2022年是新冠疫情的第三个年头，各行各业都不太景气赚钱越来越难了。为了让自己别太消沉，我开始找些有兴趣的事情来搞一下。于是在笔记本上部署了YoloV5，训练了几个模型，本意就是做着玩，没想到其中有些功能被朋友看上了，要部署一套试用。这对我来说就有点麻烦了，直接给他放个工控机成本有点高而且不太专业，从网上查了一下，发现原来还有jetson-nano这个东西，价格不贵体积还小，感觉正适合我，就打算入手一个。结果一打听，Nvidia原厂的主板没货而且挺贵。国产jetson-nano套件有货，价格也相对便宜一些。我抱着尝试的想法买了一块，折腾两周后终于练成神功，成功部署、运行了YoloV5。这期间遇到不少困难，跟卖家有过多次沟通，人家很配合，但因为没有客户在他们这个板子上部署过YoloV5，所以无法提供详细的教程。为了感谢卖家的帮助，同时也为了让自己以后再搭建部署的时候能有个依据，本人以注册CSDN后最为认真的态度制作了以下教程，希望能帮助到有相同需求的朋友。
首先是准备工作，我的主板如下图：
产品名称：Jetson NX国产套件
型号/规格：P3668
买主板的时候只是一个裸板，风扇、电源适配器、Wifi模块都是单买的，卖家就有，建议一次采购好，要不后面很麻烦（跟老板套套磁也没准能他送给你，别说是我说的哟^_^）。我就忘记了电源适配器的事，结果老板很仗义，直接送个我了一个。电源适配器是12V，48W的，输入100V~240V 5A 50/60Hz，输出12V-4A，可能在市面上很常见，我不懂硬件所以没有自己去找，直接跟老板要的，老板很痛快直接送给我一个，但是快递进北京之前要统一消杀，结果耽误了好几天时间。
下图就是完整的jetson-nano套件三大件，有了这些就能开机、联网了。当然Wifi模块不是必须的，主要看你的网络环境。
这里我再补充个重要的事情，咱们这个主板的镜像是ubuntu18.4，不能装其他操作系统，主板自带的存储空间是16G，但是ubuntu系统镜像上去之后就已经占用14G+了，留给咱们部署的空间只有1G+。搭建YoloV5环境还要安装、更新很多包，1G+空间肯定是不够的，所以建议大家提前采购个固态硬盘，一定要买M.2接口的，买错了用不了。我买的是金士顿250G SSD固态硬盘 M.2结口（NVMe协议），大概200元出头。咱们搭建环境之前得先把操作系统从主板自带的存储空间迁移到自己的固态硬盘上，这样才有足够的空间部署和运行YoloV5，我后面的教程里会详细的教你怎么迁移。另外这个Jetson NX国产套件还能插tf卡，但是tf卡不能用来迁移操作系统，只能作为扩展空间使用。由于我250G的固态硬盘已经够用了，所以就没有再插tf卡。下图就是我买的固态硬盘：
好了，书归正传，下面就要正式开始搭建环境了。拿到Jetson NX国产套件之后，老板给我发了一个《Jetson-Nano 国产套件使用手册》的PDF文档，里面介绍了怎么刷机和安装常用软件，介绍的挺详细，但是没有说怎么部署YoloV5，而且里面提供的刷机包还有问题，刷了之后进不去ubuntu系统，所以如果你只是想部署YoloV5，果断放弃这个文档吧，按照我的教程向下进行就可以了。我发现文档里面的刷机包有问题之后找老板反应，老板给我了一个新的刷机包，经过测试是正常的。我把百度网盘的地址放出来，如果下载不了啦，请大家给我留言。
链接：https://pan.baidu.com/s/1Yz7U7gr7yUSXSa4yGjj0vQ
提取码：59ks
现在要开始刷机了，Jetson-Nano 国产套件的快递盒子里除了主板之外，还有一个小塑料袋，装着一根杜邦线、一个跳线帽和一根刷机线。杜邦线我不知道是干嘛用的，跳线帽会用到，千万别弄丢了。下图就是随主板一起快递来的杜邦线和跳线帽：
刷机前，主板先不要通电，用跳线帽把主板上的FC REC和GND短接起来，如下图：
然后找一台安装了Ubuntu18.04系统的电脑（如果你没有ubuntu系统的电脑可以自己安装一下，非常方便，没弄做过的朋友参考这两篇文章https://blog.csdn.net/fu6543210/article/details/79722615，https://blog.csdn.net/syp_net/article/details/108738198，我就是第一次装ubuntu，很顺利就弄好了。除了直接安装外，还可以做虚拟机安装，我找了个旧电脑直接装上了就没做虚拟机，有兴趣的朋友可以研究一下怎么用虚机安装）。然后用刷机线把Jetson-Nano 国产套件和电脑连接起来，如下图：
现在用这台ubuntu系统的电脑去下载前面百度网盘的镜像包，我是在windows上下载完，用U盘传到ubuntu电脑上面的。下载地址这里再发一遍：
链接：https://pan.baidu.com/s/1Yz7U7gr7yUSXSa4yGjj0vQ
提取码：59ks
下载后会看到下面6个文件：
打开readme.txt参考，先将文件合并：
cat JetPack_4.6_Linux_JETSON_NANO_TARGETS.tar.gz* > JetPack4.6_Linux_JETSON_NANO_TARGETS.tar.gz
文件合并后会多出来一个叫做JetPack4.6_Linux_JETSON_NANO_TARGETS.tar.gz的文件。如下图：
然后解压这个文件：
sudo tar -zxvf JetPack4.6_Linux_JETSON_NANO_TARGETS.tar.gz
执行完成后，会出现一个新的目录，如下图：
现在给Jetson-Nano 国产套件插上电源适配器，插上之后主板上会亮起绿的的小灯。如下图：
