GStreamer

sudo add-apt-repository universe
sudo add-apt-repository multiverse
sudo apt-get update
sudo apt-get install gstreamer1.0-tools gstreamer1.0-alsa gstreamer1.0-plugins-base gstreamer1.0-plugins-good gstreamer1.0-plugins-bad gstreamer1.0-plugins-ugly gstreamer1.0-libav
sudo apt-get install libgstreamer1.0-dev libgstreamer-plugins-base1.0-dev libgstreamer-plugins-good1.0-dev libgstreamer-plugins-bad1.0-dev 

配置GStreamer管道

首先说一下思路：由于yolov3本身不支持csi摄像头，因此需要通过GStreamer来对csi摄像头获取的视频进行预处理，然后提交给yolov3进行识别判定，而这一过程重点就是GStreamer管道的配置，以下是博主的管道配置

# 仅适用于jetson-nano运行yolov4-tiny demo。注意请在darknet的文档页下打开terminal输入

./darknet detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights "nvarguscamerasrc ! video/x-raw(memory:NVMM), width=1280, height=720, format=NV12, framerate=30/1 ! nvvidconv flip-method=2 ! video/x-raw, width=1280, height=720, format=BGRx ! videoconvert ! video/x-raw, format=BGR ! appsink"


./darknet detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights "nvarguscamerasrc ! video/x-raw(memory:NVMM), width=1280, height=720, format=NV12, framerate=30/1 ! nvvidconv flip-method=2 ! video/x-raw, width=1280, height=720, format=BGRx ! videoconvert ! video/x-raw, format=BGR ! appsink"

原版：

./darknet detector demo ok/new.data ok/yolov4-tiny-new.cfg ok/yolov4-tiny-new_last.weights "nvarguscamerasrc ! video/x-raw(memory:NVMM), width=1280, height=720, format=NV12, framerate=30/1 ! nvvidconv flip-method=2 ! video/x-raw, width=1280, height=720, format=BGRx ! videoconvert ! video/x-raw, format=BGR ! appsink"

口罩

./darknet detector demo cfg/obj.data cfg/yolov4-tiny-masks.cfg yolov4-tiny-obj_last.weights "nvarguscamerasrc ! video/x-raw(memory:NVMM), width=1280, height=720, format=NV12, framerate=30/1 ! nvvidconv flip-method=2 ! video/x-raw, width=1280, height=720, format=BGRx ! videoconvert ! video/x-raw, format=BGR ! appsink"

yolo:

./darknet detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights "nvarguscamerasrc ! video/x-raw(memory:NVMM), width=1280, height=720, format=NV12, framerate=30/1 ! nvvidconv flip-method=2 ! video/x-raw, width=1280, height=720, format=BGRx ! videoconvert ! video/x-raw, format=BGR ! appsink"

sudo add-apt-repository universe
sudo add-apt-repository multiverse
sudo apt-get update
sudo apt-get install gstreamer1.0-tools gstreamer1.0-alsa gstreamer1.0-plugins-base gstreamer1.0-plugins-good gstreamer1.0-plugins-bad gstreamer1.0-plugins-ugly gstreamer1.0-libav
sudo apt-get install libgstreamer1.0-dev libgstreamer-plugins-base1.0-dev libgstreamer-plugins-good1.0-dev libgstreamer-plugins-bad1.0-dev 

官方：
./darknet detector demo ok/new.data ok/yolov4-tiny-new.cfg ok/yolov4-tiny-new_last.weights "nvarguscamerasrc ! video/x-raw(memory:NVMM), width=1280, height=720, format=NV12, framerate=30/1 ! nvvidconv flip-method=2 ! video/x-raw, width=1280, height=720, format=BGRx ! videoconvert ! video/x-raw, format=BGR ! appsink"

// 仅适用于jetson-nano运行yolov3-tiny demo。注意请在darknet的文档页下打开terminal输入
./darknet detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights "nvarguscamerasrc ! video/x-raw(memory:NVMM), width=1280, height=720, format=NV12, framerate=30/1 ! nvvidconv flip-method=2 ! video/x-raw, width=1280, height=720, format=BGRx ! videoconvert ! video/x-raw, format=BGR ! appsink"


./darknet detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights "nvarguscamerasrc ! video/x-raw(memory:NVMM), width=1280, height=720, format=NV12, framerate=30/1 ! nvvidconv flip-method=2 ! video/x-raw, width=1280, height=720, format=BGRx ! videoconvert ! video/x-raw, format=BGR ! appsink"


./darknet detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights "nvarguscamerasrc ! video/x-raw(memory:NVMM), width=1280, height=720, format=NV12, framerate=30/1 ! nvvidconv flip-method=2 ! video/x-raw, width=1280, height=720, format=BGRx ! videoconvert ! video/x-raw, format=BGR ! appsink"