企业官网建设流程全解析

本文基于 Jetson Orin 系列开发板（JetPack 6.0 DP / 正式版），梳理搭建 PyTorch GPU 环境大量踩坑根源： JetPack 6 升级 L4T 5.15、Ubuntu22.04、CUDA12.2、cuDNN8.9.x，但 PyTorch 官方暂无适配 Jetson ARM 平台的预编译 wheel。 直接 pip 安装会出现 cuda 不可用、缺少内核镜像等各类报错，本质是硬件、固件、驱动、CUDA 运行时、深度学习框架五层依赖匹配断裂。

常规 x86 一键安装方式完全失效，不能直接套用官方 PyTorch 安装脚本。作者实测对比 NGC 容器、源码编译、第三方包等 5 种方案，最终找到一条无需源码编译、不改动系统、不降级驱动，仅几条命令就能完成的极简部署方案。 适用于 Orin Nano、Orin NX、AGX Orin，面向 YOLO、点云检测、语音识别等需要 CUDA 加速的 AI 模型部署，帮开发者规避大量反复刷机、调试的无效耗时。

一、环境说明
硬件：NVIDIA Jetson AGX Orin 32GB
架构：aarch64
系统：Ubuntu 22.04
JetPack：R36.5
CUDA：12.6

二、安装Miniforge
Jetson使用ARM64架构，需要安装Miniforge3-Linux-aarch64。
安装后：
source ~/.bashrc
conda --version

三、创建环境
conda create -n ler python=3.10 -y
conda activate ler

四、安装Jetson专用PyTorch
不要直接pip install torch，否则可能安装CPU版本。

安装NVIDIA Jetson wheel：
torch-2.5.0a0+872d972e41.nv24.08.17622132-cp310-cp310-linux_aarch64.whl

命令：
pip install ./torch-2.5.0a0+872d972e41.nv24.08.17622132-cp310-cp310-linux_aarch64.whl

五、解决cuDNN缺失
错误：
ImportError: libcudnn.so.9

安装：
sudo apt install libcudnn9-cuda-12 libcudnn9-dev-cuda-12 -y
sudo ldconfig

六、解决cuSPARSELt缺失
错误：
ImportError: libcusparseLt.so.0

安装：
pip install nvidia-cusparselt-cu12

配置：
export LD_LIBRARY_PATH=$HOME/miniforge3/envs/lerobot/lib/python3.10/site-packages/nvidia/cusparselt/lib:$LD_LIBRARY_PATH

七、NumPy兼容
执行：
pip install numpy==1.26.4

八、验证PyTorch CUDA

Python:
import torch

print(torch.__version__)
print(torch.version.cuda)
print(torch.cuda.is_available())

成功：
torch=2.5.0a0+872d972e41.nv24.08
CUDA=12.6
GPU=True

九、安装torchvision
PyTorch 2.5对应torchvision 0.20.0。

安装依赖：
sudo apt install libjpeg-dev zlib1g-dev libpython3-dev libopenblas-dev libavcodec-dev libavformat-dev libswscale-dev -y

下载：
git clone --branch v0.20.0 https://github.com/pytorch/vision torchvision

编译：
cd torchvision
export BUILD_VERSION=0.20.0
python setup.py install

坑一：装完发现是CPU版本（is_available()为False）

现象：
执行 torch.cuda.is_available() 返回 False，或者 torch.version.cuda 为 None。

原因：
Jetson Orin采用ARM64(aarch64)架构，与普通PC的x86_64环境不同。
直接执行 pip install torch 时，PyPI默认不会提供针对Jetson L4T环境优化的CUDA版本，容易安装CPU版本或者CUDA版本不匹配的版本。

解决：
卸载错误版本：
pip uninstall torch torchvision torchaudio -y

不要使用普通PyPI安装，需要安装NVIDIA针对Jetson编译的PyTorch wheel。

示例：
pip install ./torch-2.5.0a0+872d972e41.nv24.08.17622132-cp310-cp310-linux_aarch64.whl

验证：
import torch
print(torch.__version__)
print(torch.version.cuda)
print(torch.cuda.is_available())

坑二：PyTorch导入失败，缺少libcudnn.so.9

现象：
import torch时报错：

ImportError: libcudnn.so.9: cannot open shared object file

原因：
Jetson版本PyTorch依赖系统CUDA组件。
NVIDIA提供的wheel不会自动包含所有底层CUDA动态库，需要系统安装cuDNN。

解决：
安装cuDNN：

sudo apt install libcudnn9-cuda-12 libcudnn9-dev-cuda-12 -y

刷新动态链接：

sudo ldconfig

检查：

find / -name "libcudnn.so*" 2>/dev/null

坑三：缺少libcusparseLt.so.0

现象：
安装cuDNN后仍然无法import torch：

ImportError:
libcusparseLt.so.0: cannot open shared object file

原因：
新版NVIDIA PyTorch依赖cuSPARSELt库。
JetPack默认环境可能没有该动态库。

解决：

安装：

pip install nvidia-cusparselt-cu12

查找：

find ~/miniforge3/envs/lerobot -name "libcusparseLt.so*"

配置动态库：

export LD_LIBRARY_PATH=$HOME/miniforge3/envs/lerobot/lib/python3.10/site-packages/nvidia/cusparselt/lib:$LD_LIBRARY_PATH

建议写入 ~/.bashrc 永久保存。

坑四：NumPy版本兼容问题

现象：
import torch时出现：

A module that was compiled using NumPy 1.x cannot be run in NumPy 2.x

原因：
NVIDIA Jetson PyTorch wheel基于NumPy 1.x编译，而环境默认安装NumPy 2.x。

解决：

pip install numpy==1.26.4

坑五：Torchvision无法直接安装GPU版本

现象：
pip install torchvision失败，或者版本不匹配。

原因：
Jetson ARM生态相比PC x86不完善，torchvision需要严格匹配PyTorch版本。

PyTorch 2.5对应：
torchvision 0.20.0

解决：

安装依赖：

sudo apt install libjpeg-dev zlib1g-dev libpython3-dev libopenblas-dev libavcodec-dev libavformat-dev libswscale-dev -y

下载：

git clone --branch v0.20.0 https://github.com/pytorch/vision torchvision

编译：

cd torchvision
export BUILD_VERSION=0.20.0
python setup.py install

坑六：下载大文件SSL中断

现象：

SSL: UNEXPECTED_EOF_WHILE_READING

原因：
PyTorch wheel和CUDA相关包体积较大，网络波动容易导致pip下载失败。

解决：

使用wget断点续传：

wget -c 文件地址

下载完成后：

pip install 文件.whl

比pip在线安装更加稳定。

总结与收获

1. ARM边缘设备与PC环境完全不同。

PC:
x86_64 + CUDA Driver + pip install torch

Jetson:
ARM64 + JetPack + L4T + CUDA + cuDNN + NVIDIA专用PyTorch

2. 深度学习环境不仅是Python包问题：

Python
↓
PyTorch
↓
CUDA
↓
cuDNN
↓
GPU Driver
↓
硬件

任何一层缺失都会导致GPU不可用。

3. Jetson环境推荐：
wget断点下载 + wheel本地安装 + 源码编译。

最终环境：

Jetson AGX Orin
↓
JetPack R36.5
↓
CUDA 12.6
↓
cuDNN 9.3
↓
cuSPARSELt
↓
PyTorch 2.5.0a0+nv24.08
↓
Torchvision 0.20.0
↓
LeRobot 0.4.4