在Ubuntu18.04的电脑上打开一个终端，测试Jetson-Nano 国产套件与电脑的连接情况。
输入lsusb命令，如果出现Nvidia Corp.就说明已经连接成功，可以开始下一步了。如下图：
从终端进入前面创建的JetPack4.6_Linux_JETSON_NANO_TARGETS/ Linux_for_Tegra这个目录下面，执行脚本刷机：
sudo ./flash.sh -r jetson-nano-devkit-emmc mmcblk0p1
刷机的时间比较长，但是和后面要进行的操作比起来，就算是挺快的了。当终端显示
The target t210ref has been flashed successfully.
Reset the board to boot from internal eMMC.
就完成刷机了。如下图：
把Jetson-Nano 国产套件的HDMI口连接到一台显示器上，能看到主板的系统已经刷好了。如下图：
好了，如果你也看到这个界面就说明刷机成功了。现在给你的Jetson-Nano 国产套件插上鼠标、键盘和Wifi模块。然后关掉主板和刚才刷机用的Ubuntu电脑，注意是通过操作系统关机（power off），不是直接断电啊，关机完成后主板上面的绿灯会自己熄灭，此时测试拔掉主板的电源适配器。如下图：
到这里，你刷机用的Ubuntu18.04这台电脑就完成了他的历史使命，可以关机了。咱们后面的操作再也不会用到它了。关机后拔掉连接在Jetson-Nano 国产套件上的刷机线，再取掉主板上的连接FC REC和GND的短接帽。这个不太好取，用手基本上弄不下来，建议用镊子加下来，别把引脚弄坏了。然后把咱们采购的固态硬盘插在主板上，接口在主板的底下。插上之后就像下图这样：
现在Jetson-Nano 国产套件已经准备就绪，可以开机啦。主板没有开关，把电源适配器插上就开机了。开机后主板上的绿灯会亮起来，屏幕也会进入登陆界面。可以看到主板用户是nvidia，点击一下输入密码。默认密码也是nvidia。输入完密码后按回车，主板进入操作系统。如下图：
说实话，我还是挺喜欢nvidia这个绿色桌面背景的，很有冲击力，叫上帝之眼是吧？进入系统之后，我们先要让主板能够上网。点击右上角的箭头，从下拉菜单中找到自己的Wifi网络，然后输入密码，点击Connect建立连接。如下图：
正常的话，主板现在就应该可以联网了。咱们下面要开始挂载固态硬盘了。点击左上角的Search your computer，输入disks。点击后如下图：
点击搜索出来的Disks进入这个APP。可以看到最上面就是我250G的固态硬盘，下面那个SD Card Reader DG4016就是主板自带的16G存储空间。咱们选中新插入的这块250G硬盘（橙色表示选中状态，我这个默认就选中了，）。点击后如下图：
在键盘上按组合键ctrl+f进入格式化界面。点击后如下图：
不用改选项，直接点Format按钮就行了。格式化前先进行确认。点击后如下图：
可以看到，选中的是250G的金士顿英硬盘。确定硬盘选择没问题，直接点击Format。点击后如下图：
输入nvidia用户的密码，然后点击authenticate。点击后如下图：
这个格式化的过程非常快，一瞬间就执行完了。现在咱们250G的固态硬盘已经格式化好了，准备开始分区，点击volumes下面的+加号创建分区（Create partition unallocated space），点击后如下图：
这里创建分区，我只分了一个区，大小是250G，所以直接点击Next就可以了。如果要把固态硬盘分成多个区，根据自己的想法调整每个区的大小就可以了。分配好区的大小点击Next。点击后如下图：
这里输入卷的名称，咱们就命名成为ssd吧。在Volumes Name里面输入ssd，然后点击Create。点击后如下图：
这里输入nvidia用户的密码，按下authenticate再次进行确认。此时分区创建成功，准备进行挂载。点击后如下图：
可以看到，这个界面volumes的下面有个小三角，类似播放器的play键（Mount selected partition），点击它挂载这个分区。点击后，小三角变成正方形，类似播放器的stop键。点击后如下图：
现在咱们250G的金士顿固态硬盘已经挂载到Jetson-Nano 国产套件上了。打开终端验证一下，输入命令
df -lh
显示如下：
可以看到我们250G的硬盘挂载到了/media/nvidia/ssd这个目录下，硬盘设备号是/dev/nvme0n1p1，总空间是229G，目前可用空间是217G。而咱们Jetson-Nano 国产套件上自带的存储空间，设备号是/dev/mmcblkop1，只有14G，镜像操作系统已经使用了12G，目前可用空间只有1.3G了。这点空间根本不足以搭建YoloV5的运行环境。所以下面咱们要开始迁移操作系统了。目的是把操作系统从主板自带存储空间迁移到咱们250G的固态硬盘上面。我们在终端进入到250G固态硬盘的挂载目录下，执行命令：
git clone https://github.com/jetsonhacks/rootOnNVMe.git
这个命令要主板能连接互联网才能执行，执行成功后会在/media/nvidia/ssd下面新增一个rootOnNVMe目录。如下图：
进入新创建的rootOnNVMe目录，修改rootOnNVME 文件中的以下三个文件:
copy-rootfs-ssd.sh
data/setssdroot.sh
data/setssdroot.service
需要将以上三个文件中对应的设备号改成/dev/nvme0n1p1。改完之后如下图：
