基于Jetso Nano的嵌入式环境配置

本文档包含了以下各项内容：

开发板参数
目标代码运行环境
开发板基本配置
Jetson nano 上编译 Opencv3.4.2
Jetson nano 上编译 Onnxruntime
Jetson nano 上编译目标检测代码

开发板参数

* 边缘盒子：图为T100
* 硬件型号：Jetson Nano B01 
* 操作系统：Ubuntu18.04
* CPU型号 ：Cortex-A57
* CPU架构 ：ARMv8-A (aarch64)
* 显卡型号：128-core NVIDIA Maxwell @ 921MHz CUDA10
* 运行内存：4 GB 64-bit LPDDR4, 1600M
* 存储空间：16GB eMMC (Nano 模块内置) + M.2 Key M NVMe 2280 (256G固态硬盘)

目标代码运行环境

* Opencv 3.4.2
* Onnxruntime 1.7.0
* Cuda 10.2.89
* Cudnn 8.0.0.180
* TensorRT 7.1.3.0

开发板的基础配置 (参考T100使用说明)

1. 更换国内镜像源 (华为源)

$ sudo wget -O /etc/apt/sources.list https://repo.huaweicloud.com/repository/conf/Ubuntu-Ports-bionic.listsudo

$ sudo apt-get update

注：如非必要不可以使用 sudo apt-get upgrade，直接升级内核会覆盖设备树，使用下面指令后才能使用upgrade指令，误用只能重刷系统

$ sudo rm /etc/apt/sources.list.d/nvidia-l4t-apt-source.list

2. Jetson nano 线刷系统 & 设置256G固态硬盘为系统

线刷的意思就是利用数据线，将系统刷入开发板上，有重要的文件请先备份出来！这里你需要准备的工具有：

* 下载好的L4T系统包
* 一个装有Ubuntu系统的主机
* 一根 micro USB 数据线
* 两支牙签或者笔(尖尖的东西均可)

更换系统盘是必须的，默认盘只有16G，必须进行系统盘的迁移

第一步：主机上下载对应版本的L4T系统包，百度网盘提取密码：d54d 这里以本开发板为例，需要下载的是 JetPack4.4.1_T100_T101 下面的 t100.v1.3 (这个是驱动包) 以及 Linux_for_Tegra.gz (这个是系统固件包)，然后解压系统包，将驱动拷贝到系统包下面：

$ sudo tar zxvf Linux_for_Tergra.gz

$ cp -r ./t100.v1.3/Linux_for_Tergra/* ./Linux_for_Tergra/

第二步：让开发板进入恢复模式，数据线连接开发板和主机，开发板上电，先按住RECOVERY按键然后按住RESET复位键(都别松开)，然后释放RESET按键，两秒后释放RECOVERY按键进入恢复模式。这里可以使用 lsusb 指令来查看是否出现 Nvidia Corp. 设备进行验证

$ lsusb

Bus 003 Device 005: ID 0955:7c18 Nvidia Corp. //出现类似类似语句说明连接成功

第三步：主机中进入第一步准备的工具包进行系统的刷入

$ cd Linux_for_Tegra

$ sudo ./flash.sh jetson-nano-emmc mmcblk0p1 //这一步会格式系统

第四步：等待刷机完成进入系统后，如果出现WiFi无法正常使用的情况(WIFI正常，跳过此步)，检查rt18821cu.ko是否存在，目录为：

$ cd /lib/modules/4.9.140-tegra/kernel/drivers/net/wireless/realtek/rtl8821cu/

如果不存在该文件夹或者文件夹下面没有 rt18821cu.ko 文件，可以在第一步网盘中的 USB WIFI 文件夹下载创建目录放入。然后进行模块的载入。

$ sudo modprobe cfg80211 //载入模块

$ sudo depmod -a //分析可载入模块的相依性

$ sudo modprobe rtl8821cu

$ sudo echo rtl8821cu >> /etc/modules //将驱动添加到开机启动列

注：和 insmod相比 modprobe 可以解决 load module时的依赖关系

注：安装完系统建议更换国内镜像源

第五步：设置256G固态硬盘为系统盘：点击左上角或者按下 win 按键搜索打开 disks ,可以看到一块固态硬盘，然后右键将其格式化为Ext4模式，然后装载运行，进入固态中打开终端运行下列指令：

