环境搭建：嵌入式开发板选型与基础配置

说实话，做Occupancy网络部署，第一步选板子就挺关键的。我见过不少朋友，模型调得挺好，结果板子选错了，跑起来卡得不行。今天咱们就把这块捋清楚。

开发板选型：为什么我推荐Jetson Orin系列

Occupancy网络说白了，就是对3D空间每个格子做分类或回归。这玩意儿计算量不小。我最早在Jetson Xavier上试过，帧率只有个位数，根本没法用。

后来换了Orin系列，情况就好多了。我个人习惯把Orin分成三个档次：

型号	AI算力	适用场景	我的评价
Orin NX 16GB	100 TOPS	轻量Occupancy网络	性价比之选
Orin NX 8GB	70 TOPS	入门级部署	预算有限可考虑
Orin AGX 64GB	275 TOPS	完整Occupancy网络	一步到位

你想想看，Occupancy网络里那个3D卷积层，特别吃显存。我在AGX上跑过一个8层编码器的模型，显存占用直接飙到12GB。所以我的建议是：能上16GB就别选8GB，不然后面调参你会很痛苦。

交叉编译工具链安装

嗯，这里要注意。交叉编译说白了，就是在你的电脑上编译出能在开发板上跑的程序。我刚开始做的时候，直接在板子上编译，那个慢啊...一个模型推理库编译了三个小时。

后来学乖了，老老实实配交叉编译环境。具体步骤是这样的：

1. 下载L4T（Linux for Tegra）——去NVIDIA官网找对应Orin版本的BSP包
2. 安装交叉编译器——我一般用gcc-linaro，版本选7.5.0以上
3. 配置环境变量——把工具链路径加到PATH里

举个例子，我常用的配置脚本：

#!/bin/bash
export CROSS_COMPILE=aarch64-linux-gnu-
export CC=${CROSS_COMPILE}gcc
export CXX=${CROSS_COMPILE}g++
export LD=${CROSS_COMPILE}ld
export AR=${CROSS_COMPILE}ar

# 设置sysroot路径
export SYSROOT=/path/to/l4t/sysroot
export CFLAGS="--sysroot=$SYSROOT"
export CXXFLAGS="--sysroot=$SYSROOT"

我曾经犯过一个低级错误——忘了设置sysroot，结果编译出来的程序在板子上跑起来就报"找不到libc.so.6"。排查了半天，其实就是交叉编译链没指向板子的根文件系统。

刷机与基础环境配置

刷机这事儿，说难不难，说简单也不简单。我建议用SDK Manager来刷，图形化界面，省心。但如果你跟我一样喜欢命令行，也可以用命令行模式。

刷机的基本流程：

• 把Orin板子调到恢复模式（按住RECOVERY键再按RESET）
• 用USB线连到电脑
• 运行SDK Manager或者手动刷机脚本

刷完之后，第一件事是配置基础环境。我个人习惯按这个顺序来：

1. 更新系统包——sudo apt update && sudo apt upgrade -y
2. 安装CUDA和cuDNN——Orin自带JetPack，一般已经装好了，但版本可能不是最新的
3. 安装TensorRT——这个对Occupancy网络部署至关重要，后面我们会专门讲
4. 配置Python环境——我推荐用Miniconda，别用系统自带的Python，容易搞乱

配置完基础环境后，我建议跑一下NVIDIA官方的测试脚本，验证GPU和TensorRT是否正常工作。命令很简单：

# 检查CUDA
nvidia-smi

# 检查TensorRT版本
python3 -c "import tensorrt; print(tensorrt.__version__)"

# 跑个简单的推理测试
trtexec --onnx=test_model.onnx --fp16

如果这些都能跑通，恭喜你，基础环境就搭好了。接下来就可以开始部署Occupancy网络了。

说实话，环境搭建这一步虽然繁琐，但值得花时间做好。我见过太多人急着跑模型，结果环境没配好，后面各种报错，反而更浪费时间。你想想看，是不是这个理？