上图是copy-rootfs-ssd.sh，下图是data/setssdroot.service
上图是data/setssdroot.service，下图是data/setssdroot.sh
准备就绪，下面执行copy-rootfs-ssd.sh命令：
./ copy-rootfs-ssd.sh
执行后需要输入nvidia用户的密码，然后开始复制操作。这个速度还是比较快的，我主板大概能执行到80到110MB/s，一会功夫就能执行完。执行完成后如下图：
下面开始执行setup-service.sh命令：
./setup-service.sh
执行后，这里也需要输入nvidia用户的密码，但是这个输入密码的位置跟上面的的命令不太一样。不是在终端输入，而是在弹出窗口中输入。这个命令的执行速度非常快。执行完成后如下图：
现在咱们【新硬盘的挂载】和【迁移操作系统到250G固态硬盘】的任务就完成了，执行reboot命令重启一下主板。重新输入密码进入操作系统后，打开终端，输入df -lh命令，设备号是/dev/nvme0n1p1的250G固态硬盘已经挂载到了操作系统根目录下。而主板自带的16G存储空间（设备号/dev/mmcblkop1）已经被挂载到了/media/nvidia/*----*的这个目录下了。请注意，虽然操作系统已经迁移，但是主板自带的16G存储空间的文件也不能删除，最好不要动。因为250G固态硬盘仅作为系统盘（rootfs 和用户区），系统的启动引导依然是通过主板自带的16G存储空间或EMMC，比如升级设备树dtb还是在主板自带的16G存储空间或EMMC 中。执行df -lh命令后如下图：
接下来咱们开始更新系统包，执行命令：
sudo apt-get update
执行完成后如下图：
这个执行比较快，有人说可以换清华的镜像，速度会更快。我这网络还可以，就没有换。下面执行命令：
sudo apt-get upgrade
这个就比较慢了耐心等吧，执行后如下图：
执行时间特别长，我这里执行大概用了一个小时。完成后如下图：
因为是国外的网站，执行过程中有可能会更新失败，所以要仔细看一下。如果更新失败了就再执行一次命令。确定执行完成了就开始下一步，安装pip3，执行下面命令：
sudo apt-get install python3-pip python3-dev -y
执行完成后如下图：
由于咱们jetson-nano国产套件的镜像里已经安装了最新的pip，这里其实没有安装。姑且写在这里，避免朋友们因为这个坑受阻。
到现在为止咱们主板的操作系统还是英文的，接下来咱们把它改成中文的。点击左侧的系统设置（System Settings），如下图：
打开系统设置窗口后，点击Language Support（语言支持）图标。打开新的窗口，会提示"The Language Support is not installed completely"（支持语言尚未完全安装），这里点击Install进行安装就可以了。如下图：
安装之前会要求输入nvidia用户的密码，输入后点击authenticate，正式开始安装。如下图：
安装过程也比较长，等这就行。安装中有可能通讯失败，重新安装就可以了。访问国外的网站确实不太稳定。安装完成后，把Language菜单最下面的"汉语"选项拖动到菜单顶端，然后关闭Language Support窗口就可以了。如下图：
现在在终端里执行命令：
Reboot
重启jetson-nano国产套件，重启后可以看到系统已经变成中文了。进入系统后会看到一个对话窗口，询问是否将标准文件夹更新到当前语言。这些目录名径长会在命令中出现，为了方便，我建议就别改了。勾选"不要再次询问我"，然后点击"保留旧的名称"。如下图：
接下来安装jtop，用来在终端查看自己电脑cpu和gpu情况，其实咱们jetson-nano国产套件的镜像也已经安装了，我这里也记录一下。执行命令：
sudo -H pip3 install jetson-stats
sudo jtop
执行完成后，如下图：
这个功能和windows的任务管理器差不多。按Q键就能退出这个界面了。
下面咱们开始修改jetson-nano国产套件的显存，在终端输入命令：
sudo gedit /etc/systemd/nvzramconfig.sh
执行后如下图：
修改nvzramconfig.sh文件：
在打开的文档中找到mem值，修改mem的值，如下：
修改之前mem = $((("${totalmem}"/2/"${NRDEVICES}")*1024))
修改之后mem = $((("${totalmem}"2/"${NRDEVICES}")1024))
把 / 修改为 *
修改之后如下图：
保存退出，然后执行reboot重启jetson-nano国产套件。再次进入系统后打开终端，执行命令：
free -h
可以看到"交换"（swap）已经变为7.7G了。如下图：
接下来咱们配置cuda。jetson-nano国产套件镜像是自带cuda的，而且环境变量都给配置好了，咱们需要稍微改一下环境变量。执行命令：
gedit ~/.bashrc
执行后如下图：
可以看到，在.bashrc文件的最后两行就是cuda的环境变量，咱们把这两行注释掉，然后把下面三行复制进去：
export PATH=/usr/local/cuda-10.2/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
export CUDA_ROOT=/usr/local/cuda
如下图：
保存退出，然后执行命令：
source ~/.bashrc
让环境变量修改生效。生效后可以再执行命令：
