3. 开发环境搭建：系统烧录、Python环境配置与常见踩坑
说实话，环境搭建这一步，看着简单，其实最容易劝退人。我见过太多朋友，板子买回来兴冲冲的，结果卡在刷机或者装包上，一卡就是两三天。咱们这节课，我就把我在 Jetson 上折腾了无数遍的经验，一次性给你讲透。
3.1 系统烧录：JetPack 还是 Ubuntu？
先回答一个最基础的问题：用 JetPack 还是自己装 Ubuntu？
我的建议是：直接用 JetPack。
JetPack 是 NVIDIA 官方出的 SDK 管理器，里面不光有 Ubuntu 系统，还帮你把 CUDA、cuDNN、TensorRT 这些深度学习库都打包好了。你想想看，自己一个个装，版本匹配问题就够你喝一壶的。我在项目中就吃过这个亏——自己装 Ubuntu 然后手动配 CUDA，结果 TensorRT 死活不认，折腾了两天才发现是 CUDA 版本差了一个小版本号。
烧录流程其实不复杂，我简单梳理一下：
- 在 PC 上安装 SDK Manager（Ubuntu 系统，虚拟机也行）
- 用 USB 线连接 Jetson 开发板，进入恢复模式
- SDK Manager 会自动识别硬件，选择你要安装的组件
- 等它跑完，大概 30-60 分钟，看网速
嗯，这里要注意：烧录过程中千万别拔线，也别让电脑休眠。我有个同事就是中途去吃饭，电脑自动锁屏了，结果烧录失败，板子变砖，还得重新来一遍。
3.2 Python 环境配置：为什么我选 Miniconda
系统装好了，接下来就是 Python 环境。你可能会问：Jetson 自带的 Python 不能用吗？
能用，但不推荐。因为咱们做 AI 分析，项目多了，依赖冲突是家常便饭。这个项目要 TensorRT 8.x，那个项目要 7.x，你怎么办？
所以我个人习惯用 Miniconda。 它比 Anaconda 轻量，但虚拟环境功能一点不少。
安装步骤很简单：
# 下载 Miniconda 安装脚本（注意选 aarch64 版本）
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-aarch64.sh
# 运行安装
bash Miniconda3-latest-Linux-aarch64.sh
# 安装完后，创建虚拟环境
conda create -n jetson_env python=3.8
conda activate jetson_env我曾经在装 numpy 的时候踩过坑——pip install 直接报错，说找不到合适的版本。后来换成 conda install numpy，一秒搞定。说白了，conda 在 ARM 平台上的生态比 pip 成熟得多。
3.3 安装 OpenCV 与 TensorRT
这两个是咱们视频流分析的核心依赖。OpenCV 负责图像处理，TensorRT 负责模型加速。
OpenCV 安装
Jetson 上装 OpenCV，我推荐两种方式：
| 方式 | 优点 | 缺点 |
|---|---|---|
| apt 安装 | 简单，一行命令 | 版本较老，不支持 GPU 加速 |
| 源码编译 | 可定制，支持 CUDA | 编译时间长，约 1-2 小时 |
我个人建议：用 apt 安装做快速验证，用源码编译做生产环境。
apt 安装：
sudo apt update
sudo apt install python3-opencv源码编译的话，命令比较多，我贴个核心步骤：
# 安装依赖
sudo apt install build-essential cmake git pkg-config
sudo apt install libjpeg-dev libtiff-dev libpng-dev
# 下载 OpenCV 源码
git clone https://github.com/opencv/opencv.git
git clone https://github.com/opencv/opencv_contrib.git
# 编译（记得开启 CUDA 支持）
cmake -D CMAKE_BUILD_TYPE=RELEASE \
-D CMAKE_INSTALL_PREFIX=/usr/local \
-D WITH_CUDA=ON \
-D WITH_CUDNN=ON \
..TensorRT 安装
如果你用的是 JetPack，TensorRT 其实已经装好了。验证一下：
python3 -c "import tensorrt; print(tensorrt.__version__)"如果没装，或者想装特定版本，可以去 NVIDIA 官网下载 deb 包。但我还是那句话：用 JetPack 最省心。
TensorRT 的 Python 接口安装：
# 进入虚拟环境
conda activate jetson_env
# 安装 TensorRT Python 包
pip install tensorrt嗯，这里有个坑：pip 安装的 tensorrt 可能和系统里的 TensorRT 库版本不匹配。我建议直接用 JetPack 自带的 Python 包，路径一般在：
/usr/lib/python3.8/dist-packages/tensorrt把它复制到你的 conda 环境里，或者直接软链接过去，省事。
3.4 常见踩坑记录
这部分是我最想跟你分享的。环境搭建的坑，我基本都踩过一遍。
我曾经折腾了一下午，Jetson 插上电脑就是没反应。后来发现是 USB 线的问题——有些线只能充电，不能传数据。换了一根带数据功能的线，立马识别。
Jetson 的网络一般，下载包很慢。我的解决办法是：先用 conda create --offline 创建空环境，然后手动装包。或者换个国内镜像源，速度能快不少。
这个我遇到过好几次。原因通常是 CUDA 路径没设置对。检查一下：
echo $CUDA_HOME
# 如果为空，手动设置
export CUDA_HOME=/usr/local/cuda说白了就是动态库路径没加。运行前执行：
export LD_LIBRARY_PATH=/usr/lib/aarch64-linux-gnu:$LD_LIBRARY_PATH最好把这行加到 ~/.bashrc 里，一劳永逸。
好了，环境搭建这部分就到这里。你跟着走一遍，应该不会出大问题。如果真遇到什么奇怪的报错，别慌——大概率是版本匹配问题，去 NVIDIA 开发者论坛搜一下，基本都有答案。
下一节咱们就开始写第一个视频流分析程序了，到时候 TensorRT 就派上用场了。