Jetson NX避坑指南：Miniconda+Pytorch1.7环境搭建全流程（附依赖包下载）

最新推荐文章于 2026-04-18 12:14:30 发布

原创

最新推荐文章于 2026-04-18 12:14:30 发布 · 930 阅读

标签

#NVIDIA Jetson NX #PyTorch #边缘计算 #深度学习环境

Jetson NX 深度学习环境搭建：从零到一的避坑实战指南

如果你刚拿到一块 NVIDIA Jetson NX 开发板，想要在上面跑起 PyTorch 深度学习框架，可能会发现这条路并不像在普通 x86 服务器上那么顺畅。我最近在几个边缘计算项目中都用到了 Jetson NX，从最初的 JetPack 系统烧录到最终的 PyTorch 环境部署，踩过的坑足够写一本小册子。今天我就把这些经验整理出来，希望能帮你少走弯路。

Jetson NX 作为一款嵌入式 AI 计算平台，其 ARM 架构和有限的存储空间让环境配置变得有些特殊。很多开发者习惯的 pip install torch 在这里行不通，官方 PyPI 上的预编译包都是针对 x86_64 架构的。你需要找到专门为 Jetson 平台编译的版本，还要处理各种依赖库的兼容性问题。更麻烦的是，网络环境不稳定时，一个简单的包下载都可能让你卡上半天。

这篇文章面向的是有一定 Linux 和 Python 基础的嵌入式开发者、边缘计算工程师，或者任何需要在 Jetson NX 上部署深度学习模型的研究人员。我会从最基础的 CUDA 环境变量配置讲起，覆盖 Miniconda 安装、PyTorch 1.7 部署、依赖包缺失处理，一直到最后的验证测试。每个步骤都包含了我实际遇到过的错误和解决方案，有些技巧是你在官方文档里找不到的。

1. 基础环境准备与 CUDA 配置

在开始安装任何深度学习框架之前，确保你的 Jetson NX 已经正确安装了 JetPack SDK。JetPack 是 NVIDIA 为 Jetson 系列开发板提供的完整软件栈，包含了 Ubuntu 操作系统、CUDA、cuDNN、TensorRT 等核心组件。你可以通过运行 sudo apt-cache show nvidia-jetpack 来查看当前安装的 JetPack 版本。

注意：PyTorch 版本必须与 JetPack 中的 CUDA 版本匹配。对于 PyTorch 1.7，通常需要 CUDA 10.2，这对应 JetPack 4.6 版本。如果你的 JetPack 版本不同，可能需要调整 PyTorch 版本。

1.1 验证 CUDA 安装状态

虽然 JetPack 已经安装了 CUDA，但系统环境变量可能没有正确配置。首先检查 CUDA 是否可用：

nvcc -V

如果这个命令返回“command not found”，说明 CUDA 的路径没有添加到系统 PATH 中。别担心，这很常见，因为 NVIDIA 的安装脚本有时不会自动配置环境变量。

1.2 配置 CUDA 环境变量

打开你的 ~/.bashrc 文件，这是每次启动终端时都会执行的脚本：

sudo vim ~/.bashrc

或者如果你不熟悉 vim，可以用更简单的 nano：

sudo nano ~/.bashrc

滚动到文件末尾，添加以下几行：

export PATH=/usr/local/cuda-10.2/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64:$LD_LIBRARY_PATH
export CUDA_HOME=/usr/local/cuda-10.2

这里有几个细节需要注意：

路径准确性：首先确认 /usr/local/cuda-10.2 这个路径确实存在。有时版本号可能不同，比如 cuda-10.0。你可以用 ls /usr/local/ 查看。
变量顺序：$PATH 放在后面，这样系统会优先使用我们添加的路径。
权限问题：如果你不是用 root 用户编辑的，保存时可能需要输入密码。

保存文件后，让配置立即生效：

source ~/.bashrc

现在再次运行 nvcc -V，你应该能看到类似这样的输出：

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2019 NVIDIA Corporation
Built on Wed_Oct_23_21:14:42_PDT_2019
Cuda compilation tools, release 10.2, V10.2.89

1.3 验证 CUDA 运行时

环境变量配置正确后，还需要验证 CUDA 运行时是否正常工作。创建一个简单的测试程序：

// test_cuda.cu
#include <stdio.h>

int main() {
    int deviceCount;
    cudaGetDeviceCount(&deviceCount);
    printf("Number of CUDA devices: %d\n", deviceCount);
    return 0;
}

编译并运行：

nvcc test_cuda.cu -o test_cuda
./test_cuda

如果输出显示有 1 个 CUDA 设备，说明 CUDA 环境基本正常。这一步很多人会跳过，但它在后续排查 PyTorch CUDA 不可用时非常有用。

2. Miniconda 安装与虚拟环境管理

在 Jetson NX 上，我强烈推荐使用 Miniconda 而不是系统自带的 Python 环境。原因很简单：嵌入式开发经常需要不同的 Python 版本和包组合，虚拟环境可以避免污染系统环境，也便于项目管理。

2.1 选择合适的 Miniconda 版本

由于 Jetson NX 是 ARM64 架构，你不能直接下载官方的 x86_64 版本。访问 Miniconda 官方页面时，要选择 Linux-aarch64 版本。不过这里有个坑：官方源下载速度可能很慢，特别是在国内网络环境下。

我推荐使用清华大学的镜像源。首先确定你的系统架构：

uname -m

如果返回 aarch64，说明是 ARM64 架构。然后下载对应的 Miniconda 安装包：

wget https://mirrors

最低0.47元/天解锁文章