nvcc -V
查看自己的cuda版本。如下图：
可以看到，咱们cuda的版本是10.2。看到这个就说明环境变量配置成功，可以开始配置所需的库了。执行命令：
sudo apt-get install build-essential make cmake cmake-curses-gui -y
执行后如下图：
执行命令：
sudo apt-get install git g++ pkg-config curl -y
执行后如下图：
执行命令：
sudo apt-get install libatlas-base-dev gfortran libcanberra-gtk-module libcanberra-gtk3-module -y
执行后如下图：
执行命令：
sudo apt-get install libhdf5-serial-dev hdf5-tools -y
执行后如下图：
执行命令：
sudo apt-get install nano locate screen -y
执行后如下图：
执行命令：
sudo apt-get install libfreetype6-dev -y
执行后如下图：
执行命令：
sudo apt-get install protobuf-compiler libprotobuf-dev openssl -y
执行后如下图：
执行命令：
sudo apt-get install libssl-dev libcurl4-openssl-dev -y
执行后如下图：
执行命令：
sudo apt-get install cython3 -y
执行后如下图：
执行命令：
sudo apt-get install gfortran -y
执行后如下图：
执行命令：
sudo apt-get install libjpeg-dev -y
执行后如下图：
执行命令：
sudo apt-get install libopenmpi2 -y
执行后如下图：
执行命令：
sudo apt-get install libopenblas-dev -y
执行后如下图：
执行命令：
sudo apt-get install libjpeg-dev zlib1g-dev -y
执行后如下图：
到此为止，配置所需要的库就已经安装完了。如果网络正常，这个环节用时不会太久。
下满咱们开始安装opencv所需要的支持包。
执行命令：
sudo apt-get install build-essential -y
执行后如下图：
执行命令：
sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev -y
执行后如下图：
执行命令：
sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff5-dev libdc1394-22-dev -y
执行后如下图：
执行命令：
sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev liblapacke-dev -y
执行后如下图：
执行命令：
sudo apt-get install libxvidcore-dev libx264-dev -y
执行后如下图：
执行命令：
sudo apt-get install libatlas-base-dev gfortran -y
执行后如下图：
执行命令：
sudo apt-get install ffmpeg -y
执行后如下图：
现在安装opencv所需要的包都已经安装完了。接下来咱们开始安装cmke。先下载，执行命令：
wget http://www.cmake.org/files/v3.13/cmake-3.13.0.tar.gz
执行后如下图：
执行完成后，可以看到当前目录下多了个cmake-3.13.0.tar.gz的文件，下面对这个文件进行解压缩。执行命令：
tar xpvf cmake-3.13.0.tar.gz cmake-3.13.0/
执行后如下图：
解压缩完成后，会出现一个新目录cmake-3.13.0，进入这个目录。执行命令：
cd cmake-3.13.0/
然后再执行命令：
./bootstrap --system-curl
执行这个命令的时间会很长，我感觉得有20分钟，耐心等待吧。可以下楼去抽根华子了，很有可能你抽完回来了，这边还没执行完。执行完成后如下图：
下面开始编译，执行命令：
make -j4
这个执行时间也很长，不过终端会输出进度，可以根据这个时间再去抽根华子了。这里善意提醒一句：吸烟有害健康，保持社交距离。执行完成后如下图：
编译完成后，再次修改环境变量。执行命令：
echo 'export PATH=~/cmake-3.13.0/bin/:$PATH' >> ~/.bashrc
执行完成后，系统会自己在.bashrc最后加上一句export PATH=~/cmake-3.13.0/bin/:$PATH
然后执行命令：
source ~/.bashrc
让修改的环境变量生效。
下面安装exfat-utils用来解决大容量U盘兼容的问题，执行命令：
sudo apt-get install exfat-utils
执行完成后如下图：
到此jetson-nano国产套件的系统环境已经配置好了，后面开始配置YoloV5所需要的环境。咱们使用的是torch 1.8和torchvision 0.9。这两个文件可以从百度网盘下载，下面是下载地址：
链接：https://pan.baidu.com/s/1cGS-gYdnEvT-9M0ve3hacg
