3、JetPack SDK详解：CUDA、cuDNN、TensorRT的版本对应关系、安装验证、多版本管理、环境变量配置

好，咱们进入正题。JetPack SDK，说白了就是NVIDIA给Jetson系列准备的“全家桶”。你拿到一块Jetson板子，想跑深度学习模型，光有硬件不行，得靠这套软件栈把硬件的潜力榨出来。我个人习惯把JetPack理解成“驱动+工具链+加速库”的集合体，缺一不可。

3.1 版本对应关系：别瞎配，会翻车

很多新手上来就问：“我能不能装最新的CUDA 12.x？” 嗯，在Jetson上，这事没那么简单。JetPack的版本是锁死的，它决定了你能用哪个版本的CUDA、cuDNN和TensorRT。我见过有人硬装不匹配的版本，结果系统直接起不来，只能刷机重来。

下面这张表，是我在实际项目中反复验证过的对应关系，你直接照着来就行：

3.2 安装验证：装完别急着跑，先验货

装完JetPack之后，第一件事不是急着跑模型，而是验证每个组件是否正常工作。我有个习惯，三步走：

3.2.1 验证CUDA

先看看CUDA能不能认到设备：

# 查看CUDA版本
nvcc --version

# 查看GPU信息
nvidia-smi

# 跑一个简单的测试
cd /usr/local/cuda/samples/1_Utilities/deviceQuery
sudo make
./deviceQuery

如果能看到你的Jetson设备信息，比如“Detected 1 CUDA Capable device(s)”，那就说明CUDA装好了。注意，Jetson上nvidia-smi的输出和桌面显卡不太一样，它显示的是Tegra芯片的信息，别觉得奇怪。

3.2.2 验证cuDNN

cuDNN是个库，没有独立的命令行工具。验证它最简单的方式是编译一个测试程序：

# 进入cuDNN samples目录
cp -r /usr/src/cudnn_samples_v8/ $HOME
cd $HOME/cudnn_samples_v8/mnistCUDNN
make clean && make
./mnistCUDNN

如果输出“Test passed!”，那就稳了。我记得第一次在Jetson上跑这个测试，看到“Test passed”的时候，心里那块石头才落地。

3.2.3 验证TensorRT

TensorRT的验证更直接，用它的自带工具：

# 查看TensorRT版本
dpkg -l | grep tensorrt

# 跑一个推理示例
cd /usr/src/tensorrt/samples/sampleMNIST
make
./sampleMNIST

能正常输出推理结果，说明TensorRT已经就绪。这里有个小细节：如果make报错，多半是路径问题，检查一下环境变量。

3.3 多版本管理：一个系统，多套工具链

实际项目中，你可能会遇到这种情况：项目A需要TensorRT 8.2，项目B需要TensorRT 8.5。怎么办？总不能每次刷机吧？

我推荐用符号链接切换法。说白了，就是把不同版本的库放在不同目录，然后用软链接指向当前要用的版本。

3.3.1 安装多版本

假设你已经通过JetPack装了默认版本，现在想装另一个版本：

# 下载TensorRT 8.2的deb包（从NVIDIA官网）
sudo dpkg -i tensorrt-8.2.1.8-ubuntu18.04-aarch64.deb

# 安装到指定目录
sudo mv /usr/lib/aarch64-linux-gnu/libnvinfer.so.8 /usr/lib/aarch64-linux-gnu/libnvinfer.so.8.2
sudo mv /usr/lib/aarch64-linux-gnu/libnvinfer.so /usr/lib/aarch64-linux-gnu/libnvinfer.so.8.2.link

3.3.2 切换版本

写一个切换脚本，方便管理：

#!/bin/bash
# switch_tensorrt.sh
VERSION=$1

if [ "$VERSION" == "8.2" ]; then
    sudo ln -sf /usr/lib/aarch64-linux-gnu/libnvinfer.so.8.2 /usr/lib/aarch64-linux-gnu/libnvinfer.so
    export TENSORRT_VERSION=8.2
elif [ "$VERSION" == "8.5" ]; then
    sudo ln -sf /usr/lib/aarch64-linux-gnu/libnvinfer.so.8.5 /usr/lib/aarch64-linux-gnu/libnvinfer.so
    export TENSORRT_VERSION=8.5
else
    echo "不支持的版本"
fi

3.4 环境变量配置：别让系统找不到路

环境变量配置不对，你编译代码时会疯狂报错“找不到头文件”或“找不到库”。说白了，就是系统不知道去哪找你装的东西。

3.4.1 核心环境变量

在~/.bashrc或~/.zshrc里加上这几行：

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

# cuDNN
export CUDNN_HOME=/usr/lib/aarch64-linux-gnu
export LD_LIBRARY_PATH=$CUDNN_HOME:$LD_LIBRARY_PATH

# TensorRT
export TENSORRT_HOME=/usr/src/tensorrt
export LD_LIBRARY_PATH=$TENSORRT_HOME/lib:$LD_LIBRARY_PATH
export PATH=$TENSORRT_HOME/bin:$PATH

3.4.2 验证环境变量

配置完记得source一下：

source ~/.bashrc
echo $CUDA_HOME
echo $LD_LIBRARY_PATH

如果输出不是你期望的路径，检查一下是不是被其他配置覆盖了。我遇到过最坑的情况是，Anaconda的环境变量把系统路径给覆盖了，导致CUDA死活找不到。

好了，这一章的内容就这些。你想想看，这些配置虽然琐碎，但都是基本功。我刚开始搞Jetson的时候，光环境变量就折腾了两天，后来才明白，这些细节才是决定项目能不能顺利推进的关键。下一章咱们聊聊如何用SDK Manager刷机，那又是另一番体验了。