這裡值得提的地方在推薦 storage 建議使用 32GB ，因為灌個 OS 就要 12GB；另外電源也推薦 DC jack，如果像我一樣懶得去買的話，那 micro USB 推薦使用 5V (2.5A~5A) 的電源，不然如果跑複雜太高的 model，還沒跑完就會先斷電了...
讓 nano 重生
- 透過官方提供的 SD format 將SD Card 裡面的資訊 format 。官方 提供三種 OS 做 format(windows, mac, linux).
2. 下載官方提供的 image 檔 (Ubuntu 18.04 LTS)，下載檔案約 5.3 GB，解壓縮後大概 12 GB。
3. 透過官方提供的燒錄器 Etcher，將 image 檔案燒進去，最後記得燒完以後要退出記憶卡，不然很有可能會發生錯誤。
4. 將 mirco SD 放入 nano 的插槽中，插入電源開機。
5. 裝 HDMI 的時候不建議使用轉接頭，有可能會無法顯示。
6. 經過一些跟 ubuntu 一樣的系統安裝就會像下圖一樣安裝完成。
超帥 !!! 因為接了 HDMI，讓他感覺非常的潮，
SSH Jetson Nano
使用 ssh 的好處有兩個
- 可以降低在 model 時候 4K 高畫質還不斷的吃著你的 GPU 資源。
- 電流不夠的風險又可以降低了一點。
htop, nvidia-smi 結合
在 Jetson 中有一個非常好用的工具就是 jtop，可以同時查看 CPU 資源與 GPU 資源，另外也可以看目前 CPU 與 GPU 的溫度與功耗，另外他還有貼心的服務，就是將你目前的 library show 出來。
sudo apt-get install python-pip python-dev build-essential
sudo pip install --upgrade pip
sudo -H pip install jetson-stats
sudo jtop
安裝必備套件
因 image 本身就有安裝 CUDA 以及 cuDNN 和 openCV 所以讓我們省去了非常多的麻煩，首先我們先安裝 python3 相關套件。
Virtualenv
sudo apt-get install virtualenv -ymkdir envscd envsvirtualenv -p /usr/bin/python3 env_examplesource ~/envs/env_example/bin/activate# 之後每次開機就不需要再重新輸入你要的虛擬機了
echo ' source ~/envs/env_example/bin/activate ' >> ~/.bashrc
OpenCV 與 Virtualenv 做連結
因為在虛擬環境以外 opencv 已經裝好了，所以我們需要做的目標只要把 virtualenv 跟 opencv 結合就可以了。
首先先知道 opencv 的路徑以及需要裝numpy。
pip install numpy
sudo find / -name "cv2*"
知道路徑以後將我們說需要的路徑 link 到我們的虛擬環境中。
cd ~/envs/env_example/lib/python3.6/site-packages/
ln -s /usr/lib/python3.6/dist-packages/cv2.cpython-36m-aarch64-linux-gnu.so成功拉~
安裝 Tensorflow-GPU
萬事俱備，只欠東風，如果像過去安裝 server 一樣裝 tensorflow-gpu 那在執行上會出現很多問題，因此官方建議使用他們專門給 Jetston 系列裝的 tensorflow-gpu，首先我們要先去官網查看一下目前的版本，我個人裝的是中間的版本不新也不舊，這樣就不用擔心 bug 太多。
下面這個是同一行，拿去 command 按 enter 即可，可能會很久喔~
要有一點耐心 ...
pip install --extra-index-url https://developer.download.nvidia.com/compute/redist/jp/v42 tensorflow-gpu==1.13.1+nv19.4增加 SWAP
好險有大神提供需要建立 swap，不然每次超過 4G RAM 就當機真的是一件很麻煩的事情，
下述的指令是大神提供，小弟也只是複製貼上。
# 這裡設 4G 你也可以設8G 等等
sudo fallocate -l 4G /swapfilesudo chmod 600 /swapfilels -lh /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile
sudo swapon -showsudo bash -c 'echo "/var/swapfile swap swap defaults 0 0" >> /etc/fstab'
自從用了 swap 以後，就會比較不容易下 command 的時候就比較不容易 delay 了，另外有使用 model 訓練時，若是那偵測可以吃得下 free swap + free mem 那就不會 break up 出來，不然很容易無法執行。
切換高低功率
當訓練的時候，有可能因為你的電力無法負荷而馬上跳電，nvidia 在這裡算是很親民的提供兩種方式讓你轉換，5w, 10w，降成 5w 後許多 model 就跑得動了如: Resnet50，下面是轉換低功率與正常功率的指令。
# 知道目前是哪一個 mode
sudo nvpmodel -q# 將目前的瓦數 降為5瓦
sudo nvpmodel -m1# 將目前的瓦數 改為 max 瓦，max 最大為(10w)
sudo nvpmodel -m0
改成 5w 後，會自動的將兩個 cpu 關閉，只使用 cpu 1, 2。
測試效能
因為到寫完這篇文章時，我的 micro usb 電源線都還沒到貨，所以 10w 的測試之後再補上，先做 5w 的。
我們拿 tensorflow 官方測試的 project 來進行驗證，我們共測了 4 種 model，resnet50, inception3, vgg16, alexnet，並且透過不同的 batch size進行測試， batch size 有 8, 16 兩種選擇。
VGG16 為 0 的意思是 他跑到一半就 OOM 了，為了公平起見，這邊也不特別在增加 swap 來嘗試是否可以成功。
Jetson-inference
Nvidia 的大大提供了一些 model 供大家嘗試，所以我也挑了幾個來玩一下，另外有大神寫了這篇應用的文章可以參考一下，這些 model 有趣的地方在它們都支援了 TensorRT 據說性能可以大幅提升，
安裝步驟，中間過程可能會有一點久，聽個幾首 Bruno mars 的歌，應該就好了。
cd ~
sudo apt-get install git cmake
git clone https://github.com/dusty-nv/jetson-inference
cd jetson-inference
git submodule update --init
mkdir build
cd build
cmake ../
make
sudo make install全部的 model 都會放在 ~/jetson-inference/build/aarch64/bin，所以先 cd 過來，所有的 model 在第一次執行時都會比較慢，所以建議可以邊聽周杰倫的音樂 run 起來會比較快。
cd ~/jetson-inference/build/aarch64/binImageNet 的檢測
# cat.jpg 是我自己放進去的
./imagenet-console cat.jpg cat_detect.jpg原圖
辨識後的圖片
結果出來囉，該算是對還是不對呢 XDDD
Detectnet 檢測
因為我們並沒有清楚的說明需要分類什麼因此，這次我們來清楚的定義吧。
./detectnet-console subway.jpg subway_detect.jpg facenet這次我們想要將圖片中有人臉的 mark 起來。
酷吧~
其實他有提供許多可以檢測的方式，供大家使用。
感謝
謝謝本次的 Sponsors Vic 讓我有機會可以這麼快可以玩到這片轟動武林的 Nano 板，也感謝 Charles 的大力幫忙，最後感謝
，是因為你才讓我繼續想要寫這篇的原因。心得
這塊板子感覺是一個里程碑，可以去思考未來 AI 的趨勢以及 AI 真的慢慢走入你我的生活中了。