提取码：01F6
如果这个地址失效了，请朋友们给我留言。
下载后把文件夹放到jetson-nano国产套件的桌面上就可以了，目录名叫pytorch-torchvision，里面有一个文件：torch-1.8.0-cp36-cp36m-linux_arrch64.whl
还有一个目录：torchvision
如下图：
在这个目录中按鼠标右键，选择"在终端中打开"，然后输入sudo pip3 install，再把文件torch-1.8.0-cp36-cp36m-linux_arrch64.whl拖入到终端里，并按回车执行。如下图：
关于上面这个环节，为什么要拖入whl执行，我也不明白。但是之前尝试的时候直接输入命令执行，YoloV5运行有问题。但是按照拖动的方式执行，YoloV5执行成功了。所以我就迷信的这样做了，如果谁知道拖动跟直接输入命令的区别，希望不吝赐教。
下面再安装几个包，否则安装后面torchvision时会报错。执行命令：
sudo apt-get install libjpeg-dev
执行后如下图：
执行命令：
sudo pip3 install pillow
执行后如下图：
接下来进入pytorch-torchvision这个目录。执行命令：
cd torchvision
然后执行命令：
export BUILD_VERSION=0.9.0
再执行命令：
sudo python3 setup.py install
这个执行又要很长时间，感觉20分钟起步吧。烟瘾大的朋友可以再去抽一根了。感觉咱们这个部署教程特别费烟。安装过程中可能会有一些具体代码的警告，类似下图：
不用管它，耐心等着就行了。执行完成后，如下图：
现在我们验证一下torch和torchvision有没有安装好。
先reboot重启jetson-nano国产套件，然后在终端执行命令：
python3
进入python3中，逐行输入：
import torch
import torchvision
print(torch.cuda.is_available())
如果输出True就说明安装成功了。如下图：
执行quit()退出python3。
下面继续安装YoloV5所需要的包。先安装matplotlib 3.2.2。执行命令：
sudo pip3 install matplotlib==3.2.2
执行后如下图：
更新Cython，执行命令：
sudo pip3 install --upgrade Cython
执行后如下图：
卸载python-numpy，执行命令：
sudo apt-get remove python-numpy
执行后如下图：
安装numpy 1.19.4，执行命令：
sudo pip3 install numpy==1.19.4
numpy安装需要挺长时间。执行后如下图：
安装scipy 1.4.1.，执行命令：
sudo pip3 install scipy==1.4.1.
这个执行时间也特别长。执行后如下图：
执行命令：
sudo pip3 install tqdm==4.61.2
执行后如下图：
执行命令：
sudo pip3 install seaborn==0.11.1
执行后如下图：
执行命令：
sudo pip3 install scikit-build==0.11.1
这个安装很慢，耐心等吧。执行后如下图：
执行命令：
sudo pip3 install opencv-python==4.5.3.56
这个同样安装很慢，我这大概执行了一个小时，继续耐心等吧。执行后如下图：
执行命令：
sudo pip3 install tensorboard==2.5.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
tensorboard依赖包很多，也得等挺长一阵。安装执行后如下图：
执行命令：
sudo pip3 install PyYAML==5.4.1
执行后如下图：
执行命令：
sudo pip3 install thop
执行后如下图：
执行命令：
sudo pip3 install pycocotools
执行后如下图：
执行命令：
sudo pip3 install future
执行后如下图：
好了，至此咱们YoloV5的环境已经搭建完成了，把咱们Yolo工程copy到jetson-nano国产套件上面吧。我直接把工程放到了桌面。先打开你工程下的detect.py文件，看看里面有没有下面这句：
from anyio._core import _threads
如果有，就把这句注释掉。这句在windows下推理没有问题，在jetson-nano国产套件下就会报错。
然后再进入下面python3.6d的目录：
cd /usr/local/lib/python3.6/dist-packages/torch/nn/modules/
打开activation.py文件
sudo vi activation.py
把self.inplace删除，我是注释掉了。
def forward(self, input: Tensor) -> Tensor:
return F.hardswish(input, self.inplace)
return F.hardswish(input)
如下图：
回到Yolo工程所在的目录，在终端执行命令：
python3 detect.py --source inference/images --weights best.pt
图像推理成功，如下图：
换上USB摄像头，执行也没有问题。
到此，部署大功告成。希望大家部署顺利。