$ git clone https://github.com/jetsonhacks/rootOnNVMe.git

$ cd rootOnNVMe

$ ./copy-rootfs-ssd.sh

$ ./setup-service.sh

$ reboot

重启完成系统安装与系统盘的迁移

3. 检查安装Jtop工具

一款系统监控程序。使用指令 jtop 进行查看系统的cpu、gpu、内存等信息

Jtop工具安装指令：

$ sudo apt-get install python3-pip

$ sudo pip3 install jetson-stats //包含Jtop

$ sudo jtop

4. 检查系统JetPack配置

JetPack主要包含了Cuda、Cudnn、TensorRT、Opencv 等软件的安装，可以使用以下指令直接查看各个版本信息：

$ jetson-release

对于单独查看各个软件版本的指令为：

3.1 查看 Cuda 版本：

$ nvcc --version

3.2 查看 TensorRT 版本：

$ python3

import tensorrt

tensorrt.__version__ //注意这里有两个下划线，保证返回的只有版本型号7.1.3.0

以上如果 Cuda 或者 TensorRT 出现问题需要重新安装 JetPack 系列，如果担心卸载不干净可以尝试重新给Jetson Nano刷入系统，当然刷入系统后仍要重新刷入JetPack

如果系统中没有 JetPack 或者 JetPack 中TensorRT 出现了问题，可以采用线刷或者卡刷的方式进行 JetPack 刷入，下面分别介绍这两种刷入方式

5. 线刷 JetPack Manager

线刷就是在主机上下载好官方给出的 SDK Manager 然后用数据线在恢复模式下连接开发板，给开发板刷入 jetpack 的方式，刷入的过程受制于网络，国外网络刷入较慢，比较随缘。不过刷入后的工具比较齐全，还是比较建议线刷的。在决定线刷后你需要这些：

* 一台安装ubuntu18.04的主机(其他我没试过)
* 官网免费注册nvidia账号
* 主机安装SDK manager
* 一根micro usb数据线

附: 你可以从官网下载：SDK Manager 或者你也可以从：百度网盘下载，提取密码：tw12

第一步：下载 SDK Manager 安装包，然后安装到主机上

$ sudo dpkg -i ./sdkmanager_1.6.0-8170_amd64.deb

第二步：开发板连接主机，打开SDK Manager软件。这里有几个需要注意的点：

* 去掉勾选 Host Machine(不需要主机上安装)
* Target Hardware 显示为Detected则表示设备已与ubuntu电脑主机连接(需要出现Detected，如果一直不出现可以试试进入恢复模式)
* 首次连接弹出选择硬件的窗口选择Jetson Nano(不是kit版本的)
* jetpack版本要选择和系统对应的版本，这里应该选择JetPack4.4.1
* 不需要勾选DeepStream，因为我们用不到

第三步：进入 STEP 02 这里你需要注意的有：

* 不需要勾选Jetson OS, 因为不需要重刷系统
* 勾选Jetson SDK Components 会下载包含的所有组件
* Download folder 这个是下载到主机的路径，保证空间足够
* 接受条款
* 勾选Download now. Install later.把所有组件下载到主机，这里推荐这么做，方便后期网络问题多次刷入。
* 下一步安装即可

第四步：安装完成会出现Finish的按钮，注意这里你只是离线下载了所有的组件，并没有自动给你刷到刷入到开发板上，因此需要完成安装后，重新打开软件，重复第二步，然后在第三步的时候去除Download now. Install later的选项，进行刷入即可。有几个需要注意的点：

* 这里可能会出现一个Disk space的错误，说开发板空间不足，直接Skip即可。
* 安装过程需要连网，会下载各种组件，并且会出现卡住的情况，原因是外网连接不流畅，可以选择等待，超时的话继续下载，刷入过程开发板通过数据线共享主机网络环境，卡住时也可以通过关闭打开网络来尝试恢复下载组件。

经过很长时间，刷入完成，开机检查 JetPack 配置即可。

6. 卡刷JetPack4.4.1

卡刷的意思是将安装包上传到开发板上，然后直接在终端进行安装即可，卡刷比较简单，但是不保证安装完会遇到缺少组件的情况

附：JetPack4.4 卡刷包下载：百度网盘提取密码：x7ck

第一步：安装cuda10.2

$ sudo dpkg -i /opt/nvidia/deb_repos/cuda-repo-l4t-10-2-local-10.2.89_1.0-1_arm64.deb

