jetson nano 配置pytorch和torchvision环境+tensorrt模型转换+Deepstream部署yolov5（亲测可用）

因为一次比赛接触到了jetson nano,需要使用pycharm训练自己的模型加上yolov5进行目标检测，并部署到jetson nano上,直到比赛结束也没有搞出来，后来jetson nano开始吃灰，后来因为大创需要重新开始了我的yolov5部署之路。网上资料断断续续，不是太清晰，也有太多的坑和bug，在环境配置中跌跌撞撞好几天，最后实现了目标检测，因为踩了太多的坑，于是决定写下这篇博客记录我与jetson nano和yolov5的相爱相杀。
此篇文章并不是我的原创，是我结合csdn上许多优秀博主的github上的一些优秀资源写下来的。链接我放在了最后，再次感谢这些博主给予的帮助。
以下是本篇文章正文内容，希望可以帮助大家顺利打开Yolov5的大门。

jetson nano B01 4G
USB摄像头
电脑显示屏

jetson nano下：
Jetpack 4.5.1
Deepstream 5.1
windows

接下来我们进入正文：
**

在此附上以上两个软件的百度网盘链接：
win32Disk:
链接：https://pan.baidu.com/s/1uG8AnHu4XgOqTLLVulEhpg
提取码：gknk
SDFormatte:
链接：https://pan.baidu.com/s/1irK8jni9cE6E0meXJv_VYg
提取码：rw44
烧录完成后连接显示屏，进行一些基础的配置，配置完成后，开机。
**

本人踩了很多坑，Deepstream官网下载非常慢，需要翻墙下载。在此我也附上百度网盘链接：

下载又是一个非常缓慢的过程…
我们先配置安装Deepstream所需要的环境
1.安装环境

2.输入以下命令以提取并安装DeepStream SDK：

提取时一定要使用如上代码，不要将opt文件放在home目录下（后续许多环境会出错），本人亲自踩坑
**

**
1.安装pytorch1.8.0和torchvision0.9.0（切记不要随意安装版本，版本一定要对应）
安装pytorch

安装torchvision0.9.0

**

**
1.克隆yolov5-4.0文件和tensorrtx文件（我这里使用的是yolov5-4.0，其他版本转换模型时可能会出错）

2.下载最新的yolov5s.pt到yolov5目录下

3.将tensorrtx文件下的gen_wts.py文件复制到yolov5文件夹里

4.生成yolov5s.wts文件

执行完成后在yolov5文件夹下将会有yolov5s.wts文件生成
**

1.在tensorrt文件下创建build文件夹

2.将生成的 yolov5s.wts 文件移动到tensorrtx下的yolov5 文件夹中

3.转换为 tensorrt 模型（yolov5s.wts文件将在tensorrt/yolov5/build文件夹中生成）

执行完成后在build文件夹下将会出现yolov5s.engine文件

4.创建自定义 yolo 文件夹并复制生成的文件（这个yolo文件夹自己创建的）

如果创建不成功可以使用进入root权限创建
**

1.运行命令

这一步的意思是给文件夹赋予权限

2.将Deepstream-yolo-master下的external文件夹复制到我所创建的yolo文件下（可以使用winscp软件）
在此附上Deepstream-yolo-master的百度网盘链接：
链接：https://pan.baidu.com/s/1XfuIT33GCE3QElYg1cQu3A
提取码：ju2u
同时附上winscp下载链接：
https://winscp.net/eng/index.php

3.进行编译

编译成功后，恭喜你完成了所有部署。
**

模型测试在自己创建的yolo文件夹下
输入

运行

现在是凌晨一点钟，我写下这篇博客是为了记录自己部署yolov5的经历与过程，希望在我之后部署yolov5进行目标检测的同学能够更加顺利，同时开启我的博客之路，以后我也会将自己学习到的一些东西写下一篇篇的博客记录下来。