Original: https://blog.csdn.net/ziele_008/article/details/124489344
Author: 病毒宇宇
Title: JetsonNano国产套件成功部署YoloV5手把手图解教程
相关阅读1
Title: Pr 入门教程 如何在多声道音频中选择性地启用声道？
欢迎观看 Premiere Pro 教程，小编带大家学习 Pr 的基本编辑技巧，了解如何在多声道音频中选择性地启用声道。
大多数音频文件都是单声道或立体声，但是很多专业 录音系统可以录制多个声道，一个音频文件中有 4 个 甚至 8 个声道都是很常见的。在源监视器中打开这个音频文件，它有 6 个声道，一些声道音量极小几乎是静音的，显然不需要它们。
安装pr:Premiere Pro 2021 for Mac(pr 2021 直装版)
有时录制音频会使用多个麦克风，音频效果最佳的为首选声道，这个音频文件就是这样，将这个音频文件添加到「主序列」中，可以看到它已经过配置，所有声道都已经分开，可以独立编辑每个声道，但是我只需要其中一个声道。
右键单击「项目」面板中的音频文件，选择「修改」- 「音频声道...」，更改一些选项。
要了解这个面板顶部的菜单，需要来看一下这个由「媒体源通道」和要放到序列中的音频组成的矩阵，可以看到，左侧有音频 1、2、3、4、5 等等。
可以根据需要为每个音频指定一个源声道，上面这里显示我们要创建 6 个音频。
因此左侧会有 6 个音频，每个音频都被设置为单声道，这里选择的音频声道格式为「单声道」，每个音频只能添加一个声道，这个音频文件的配置为 5.1 环绕立体声，源声道会有左、右、中、低频等效果。
在其他音频文件中可能仅仅是 1、2、3、4，这些声道的名称并不重要，都只是一些可以为音频指定的单音频声道。在方框中打勾即可为音频指定声道，选择形成了一条直线，每个音频都有自己的声道。
如果将声道格式改为「立体声」，可以看到现在每个音频可以选择两个声道，我们只需要 3 个音频，但是「音频剪辑数」的值仍然为"6"，把它更改为"3"，点击空白处应用设置。
现在「音频 1」有"左"和"右"两个声道，「音频 2」和「音频 3」也是，点击「确定」。
提示我我所做的更改不会更新到序列中的现有音频中，点击「是」。
将音频文件重新加入序列，可以看到每个音频现在都有两个声道。
返回刚刚的对话框，右键单击「修改」-「音频声道...」。
将「剪辑声道格式」更改为「单声道」。
可以在顶部选择预设，其中一个比较有趣的预设是「使用文件」，这个预设会根据文件创建时指定的信息来配置设置，将「音频剪辑数」更改为"1"，点击空白处应用设置。
选择第二个声道，也就是"右"声道但是名称是什么并没有关系，点击「确定」。
在确认对话框上选择「是」。
如果将这个音频文件再添加到序列中就会出现一个问题，当把它改为单声道后 Pr 不知道我想要使用序列中的哪一个声道。
将"A1"源选择按钮关闭，点击打开它，向右拖动一点，将音频文件重新拖放到序列中，这就得到了我需要的单音频声道。
这些时间轴轨道都是标准轨道，同时支持单声道和立体声音频，它们为立体声音频提供了对应的控制选项，可以进行平移之类的调整，同时也为单声道音频提供了对应的控制选项。
你也可以选择单声道轨道 5.1 声道轨道和自适应轨道，使用自适应音频，首先右键单击第二个音频，选择「修改」-「音频声道...」。
然后在「预设」中选择「自适应」，将很快配置好所有选项，「音频剪辑数」为"1"个，「剪辑声道格式」为自适应，「每剪辑的活动声道数」有 6 个声道，所有 6 个声道都将在 1 个音频中，点击「确定」。
现在将这个音频文件拖放到序列中，看看会发生什么，Pr 自动添加了一个新的音频轨道，里面包含正确的声道数量，这里是立体声。
轨道中只有 2 个声道，这里的数字"2" 表示有 2 个声道。
Original: https://blog.csdn.net/llhf688/article/details/121750277
Author: *橙子
Title: Pr 入门教程 如何在多声道音频中选择性地启用声道？
相关阅读2
Title: Python2.7 CentOS7 处理报错 ImportError: No module named psycopg2
运行出错：ImportError: No module named psycopg2
import psycopg2
Traceback (most recent call last):
File "", line 1, in
ImportError: No module named psycopg2
安装出错：
[root@localhost pyscript]# pip install psycopg2
DEPRECATION: Python 2.7 reached the end of its life on January 1st, 2020. Please upgrade your Python as Python 2.7 is no longer maintained. pip 21.0 will drop support for Python 2.7 in January 2021. More details about Python 2 support in pip can be found at https://pip.pypa.io/en/latest/development/release-process/#python-2-support pip 21.0 will remove support for this functionality.