//安装完成会提示pub key，根据提示添加apt key(.pub)，例如:

$ sudo apt-key add /var/cuda-repo-10-2-local-10.2.89/7fa2af80.pub

$ sudo apt-get -y update

$ sudo apt-get -y install cuda-toolkit-10-2

$ nvcc -V

//以上安装完成后，通过nvcc 查询不到，但可以搜索目录/usr/local 是否有cuda，此时可通过添加环境变量 ~/.bash.rc

$ sudo vi ~/.bashrc

export PATH=/usr/local/cuda-10.2/bin:$PATH

export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64:$LD_LIBRARY_PATH

$ source ~/.bashrc

第二步：安装cudnn8.0

//依次安装文件夹下所有安装包

$ sudo dpkg -i libcudnn8_8.0.0.180-1+cuda10.2_arm64.deb

$ sudo dpkg -i libcudnn8-dev_8.0.0.180-1+cuda10.2_arm64.deb

$ sudo dpkg -i libcudnn8-doc_8.0.0.180-1+cuda10.2_arm64.deb

$ sudo apt-get -y update

//以上安装完成后，通过jetson_release 查看安装后的版本信息

$ jetson_release

第三步：安装TensorRT7.1.3

//依次安装文件夹下所有安装包

$ sudo dpkg -i libnvinfer7_7.1.3-1+cuda10.2_arm64.deb

$ sudo dpkg -i libnvinfer-dev_7.1.3-1+cuda10.2_arm64.deb

$ sudo dpkg -i libnvinfer-plugin7_7.1.3-1+cuda10.2_arm64.deb

$ sudo dpkg -i libnvinfer-plugin-dev_7.1.3-1+cuda10.2_arm64.deb

$ sudo dpkg -i libnvonnxparsers7_7.1.3-1+cuda10.2_arm64.deb

$ sudo dpkg -i libnvonnxparsers-dev_7.1.3-1+cuda10.2_arm64.deb

$ sudo dpkg -i libnvparsers7_7.1.3-1+cuda10.2_arm64.deb

$ sudo dpkg -i libnvparsers-dev_7.1.3-1+cuda10.2_arm64.deb

$ sudo dpkg -i libnvinfer-bin_7.1.3-1+cuda10.2_arm64.deb

$ sudo dpkg -i libnvinfer-doc_7.1.3-1+cuda10.2_all.deb

$ sudo dpkg -i libnvinfer-samples_7.1.3-1+cuda10.2_all.deb

$ sudo dpkg -i tensorrt_7.1.3.0-1+cuda10.2_arm64.deb

$ sudo dpkg -i python-libnvinfer_7.1.3-1+cuda10.2_arm64.deb

$ sudo dpkg -i python-libnvinfer-dev_7.1.3-1+cuda10.2_arm64.deb

$ sudo dpkg -i python3-libnvinfer_7.1.3-1+cuda10.2_arm64.deb

$ sudo dpkg -i python3-libnvinfer-dev_7.1.3-1+cuda10.2_arm64.deb

$ sudo dpkg -i graphsurgeon-tf_7.1.3-1+cuda10.2_arm64.deb

$ sudo dpkg -i uff-converter-tf_7.1.3-1+cuda10.2_arm64.deb

$ sudo apt-get -y update

//以上安装完成后，通过jetson_release 查看安装后的版本信息,进入python3中调用tensorrt输出版本信息

$ jetson_release

$ python3

import tensorrt

tensorrt.__version__ //这里两个下划线

Opencv 3.4.2在Jetson nano上的编译

编译过程中需要注意的是：

* FFmpeg的编译 (用于视频流的解码读取)
* GTK组件的编译 (用于窗口的创建)

源码包的下载：Opencv 3.4.2

编译包的下载：百度网盘提取密码：1o16

第一步：删除本地的opencv环境

$ sudo apt-get purge libopencv*

$ sudo apt autoremove

$ sudo apt-get update

第二步：下载opencv依赖的库

sudo apt-get install build-essential libglew-dev libtiff5-dev zlib1g-dev libjpeg-dev libavcodec-dev libavformat-dev libavutil-dev libpostproc-dev libswscale-dev libeigen3-dev libtbb-dev libgtk2.0-dev pkg-config libpng-dev libatlas-base-dev gfortran

