Jetson Orin Nano到手后，除了装CUDA，这3个必装工具和配置你做了吗？（含jtop、JetPack、环境变量完整流程）
Jetson Orin Nano开箱一小时内必做的3项高效配置
刚拿到Jetson Orin Nano开发板的开发者往往迫不及待想要开始项目开发，但在兴奋之余容易忽略几个关键的系统配置步骤。这些配置看似简单，却能显著提升后续开发效率，避免因基础环境问题导致的反复调试。本文将聚焦开箱后的"黄金一小时"，分享三个经过实战验证的高效配置方案。
1. 系统监控神器jtop的安装与深度应用
在嵌入式开发中，实时监控系统资源使用情况至关重要。jtop作为专为Jetson系列设计的系统监控工具，能直观展示CPU、GPU、内存、功耗等关键指标。与通用监控工具相比，jtop针对Jetson架构进行了深度优化，提供的信息更加精准全面。
安装jtop前需要确保已安装pip3包管理工具。如果系统尚未安装，可通过以下命令快速获取：
sudo apt update sudo apt install python3-pip安装完成后，使用pip3安装最新版jtop：
sudo -H pip3 install -U jetson-stats安装完成后需要重启系统使配置生效：
sudo reboot重启后，在终端直接输入jtop命令即可启动监控界面。jtop提供了多种视图模式，按数字键1-7可切换不同信息面板：
- 1-基本视图：显示CPU/GPU使用率、内存占用、温度等核心指标
- 2-详细视图：展示各CPU核心频率、GPU详细状态
- 3-存储视图：监控磁盘I/O和存储空间使用情况
- 4-网络视图：实时显示网络流量和连接状态
- 5-进程视图：类似top命令，显示各进程资源占用
- 6-信息视图：汇总系统软硬件配置信息
- 7-高级视图：显示CUDA、OpenCV等组件版本和状态
提示：在开发过程中保持jtop运行，可以及时发现资源瓶颈。例如当GPU使用率持续接近100%时，可能需要优化算法或调整batch size。
2. JetPack一站式开发套件部署
JetPack是NVIDIA为Jetson系列量身打造的全栈开发环境，集成了CUDA、cuDNN、TensorRT等核心组件。相比单独安装各个组件，使用JetPack可以确保版本兼容性，大幅减少环境配置时间。
安装JetPack前建议先更新系统软件源：
sudo apt update然后执行以下命令安装完整JetPack套件：
sudo apt install nvidia-jetpack安装完成后，可通过以下命令验证安装版本：
sudo jetson_release该命令会输出类似如下的信息，展示已安装组件的版本和路径：
JetPack 5.1.2 [L4T 35.3.1] CUDA: 11.4.315 cuDNN: 8.6.0.166 TensorRT: 8.5.3.1 OpenCV: 4.5.4 (compiled with CUDA: NO)JetPack自动配置的关键路径包括：
| 组件 | 安装路径 |
|---|---|
| CUDA | /usr/local/cuda |
| cuDNN | /usr/lib/aarch64-linux-gnu |
| TensorRT | /usr/lib/python3.8/dist-packages |
注意：虽然JetPack会自动安装CUDA，但默认不会配置环境变量。下一节将详细介绍如何正确设置CUDA环境变量。
3. 环境变量精准配置指南
环境变量配置不当是Jetson开发中最常见的问题之一。正确的环境变量设置可以确保系统能够找到CUDA、cuDNN等关键组件，避免"command not found"等错误。
3.1 CUDA环境变量配置
编辑用户主目录下的.bashrc文件：
vim ~/.bashrc在文件末尾添加以下内容：
# CUDA配置 export PATH=/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH export CUDA_HOME=/usr/local/cuda保存退出后，执行以下命令使配置立即生效：
source ~/.bashrc验证CUDA是否配置成功：
nvcc -V正确配置后会显示CUDA编译器版本信息，类似：
nvcc: NVIDIA (R) Cuda compiler release 11.4, V11.4.3153.2 cuDNN库文件链接
虽然JetPack已经安装了cuDNN，但需要手动将库文件链接到CUDA目录。执行以下命令：
# 复制头文件 sudo cp /usr/include/cudnn* /usr/local/cuda/include # 复制库文件 sudo cp /usr/lib/aarch64-linux-gnu/libcudnn* /usr/local/cuda/lib64 # 修改权限 sudo chmod 777 /usr/local/cuda/include/cudnn.h sudo chmod 777 /usr/local/cuda/lib64/libcudnn*然后创建必要的符号链接（版本号需根据实际安装版本调整）：
cd /usr/local/cuda/lib64 sudo ln -sf libcudnn.so.8.6.0 libcudnn.so.8 sudo ln -sf libcudnn_ops_train.so.8.6.0 libcudnn_ops_train.so.8 sudo ln -sf libcudnn_ops_infer.so.8.6.0 libcudnn_ops_infer.so.8 sudo ldconfig3.3 验证cuDNN安装
NVIDIA提供了cuDNN示例程序用于验证安装。执行以下命令运行MNIST示例：
sudo cp -r /usr/src/cudnn_samples_v8/ ~/ cd ~/cudnn_samples_v8/mnistCUDNN sudo make clean && sudo make ./mnistCUDNN如果输出中包含"Test passed!"，则表明cuDNN配置成功。若遇到libfreeimage缺失错误，可安装以下依赖：
sudo apt-get install libfreeimage3 libfreeimage-dev4. 性能优化与实用技巧
完成基础配置后，以下几个优化技巧可以进一步提升开发体验：
交换空间扩展：Jetson Orin Nano内存有限，编译大型项目时容易耗尽内存。可通过以下命令创建20GB交换空间：
sudo mkdir /swap cd /swap sudo dd if=/dev/zero of=swapfile bs=1M count=20480 sudo mkswap swapfile sudo swapon swapfile多核编译：利用Orin Nano的6个CPU核心加速编译：
make -j6温度监控：在jtop中密切关注SoC温度，持续高温可能触发降频：
# 查看温度阈值 cat /sys/devices/virtual/thermal/thermal_zone*/trip_point_*_temp电源模式设置：Jetson Orin Nano支持多种电源模式，平衡性能与功耗：
# 查看当前模式 sudo nvpmodel -q # 切换至MAXN模式（最大性能） sudo nvpmodel -m 0