Looking in indexes: http://mirrors.cloud.aliyuncs.com/pypi/simple/
Collecting psycopg2
Downloading http://mirrors.cloud.aliyuncs.com/pypi/packages/fd/ae/98cb7a0cbb1d748ee547b058b14604bd0e9bf285a8e0cc5d148f8a8a952e/psycopg2-2.8.6.tar.gz (383 kB)
|████████████████████████████████| 383 kB 15.5 MB/s
ERROR: Command errored out with exit status 1:
command: /usr/bin/python -c 'import sys, setuptools, tokenize; sys.argv[0] = '"'"'/tmp/pip-install-zXoKIr/psycopg2/setup.py'"'"'; file='"'"'/tmp/pip-install-zXoKIr/psycopg2/setup.py'"'"';f=getattr(tokenize, '"'"'open'"'"', open)(file);code=f.read().replace('"'"'\r\n'"'"', '"'"'\n'"'"');f.close();exec(compile(code, file, '"'"'exec'"'"'))' egg_info --egg-base /tmp/pip-pip-egg-info-1DZX3c
cwd: /tmp/pip-install-zXoKIr/psycopg2/
Complete output (25 lines):
/usr/lib64/python2.7/distutils/dist.py:267: UserWarning: Unknown distribution option: 'project_urls'
warnings.warn(msg)
running egg_info
creating /tmp/pip-pip-egg-info-1DZX3c/psycopg2.egg-info
writing /tmp/pip-pip-egg-info-1DZX3c/psycopg2.egg-info/PKG-INFO
writing top-level names to /tmp/pip-pip-egg-info-1DZX3c/psycopg2.egg-info/top_level.txt
writing dependency_links to /tmp/pip-pip-egg-info-1DZX3c/psycopg2.egg-info/dependency_links.txt
writing manifest file '/tmp/pip-pip-egg-info-1DZX3c/psycopg2.egg-info/SOURCES.txt'
Error: pg_config executable not found.
pg_config is required to build psycopg2 from source. Please add the directory
containing pg_config to the $PATH or specify the full executable path with the
option:
python setup.py build_ext --pg-config /path/to/pg_config build ...
or with the pg_config option in 'setup.cfg'.
If you prefer to avoid building psycopg2 from source, please install the PyPI
'psycopg2-binary' package instead.
..........................................
ERROR: Command errored out with exit status 1: python setup.py egg_info Check the logs for full command output
$ wget http://python.org/ftp/python/2.7.6/Python-2.7.6.tar.xz
$ tar xf Python-2.7.6.tar.xz
$ cd Python-2.7.6
$ ./configure --prefix=/usr/local --enable-unicode=ucs4 --enable-shared LDFLAGS="-Wl,-rpath /usr/local/lib"
$ make && make altinstall
$ yum install postgresql-libs
$ wget https://bitbucket.org/pypa/setuptools/raw/bootstrap/ez_setup.py
$ python2.7 ez_setup.py
$ easy_install-2.7 psycopg2
安装 ez_setup.py setuptools
可以先打开setuptools的python官网看看setuptools软件包如何安装:
> wget https://bitbucket.org/pypa/setuptools/raw/bootstrap/ez_setup.py > python ez_setup.py --user
也可以下载setuptools软件包后安装：
（1）下载setuptools包
(2)解压setuptools包
(3)切换到当前文件夹
（4）编译setuptools
(5)开始执行setuptools安装
[root@localhost pyscript]
Python 2.7.5 (default, Jun 20 2019, 20:27:34)
[GCC 4.8.5 20150623 (Red Hat 4.8.5-36)] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import psycopg2
Traceback (most recent call last):
File "", line 1, in <module>
ImportError: No module named psycopg2
解决步骤 1、
sudo pip install psycopg2
解决步骤 2、
sudo pip install psycopg2-binary
完成。
Original: https://blog.csdn.net/sunny_day_day/article/details/122194845
Author: ac.char
Title: Python2.7 CentOS7 处理报错 ImportError: No module named psycopg2
相关阅读3
Title: 【Tensorflow2】AttributeError: ‘Tensor‘ object has no attribute ‘numpy‘ 解决 (tf.py_function)
tf.data.Dataset 是一种高效好用的数据集载入工具. 使用它的 map 方法对数据进行处理也十分方便, 这个处理的函数最好是用 tf2 已经提供的 API 来实现.