第三步：cmake版本升级需要下载源码包进行安装

$ sudo apt-get remove cmake

$ ln -sf /home/cmake-3.21/bin/* /usr/bin/ //cmake源码bin文件夹建立软链接

第四步：opencv编译

在明确了需要编译进去的功能后，进入到opencv3.4.2源码目录下，创建build文件夹。

$ cmake
-DCMAKE_BUILD_TYPE=Release
-DBUILD_PNG=ON
-DBUILD_JPEG=ON
-DBUILD_ZLIB=ON
-DWITH_FFMPEG=ON
-DWITH_GSTREAMER=ON
-DWITH_GTK=ON
-DBUILD_opencv_world=ON
-CMAKE_INSTLL_PREFIX=/usr/local/arm64
..

//这里解释一下：这里上面的指令为一句话，opencv_world表示构建整合包，INSTALL_PREFIX为你的安装目录。命令是在build目录下进行的，最后一行的 . . 用于进入到上层来生成。

$ sudo make -j4 //等待20min

$ sudo make install

报错首先查看依赖问题，尝试安装依赖包解决

第五步：opencv的移植

在编译安装好opencv3.4.2后，你会在安装目录下生成四个文件夹。需要注意的是lib下面有opencv_world文件，说明编译时的-DBUILD_opencv_world选项有效。

配置 pkg-config

打开/etc/ld.so.conf文件，在最后一行添加刚才编译输出的库路径/usr/local/arm64/lib，再进行ldconfig等配置，具体过程如下：

$ vim /etc/ld.so.conf //将/usr/local/arm64/lib添加到文件末尾

$ sudo ldconfig -v

$ export PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/arm64/lib/pkgconfig

//注意，export只在当前终端有效，切换或者重新打开需要重新export

修改 $(OPENCV)/lib/pkgconfig/opencv.pc ，注意核对一下pc文件中的目录是否准确，在移植的过程不会自动改变，需要你根据目录自行修改

$ pkg-config --libs --cflags opencv //用于核对opencv是否可以正常引用，正常情况会返回-I和-L各种依赖库路径类似下图。

-I/usr/local/arm64_opencv/include/opencv -I/usr/local/arm64_opencv/include -L/usr/local/arm64_opencv/lib -lopencv_world

第六步：直接调用opencv

g++ -o Test1 ./Test1.cpp `pkg-config --cflags --libs opencv` //注意这里的 ` 是键盘左上角数字键1左边的

Onnxruntime1.7.0 在Jetson nano上的编译

第一步：获取Onnxruntime1.7.0的源码包。

Onnxruntime1.7.0 源码包：百度网盘提取密码：8wtk

* 当然你也可以从Github上进行git，但是一定要保证能拉取到完整的源码包！因为源码里面很多内容是链接到了别的文件。如果你懒得查找可以直接从网盘获取。

第二步：在Jetson Nano上编译Onnxruntime

* 这里你首先需要安装好一些支持包

$ sudo apt-get update

$ sudo apt-get install -y build-essential curl libcurl4-openssl-dev libssl-dev wget python3-pip git tar

$ pip3 install --upgrade pip

$ pip3 install --upgrade setuptools

$ pip3 install --upgrade wheel

$ pip3 install numpy

$ sudo apt install -y --no-install-recommends build-essential software-properties-common libopenblas-dev libpython3.6-dev python3-pip python3-dev protobuf-compiler libprotoc-dev

/*接下来进入到onnxruntime目录,执行安装程序，这里你需要修改的是tensorrt_home路径、cuda_home路径、cudnn_home路径，这里的--use_openmp意思是开发板上的多核并行编译*/

$ ./build.sh --update --config Release --enable_pybind --build_shared_lib --build --build_wheel --use_openmp --use_tensorrt --tensorrt_home /usr/src/tensorrt --cuda_home /usr/local/cuda --cudnn_home /usr/lib/aarch64-linux-gnu

> >//大概经过5h，你可以在开发板上编译完成

如果你不想等待这么长的时间，你可以直接下载我编译好的版本：百度网盘提取密码：kcly

目标检测源码在Jetson Nano上的编译运行

目标检测源码目前有两个版本：
* 第一个版本的源码包含了使用仅仅Cuda的模式(当前开发板下可以达到平均帧率为2.6帧)
* 使用TensorRT加速的模式(当前开发板下能达到平均帧率为4.6帧率，但是每次运行都需要花费四五分钟来生成TensorRT的引擎)。
* 第二个版本只有初次运行时生成一个TensorRT引擎，在之后的运行中只需要调用该引擎即可，平均帧率可以达到4.6帧率

