4、Python环境配置：Miniforge安装、Conda环境创建、PyTorch for Jetson安装、torchvision安装、ONNX Runtime安装
好，咱们进入正题。Python环境配置，这步看着基础，但坑是真不少。我见过太多新手在Jetson上直接pip install torch，然后卡半天报错，心态直接崩了。说白了，Jetson是ARM架构，跟咱们的x86电脑不一样，很多包得用专门编译好的版本。
我个人习惯，在Jetson上做深度学习部署，首选Miniforge来管理环境。为什么不用Anaconda？太重了，而且对ARM的支持不如Miniforge好。Miniforge轻量、干净，还默认走conda-forge通道，省心不少。
4.1 Miniforge安装
先下载Miniforge的安装脚本。注意，一定要选对版本——Jetson是aarch64架构，别下成x86_64的了。
# 下载Miniforge（适用于Jetson的aarch64版本）
wget https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Linux-aarch64.sh
# 运行安装脚本
bash Miniforge3-Linux-aarch64.sh安装过程中会问安装路径，我一般就用默认的~/miniforge3。还会问要不要初始化conda，选yes就行。安装完记得重新打开终端，或者source ~/.bashrc让配置生效。
4.2 Conda环境创建
环境隔离是个好习惯。每个项目一个独立环境，互不干扰。我一般这样创建：
# 创建一个名为 jetson_env 的环境，指定Python版本为3.8
conda create -n jetson_env python=3.8
# 激活环境
conda activate jetson_envPython版本选3.8还是3.10？嗯，这里要注意。PyTorch for Jetson官方目前对3.8支持最稳。我试过3.10，有些依赖包会报兼容性问题。所以，稳妥起见，用3.8。
4.3 PyTorch for Jetson安装
这是最关键的一步。Jetson上的PyTorch不能直接从官方pip源装，得用NVIDIA专门为Jetson编译的版本。官方提供了预编译的wheel文件。
我建议去NVIDIA的Jetson论坛或者官方GitHub页面找对应的whl文件。比如JetPack 5.1对应的是PyTorch 1.12：
# 安装PyTorch for Jetson（以JetPack 5.1为例）
wget https://developer.download.nvidia.com/compute/redist/jp/v51/pytorch/torch-1.12.0a0+8a1a93a9.nv22.3-cp38-cp38-linux_aarch64.whl
pip install torch-1.12.0a0+8a1a93a9.nv22.3-cp38-cp38-linux_aarch64.whl安装完成后，验证一下：
python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"如果输出True，说明CUDA可用，PyTorch装对了。如果输出False，别慌，检查一下JetPack版本和PyTorch版本是否匹配。
4.4 torchvision安装
torchvision也得装Jetson专用版。直接从源码编译比较稳妥，因为pip源上的版本可能没针对ARM优化。
# 安装依赖
sudo apt-get install libjpeg-dev zlib1g-dev libpython3-dev libavcodec-dev libavformat-dev libswscale-dev
# 克隆torchvision源码（版本要和PyTorch匹配）
git clone --branch v0.13.0 https://github.com/pytorch/vision.git torchvision
cd torchvision
# 编译安装
export BUILD_VERSION=0.13.0
python setup.py install编译过程大概要10-15分钟，Jetson的CPU性能有限，耐心等。我一般趁这个时间去泡杯咖啡。
sudo apt-get build-dep python3-pil 可以一键安装PIL相关的所有依赖。
4.5 ONNX Runtime安装
ONNX Runtime是模型部署的好帮手。Jetson上建议装ONNX Runtime for NVIDIA GPU的版本，能利用TensorRT加速。
# 安装ONNX Runtime（Jetson专用GPU版本）
pip install onnxruntime-gpu
# 验证安装
python -c "import onnxruntime; print(onnxruntime.get_device())"如果输出GPU，说明安装成功。如果输出CPU，可能是装成了CPU版本，卸载重装onnxruntime-gpu。
4.6 环境验证总结
所有东西装完后，我习惯跑一个完整的验证脚本，确保环境没问题：
import torch
import torchvision
import onnxruntime
print("PyTorch版本:", torch.__version__)
print("CUDA可用:", torch.cuda.is_available())
print("torchvision版本:", torchvision.__version__)
print("ONNX Runtime设备:", onnxruntime.get_device())如果全部通过，恭喜你，环境配置完成。接下来就可以开始模型部署了。
| 组件 | 版本要求 | 安装方式 |
|---|---|---|
| Miniforge | 最新版 | wget + bash |
| Python | 3.8 | conda create |
| PyTorch | 匹配JetPack | whl文件 |
| torchvision | 匹配PyTorch | 源码编译 |
| ONNX Runtime | 最新GPU版 | pip install |
嗯，这一章就到这。环境配置是基础，但基础打牢了，后面才走得顺。下一章咱们聊聊模型转换，把PyTorch模型转成ONNX格式，为部署做准备。