对于一个用文件夹/文件名存储的数据集, 本人想对其文件路径进行解析(用正则库), 从而直接返回每个样本的数据和标签:
def load_data(file_name):
file_name = file_name.numpy().decode("utf8")
label = label_dict[pattern.search(file_name).group(0)]
data = np.loadtxt(file_name)[..., np.newaxis]
return tf.cast(data, tf.float32), tf.cast(label, tf.uint8)
ds_train = tf.data.Dataset.list_files("./data/dataset/train/*/*.txt", shuffle=True) \
.filter(lambda file_name: tf.strings.regex_full_match(file_name, source_list_regex)) \
.map(load_data, num_parallel_calls=64)
.batch(80) \
.prefetch(tf.data.experimental.AUTOTUNE) \
.cache()
可惜 tf2 没有内置的完整接口, 用 python 思维去如上去处理数据会有如下报错:
AttributeError: 'Tensor' object has no attribute 'numpy'
其主要原因是 map 方法默认情况下会把处理函数编译为静态图, 此时传入的参数类型为 tf1 里面的类型 tf.Tensor, 而非 tf2 默认的 EagerTensor, 并没有 numpy() 方法来拿到普通数据.
此时就需要把这个函数单独用 Eager 模式执行, 此处就可以使用 tf.py_function 或 tf.numpy_function.
PS: 很多教程里说直接全局用 Eager 模式去解决, 虽然理论上可以 , 但是会影响效率, 还不如直接去 pytorch
tf.py_function(
func,
inp,
Tout,
name=None
)
为了方便使用和更美观, 我包装成了一个装饰器 (类型标注部分可以删去, 不影响), 用法在最后面展示:
from typing import Union
import tensorflow as tf
def naive_function(input_signature: Union[tuple, list], type_out: Union[tuple, list]):
"""
Wraps a python function into a TensorFlow op that executes it eagerly.
Args:
input_signature: This is the input signature of the function. It is a list of TensorSpec objects.
type_out: The output types of the function.
Returns:
A decorator function
"""
if type_out is None:
raise TypeError("You must provide output types as a list or a tuple!")
def map_decorator(func):
@tf.function(input_signature=input_signature)
def wrapper(*args):
return tf.py_function(
func,
inp=args,
Tout=type_out
)
return wrapper
return map_decorator
同样地, 可以直接看官网例子使用或像我一样包装成装饰器:
from typing import Union
import tensorflow as tf
def np_function(input_signature: Union[tuple, list], type_out: Union[tuple, list]):
"""
It takes a function and returns a function that takes a tensor as input and returns a tensor as output
Args:
input_signature: This is the input signature list of the function. It is a list of TensorSpec objects.
type_out: The output types of the function.
Returns:
A decorator that takes a function and returns a wrapper function.
"""
if type_out is None:
raise TypeError("You must provide output types as a list or a tuple!")
def map_decorator(func):
@tf.function(input_signature=input_signature)
def wrapper(*args):
return tf.numpy_function(func, inp=args, Tout=type_out)
return wrapper
return map_decorator
将上面任意一种装饰器复制到你的个人工具包中并 import 之后(也可以直接复制到代码区, 但不美观), 可以像以下案例来使用, 来避免最上面所展示的 load_data() 报错.
@naive_function (接收的参数为 Eager tensor 类型)
只要给装饰器提供输入参数的类型(tf.TensorSpec 对象)和输出参数的类型即可(都要放入列表!).
装饰器作用后, file_name 已经是一个 Eager tensor, 最上面的函数几乎不需要改动就能用. 稳定起见, 函数最后来一个 tf.cast() 强调一下数据类型.
from mytools import naive_function
@naive_function(input_signature=[tf.TensorSpec(shape=None, dtype=tf.string)], type_out=[tf.float32, tf.uint8])
def load_data(file_name):
"""
It takes a file name, extracts the label from the file name, loads the data from the file, and returns the data
and label
Args:
file_name: The name of the file to load,whose type is eager tensor not tf.Tensor!!!
Returns:
The data and the label
Examples for test
--------
for a in ds_train.take(1):
print(a[1].numpy())
"""
file_name = file_name.numpy().decode("utf8")
label = label_dict[pattern.search(file_name).group(0)]
data = np.loadtxt(file_name)[..., np.newaxis]
return tf.cast(data, tf.float32), tf.cast(label, tf.uint8)
@np_function (接收的参数直接为 numpy 类型)
基本同上,只有一处不同: 装饰器作用后, file_name 已经是一个 numpy 类型数据.
from mytools import np_function
@np_function(input_signature=[tf.TensorSpec(shape=None, dtype=tf.string)], type_out=[tf.float32, tf.uint8])
def load_data(file_name):
file_name = file_name.decode("utf8")
label = label_dict[pattern.search(file_name).group(0)]
data = np.loadtxt(file_name)[..., np.newaxis]
return tf.cast(data, tf.float32), tf.cast(label, tf.uint8)
除了类型标注部分可以删去, 装饰器里的 wrapper() 上面的 @tf.function(input_signature) (应该)也可以删除, 这样的话使用装饰器时只提供 type_out 即可. 这些修改很简单, 不再赘述.
Original: https://blog.csdn.net/qq_27329407/article/details/125722048
Author: 欲语还羞✿
Title: 【Tensorflow2】AttributeError: ‘Tensor‘ object has no attribute ‘numpy‘ 解决 (tf.py_function)