这里提供两个版本的源码包和引擎文件。百度网盘提取码: tpl9

源码的编译过程你需要提前准备的是：

第一步：boost、atlas依赖库的下载：

$ sudo apt-get install libboost-dev

$ sudo apt-get install libatlas-base-dev

第二步：CmakeLists文件修改

这里你需要对照修改的是：
* 头文件部分，对照objectdetection.cpp文件中的头文件进行修改
* 库文件部分，对照下面列出来的所需要的依赖库的库名进行查找修改
* 库名部分，在文件夹中完整的库名应该是lib---.so的形式，这里直接写库名即可

这里给出一个版本一的CmakeLists参考

# ------------------------------头文件部分----------------------------------------------
set(CUDA_INC_DIR //usr/local/cuda-10.2/targets/aarch64-linux/include)     
set(CUDNN_INC_DIR /usr/include)
set(OpenCV_INC_DIR /usr/local/arm64/include)
set(ORT_INC_DIR  /home/epic/onnxruntime/include/onnxruntime/core)
set(INC_DIR ${CUDA_INC_DIR} ${CUDNN_INC_DIR} ${OpenCV_INC_DIR} ${ORT_INC_DIR})
# ------------------------------------------------------------------------------------

# ----------------------------库文件部分------------------------------------------------
set(CUDA_LIB_DIR /usr/local/cuda-10.2/targets/aarch64-linux/lib)
set(CUDNN_LIB_DIR /usr/lib/aarch64-linux-gnu)
set(OpenCV_LIB_DIR /usr/local/arm64/lib)
set(ORT_LIB_DIR /home/epic/onnxruntime/build/Linux/Release)
set(LIB_DIR ${CUDA_LIB_DIR} ${CUDNN_LIB_DIR} ${OpenCV_LIB_DIR} ${ORT_LIB_DIR})
# ------------------------------------------------------------------------------------

# ----------------------------库文件需要链接的库名----------------------------------------
set(CUDA_LIBS  cudart curand cufft nppig)
set(CUDNN_LIBS cudnn cublas)
set(OpenCV_LIBS  opencv_world)
set(ORT_LIBS onnxruntime custom_op_library onnxruntime_providers_shared onnxruntime_providers_tensorrt)
set(LINK_LIBS ${CUDA_LIBS} ${CUDNN_LIBS} ${OpenCV_LIBS} ${ORT_LIBS} )
#-----------------------------------------------------------------------------

第三步：修改main.cpp中的文件

* optim_tn.onnx 的位置 你的引擎
* tn_label.txt 的位置 你的引擎标签
* video_path 的位置 你检测的视频位置

第四步：分配虚拟内存

Jetson nano只有4G的内存，在直接运行TensorRT加速模式时会出现内存不足，进程killed的中断，这里的解决办法是使用虚拟内存来扩充。下面给出一个简单的配置项目。

$ git clone https://github.com/JetsonHacksNano/installSwapfile

$ cd installSwapfile/

$ sudo ./installSwapfile.sh

第五步：编译运行源码

在源码目录下创建build文件夹，进入build文件夹下使用指令编译运行：

$ cmake ..

$ make

$ ./tnProject

基于Jetso Nano的嵌入式环境配置

开发板参数

目标代码运行环境

开发板的基础配置 (参考T100使用说明)

1. 更换国内镜像源 (华为源)

注：如非必要不可以使用 sudo apt-get upgrade，直接升级内核会覆盖设备树，使用下面指令后才能使用upgrade指令，误用只能重刷系统

2. Jetson nano 线刷系统 & 设置256G固态硬盘为系统

线刷的意思就是利用数据线，将系统刷入开发板上，有重要的文件请先备份出来！这里你需要准备的工具有：

更换系统盘是必须的，默认盘只有16G，必须进行系统盘的迁移

第三步：主机中进入第一步准备的工具包进行系统的刷入

第四步：等待刷机完成进入系统后，如果出现WiFi无法正常使用的情况(WIFI正常，跳过此步)，检查rt18821cu.ko是否存在，目录为：

如果不存在该文件夹或者文件夹下面没有 rt18821cu.ko 文件，可以在第一步网盘中的 USB WIFI 文件夹下载创建目录放入。然后进行模块的载入。

注：和 insmod相比 modprobe 可以解决 load module时的依赖关系

注：安装完系统建议更换国内镜像源

第五步：设置256G固态硬盘为系统盘：点击左上角或者按下 win 按键搜索打开 disks ,可以看到一块固态硬盘，然后右键将其格式化为Ext4模式，然后装载运行，进入固态中打开终端运行下列指令：

