引言
在NVIDIA Jetson NX等ARM架构的嵌入式AI板子上搭建Python开发环境，特别是安装像NumPy、OpenCV这样包含C/C++底层代码的科学计算库时，经常会遇到编译失败、耗时过长或依赖冲突等问题。这些问题尤其在通过pip从源代码编译安装时更为突出，例如常见的ModuleNotFoundError: No module named 'skbuild'或Cython编译错误。
本文将介绍一种通过APT包管理器快速、稳定地安装NumPy、scikit-learn和OpenCV的方法。这种方法极大地简化了安装流程，避免了繁琐的源代码编译过程。
重要提示：
通过APT安装的OpenCV版本通常是CPU版本，不会利用Jetson板子特有的GPU（CUDA）加速。如果您对OpenCV的性能有较高要求（例如用于深度学习推理），建议考虑使用预编译的.whl文件或自行编译（这两种方法更为复杂，但能发挥Jetson的硬件优势）。本文主要面向追求安装简便和稳定性的用户。
前期准备与清理
在开始之前，为了避免新旧安装方式之间的冲突，我们首先需要清除之前可能失败的pip安装尝试以及相关的缓存。
-
终止所有不必要的进程：
如果你的Jetson NX当前运行着大量占用CPU和内存的服务（如ROS2节点），请务必在开始安装前停止它们。最彻底的方法是重启你的Jetson NX板子，重启后直接进入终端，不要启动任何其他应用程序。 -
彻底清除
pip的安装残余和缓存：# 终止任何正在运行的 pip 命令 (如果还在运行，可按 Ctrl + C 几次)# 卸载所有可能已部分安装或失败的 Python 包 pip3 uninstall opencv-python pip3 uninstall numpy pip3 uninstall scikit-learn pip3 uninstall Cython pip3 uninstall scikit-build# 清除 pip 的下载缓存，确保下次下载的是干净的版本 pip3 cache purge# 删除 pip 的临时构建目录（这些通常在 /tmp 下，重启后也会自动清除） rm -rf /tmp/pip-build-* -
更新系统包列表和已安装的包：
这是一个好习惯，确保你的系统是最新的，并且可以获取到最新的软件包信息。sudo apt update sudo apt full-upgrade -y # 升级所有已安装的包，包括依赖关系
核心库安装 (使用APT)
现在我们可以开始使用apt来安装所需的Python库了。
-
安装
NumPy：
NumPy是Python科学计算的基础库，提供高性能的多维数组对象和工具。sudo apt install -y python3-numpy -
安装
scikit-learn：
scikit-learn是一个强大的机器学习库，依赖于NumPy和SciPy。APT会自动处理这些依赖。sudo apt install -y python3-sklearn -
安装
OpenCV及其Python绑定：
python3-opencv包会安装OpenCV库的核心文件以及Python 3的绑定。sudo apt install -y python3-opencv再次提醒： 这个通过
apt安装的OpenCV版本通常是通用CPU版本，无法利用Jetson NX的GPU加速功能。如果您有高性能需求，请务必考虑其他安装方式。
验证安装
安装完成后，我们可以进入Python环境，导入这些库并检查它们的版本，以确认安装成功。
python3
在Python解释器中输入以下命令：
import numpy
print(f"NumPy Version: {numpy.__version__}")import sklearn
print(f"scikit-learn Version: {sklearn.__version__}")import cv2
print(f"OpenCV Version: {cv2.__version__}")# 简单测试一下 OpenCV 和 NumPy 功能，确保其能正常工作
import numpy as np
img = np.zeros((200, 300, 3), dtype=np.uint8) # 创建一个200x300的黑色图像
cv2.rectangle(img, (50, 50), (250, 150), (0, 255, 0), -1) # 在图像上画一个绿色矩形
cv2.imwrite("my_output_image_apt_test.png", img) # 保存图像文件
print("OpenCV (via apt) installed successfully and created my_output_image_apt_test.png")exit() # 退出 Python 解释器
如果所有命令都成功执行，并打印出了版本号，且在当前目录下生成了 my_output_image_apt_test.png 文件，那么恭喜你，你的环境已经搭建成功了！
如何运行Python文件
安装完成后，你可以像运行其他Python脚本一样运行你的文件。
假设你有一个名为my_project.py的Python文件，内容如下：
#!/usr/bin/env python3
# my_project.pyimport numpy as np
import cv2
from sklearn.linear_model import LinearRegressionprint("--- Python Script Started ---")# 使用 NumPy
arr = np.array([1, 2, 3, 4, 5])
print(f"NumPy array: {arr}")# 使用 OpenCV
img = np.zeros((150, 250, 3), dtype=np.uint8)
cv2.circle(img, (125, 75), 50, (255, 0, 0), -1) # 在图像上画一个蓝色圆形
cv2.imwrite("my_circle_image.png", img)
print("Created my_circle_image.png using OpenCV.")# 使用 scikit-learn
X_train = np.array([[1], [2], [3], [4], [5]])
y_train = np.array([2, 4, 5, 4, 5])
model = LinearRegression()
model.fit(X_train, y_train)
print(f"scikit-learn Linear Regression Coefficient: {model.coef_[0]:.2f}")print("--- Python Script Finished ---")
有以下两种常用方式运行它：
-
直接使用
python3命令 (最常用)：
在终端中，导航到你的my_project.py文件所在的目录，然后运行：python3 my_project.py -
使脚本可执行并直接运行 (Shebang方式)：
如果你想让脚本像普通程序一样直接运行，可以在脚本文件开头添加#!/usr/bin/env python3这一行，并赋予执行权限。- 编辑
my_project.py文件，在最顶部添加#!/usr/bin/env python3。 - 给脚本添加执行权限：
chmod +x my_project.py - 运行脚本：
./my_project.py
- 编辑
重要注意事项
-
OpenCV的GPU加速： 如前所述，通过
apt安装的OpenCV版本通常是CPU版本，无法利用Jetson的GPU加速。如果您对性能有较高要求：- 推荐方案： 寻找并安装专门为Jetson ARM架构和CUDA编译的
opencv-python.whl文件。这些文件通常在NVIDIA官方社区、Qengineering等网站上提供。安装.whl文件只需几分钟，且能充分利用GPU。 - 自行编译： 如果找不到合适的
.whl文件，您可以尝试从OpenCV源代码进行编译。这个过程极其耗时且复杂，需要正确配置CMake选项来启用CUDA加速，并确保所有依赖库版本兼容。
- 推荐方案： 寻找并安装专门为Jetson ARM架构和CUDA编译的
-
Python虚拟环境（
venv）：apt安装的Python包是针对系统级别的Python环境。如果你在将来使用venv（Python虚拟环境）来管理项目依赖，这些apt安装的包默认不会在虚拟环境中可用。你需要在激活虚拟环境后，使用pip install在虚拟环境中再次安装这些包（此时pip会尝试下载预编译的.whl文件或再次进行编译）。
结论
通过本文介绍的APT安装方法，你可以快速、简便地在NVIDIA Jetson NX板子上搭建起包含NumPy、scikit-learn和OpenCV的Python开发环境。尽管APT安装的OpenCV版本在GPU加速方面存在局限，但对于大多数日常开发和学习任务而言，它提供了一个稳定且易于维护的基础环境。
希望这篇教程能帮助读者们在Jetson NX上顺利开展Python开发！
)
前端直传)
