2、开发环境搭建：Jetson Nano与树莓派的系统烧录、初始配置、SSH远程连接、Python与CUDA环境验证

边缘计算AI开发与传统服务器端开发最大的差异在于：目标硬件资源受限、架构异构（ARM CPU + GPU/NPU）、部署环境多样。无论是NVIDIA Jetson Nano还是树莓派4B，其开发流程都遵循“系统烧录 → 初始配置 → 远程访问 → 运行环境验证”的固定路径。本章将围绕这两款主流边缘设备，从零开始搭建一套可复用的AI开发环境，重点解决SD卡烧录、系统初始化、SSH安全连接、Python虚拟环境以及CUDA/OpenCV等核心组件的验证问题。通过本章学习，你将获得一个经过验证的、可直接运行深度学习推理任务的开发基座。

上图展示了本章的核心路径：Jetson Nano与树莓派虽然硬件架构不同，但环境搭建的逻辑高度一致。Jetson Nano拥有完整的CUDA GPU生态，适合运行PyTorch/TensorFlow等深度学习框架；树莓派则依赖CPU与VideoCore GPU（通常仅用于图形输出），更适合轻量级推理或作为传感器数据采集节点。下面我们将分模块详细展开。

2.1 系统烧录：从镜像到可启动SD卡

核心原理

系统烧录的本质是将操作系统镜像文件（.img）逐字节写入SD卡，并确保引导分区（boot）与根文件系统（rootfs）正确布局。Jetson Nano使用NVIDIA提供的JetPack SDK镜像，其内部已包含Linux内核、CUDA、cuDNN、TensorRT等预编译组件；树莓派则使用官方Raspberry Pi OS或Ubuntu Server镜像，内核与用户空间分离，GPU驱动以固件形式加载。

操作流程

1. 准备工具：16GB以上SD卡（推荐32GB Class 10/A2）、读卡器、balenaEtcher（跨平台烧录工具）或dd命令（Linux/macOS）。
2. 下载镜像：Jetson Nano选择“Jetson Nano Developer Kit SD Card Image”版本（JetPack 4.6.1）；树莓派选择“Raspberry Pi OS with desktop”或“Ubuntu Server 22.04 LTS (64-bit)”。
3. 烧录操作：打开balenaEtcher → 选择镜像 → 选择SD卡 → 点击Flash。烧录完成后，系统会自动弹出/卸载分区。
4. 验证烧录：重新插入SD卡，检查分区是否包含boot（FAT32）和rootfs（ext4）两个分区。

案例拆解：烧录失败排查

某学员使用64GB SD卡烧录Jetson Nano镜像后，上电无显示。排查过程：① 检查电源适配器（需5V/4A DC圆口供电，Micro USB供电不足）；② 重新烧录并校验SHA256哈希值；③ 发现SD卡为假冒扩容卡（实际容量仅8GB），更换正品SanDisk Extreme Pro后正常启动。此案例说明，烧录环节的硬件质量与电源稳定性是首要排查点。

2.2 初始配置：系统激活与基础优化

核心原理

初始配置的目标是让系统进入“可用且安全”的状态。Jetson Nano首次启动会进入Ubuntu初始化向导（设置语言、用户名、密码、WiFi）；树莓派则通过raspi-config工具完成扩展文件系统、开启SSH、设置GPU内存等操作。关键优化点包括：电源模式切换（Jetson Nano支持5W/10W模式，影响CPU频率与GPU性能）、文件系统扩展（利用SD卡全部空间）、交换分区调整（缓解内存不足）。

操作流程

• Jetson Nano：连接HDMI显示器与USB键鼠 → 上电 → 完成Ubuntu初始化 → 打开终端执行 sudo apt update && sudo apt upgrade → 使用 nvpmodel -m 0 切换到10W模式（性能优先）。
• 树莓派：烧录镜像后，在SD卡boot分区创建空文件 ssh（开启SSH）和 wpa_supplicant.conf（配置WiFi）→ 上电 → 通过SSH连接后运行 sudo raspi-config → 选择“Advanced Options”扩展文件系统 → 设置GPU内存为128MB（用于OpenCV硬件加速）。

常见误区

误区一：跳过系统更新直接安装Python包，导致依赖冲突。误区二：Jetson Nano使用apt install python3-pip后，pip默认安装到系统环境，污染全局Python。正确做法是使用虚拟环境（见2.4节）。误区三：树莓派未扩展文件系统，导致根分区空间不足（仅剩几百MB），安装大型库时失败。

2.3 SSH远程连接：无头模式开发

核心原理

SSH（Secure Shell）通过加密通道提供远程命令行访问。边缘设备通常部署在无显示器环境，SSH成为最核心的开发入口。Jetson Nano与树莓派默认安装OpenSSH Server，但树莓派需手动开启（创建ssh文件或raspi-config）。为提高安全性，推荐使用密钥认证替代密码登录。

操作流程

1. 获取IP地址：在路由器管理界面查看设备IP，或使用 nmap -sn 192.168.1.0/24 扫描局域网。
2. 首次连接：ssh nvidia@192.168.1.100（Jetson）或 ssh pi@192.168.1.101（树莓派），输入密码。
3. 配置密钥认证：在本地电脑生成密钥 ssh-keygen -t ed25519 → 复制公钥 ssh-copy-id nvidia@192.168.1.100 → 之后免密登录。
4. 固定IP：编辑 /etc/dhcpcd.conf（树莓派）或通过Netplan（Jetson）设置静态IP，避免DHCP分配变化。

2.4 Python与CUDA环境验证

核心原理

Python是边缘AI开发的主要语言。Jetson Nano预装Python 3.6.9，且JetPack已集成CUDA 10.2、cuDNN 8.2、TensorRT 8.2，但需手动配置环境变量。树莓派则需自行安装Python 3.9+及OpenCV等库。验证CUDA环境的核心是确认nvcc编译器可用、GPU设备能被PyTorch识别、以及矩阵运算能调用GPU加速。

操作流程

1. Python虚拟环境：python3 -m venv ~/venv/ai → source ~/venv/ai/bin/activate → pip install --upgrade pip。
2. Jetson CUDA验证：nvcc -V 查看版本 → cd /usr/local/cuda/samples/1_Utilities/deviceQuery && sudo make && ./deviceQuery 查看GPU信息。
3. PyTorch GPU测试：python -c "import torch; print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))"，输出True和“NVIDIA Tegra X1”即成功。
4. 树莓派加速验证：安装OpenCV pip install opencv-python → 测试 python -c "import cv2; print(cv2.getBuildInformation())" 查看是否启用NEON/VFPV3优化。

案例拆解：PyTorch GPU验证失败

某项目在Jetson Nano上运行 torch.cuda.is_available() 返回False。分析：① 检查 nvcc -V 正常，说明CUDA工具链存在；② 检查PyTorch版本，发现误装了x86_64架构的wheel包；③ 卸载后重新安装 torch-1.10.0-cp36-cp36m-linux_aarch64.whl，问题解决。此案例强调：ARM64架构必须匹配对应wheel包，且Python版本（cp36）需严格对应。

总结复盘

环境搭建的核心教训是：先验证硬件，再配置软件；先跑通最小示例，再扩展功能。Jetson Nano的CUDA环境虽然预装，但环境变量（export PATH=/usr/local/cuda/bin:$PATH）和库路径（export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH）需写入~/.bashrc。树莓派虽然没有CUDA，但通过优化编译参数（-O3 -march=armv8-a+simd）可提升CPU推理性能。建议读者在完成本章后，创建一个“环境验证脚本”（check_env.sh），将上述验证命令整合，便于后续快速诊断。