重启完成系统安装与系统盘的迁移

3. 检查安装Jtop工具

一款系统监控程序。使用指令 jtop 进行查看系统的cpu、gpu、内存等信息

Jtop工具安装指令：

4. 检查系统JetPack配置

JetPack主要包含了Cuda、Cudnn、TensorRT、Opencv 等软件的安装，可以使用以下指令直接查看各个版本信息：

对于单独查看各个软件版本的指令为：

3.1 查看 Cuda 版本：

3.2 查看 TensorRT 版本：

以上如果 Cuda 或者 TensorRT 出现问题需要重新安装 JetPack 系列，如果担心卸载不干净可以尝试重新给Jetson Nano刷入系统，当然刷入系统后仍要重新刷入JetPack

如果系统中没有 JetPack 或者 JetPack 中TensorRT 出现了问题，可以采用线刷或者卡刷的方式进行 JetPack 刷入，下面分别介绍这两种刷入方式

5. 线刷 JetPack Manager

附: 你可以从官网下载：SDK Manager 或者你也可以从：百度网盘 下载，提取密码：tw12

第一步：下载 SDK Manager 安装包，然后安装到主机上

第二步： 开发板连接主机，打开SDK Manager软件。这里有几个需要注意的点：

第三步：进入 STEP 02 这里你需要注意的有：

经过很长时间，刷入完成，开机检查 JetPack 配置即可。

6. 卡刷JetPack4.4.1

卡刷的意思是将安装包上传到开发板上，然后直接在终端进行安装即可，卡刷比较简单，但是不保证安装完会遇到缺少组件的情况

附：JetPack4.4 卡刷包下载：百度网盘 提取密码：x7ck

第一步：安装cuda10.2

第二步：安装cudnn8.0

第三步：安装TensorRT7.1.3

Opencv 3.4.2在Jetson nano上的编译

源码包的下载：Opencv 3.4.2

编译包的下载：百度网盘 提取密码：1o16

第一步：删除本地的opencv环境

第二步：下载opencv依赖的库

第三步：cmake版本升级 需要下载源码包进行安装

第四步：opencv编译

报错首先查看依赖问题，尝试安装依赖包解决

第五步：opencv的移植

配置 pkg-config

修改 $(OPENCV)/lib/pkgconfig/opencv.pc ，注意核对一下pc文件中的目录是否准确，在移植的过程不会自动改变，需要你根据目录自行修改

第六步：直接调用opencv

Onnxruntime1.7.0 在Jetson nano上的编译

第一步：获取Onnxruntime1.7.0的源码包。

Onnxruntime1.7.0 源码包：百度网盘 提取密码：8wtk

第二步：在Jetson Nano上编译Onnxruntime

如果你不想等待这么长的时间，你可以直接下载我编译好的版本：百度网盘 提取密码：kcly

目标检测源码在Jetson Nano上的编译运行

这里提供两个版本的源码包和引擎文件。百度网盘 提取码: tpl9

源码的编译过程你需要提前准备的是：

第一步：boost、atlas依赖库的下载：

第二步：CmakeLists文件修改

第三步：修改main.cpp中的文件

第四步：分配虚拟内存

第五步：编译运行源码

About

附: 你可以从官网下载：SDK Manager 或者你也可以从：百度网盘下载，提取密码：tw12

第二步：开发板连接主机，打开SDK Manager软件。这里有几个需要注意的点：

附：JetPack4.4 卡刷包下载：百度网盘提取密码：x7ck

编译包的下载：百度网盘提取密码：1o16

第三步：cmake版本升级需要下载源码包进行安装

Onnxruntime1.7.0 源码包：百度网盘提取密码：8wtk

如果你不想等待这么长的时间，你可以直接下载我编译好的版本：百度网盘提取密码：kcly

这里提供两个版本的源码包和引擎文件。百度网盘提取码: tpl9