环境准备

注意

本文档适用于摩尔线程 MTT M1000（aarch64）设备。开始前请确认设备已安装 MUSA SDK 5.1.x/5.2.x，并且 mcc、muDNN 和 MUSA runtime 可用。

MUSA SDK、驱动和系统组件的安装不在本文展开，请按摩尔线程官方文档完成；本文只做环境自检。

环境要求

项目	要求
GPU	摩尔线程 MTT M1000
架构	aarch64
操作系统	Ubuntu 22.04
MUSA SDK	5.1.x/5.2.x，包含 driver/runtime、`mcc` 和 muDNN
Python	3.10.x
PyTorch / Torch-MUSA / TorchVision	构建示例时需要，在 venv 中安装 Moore Threads 发布的 aarch64 包
磁盘	建议预留 4 GB 以上（包含 PyTorch、Ultralytics 和模型文件）
权限	普通用户即可；建议安装到独立 venv

mthreads-smi

能正常输出 GPU 信息即表示驱动就绪。若需要确认设备型号，使用 MUSA SDK 自带的 musaInfo：

/usr/local/musa/bin/musaInfo

musaInfo 输出中应包含 Name: M1000，并可同时查看 Driver Version 和 Runtime Version。若两条命令都无法识别设备，请先完成 MUSA 驱动安装，不要继续后续步骤。

readlink /usr/local/musa
grep -m1 -A2 musa_toolkits /usr/local/musa/version.json

预期输出：

musa-5.2.0
    "musa_toolkits": {
        "version": "5.2.0",

version.json 中的 musa_toolkits.version 是 toolkit 版本的权威来源。dpkg -l | grep musa 显示的是 BSP 元包版本，不能用来判断 toolkit 版本。

command -v mcc
ls -l /usr/local/musa/lib/libmusart.so*

预期 mcc 位于 /usr/local/musa/bin 下，且输出中包含 libmusart.so.5。如果 mcc 不在 PATH 中：

export PATH=/usr/local/musa/bin:$PATH

printf 'LD_LIBRARY_PATH=%s\n' "$LD_LIBRARY_PATH"

输出中应包含 /usr/local/musa/lib。交互式登录 shell 通常已自动设置；通过脚本、cron 或非交互式 SSH 运行时可能为空，需要在程序启动前显式导出：

export LD_LIBRARY_PATH=/usr/local/musa/lib:${LD_LIBRARY_PATH:-}

TVM 运行时会加载 muDNN 的动态库。缺少该路径时，常见报错是 libmudnn.so.3: cannot open shared object file。

python3 --version
python3 -m pip --version
python3 -m venv /tmp/_tvm_musa_venv
/tmp/_tvm_musa_venv/bin/python -V

预期 Python 版本为 3.10.x。如果系统默认 python3 不是 3.10，请改用 python3.10 创建 venv。venv 不可用时，需要先安装 python3.10-venv（需要 root 或 sudo 权限）。

示例构建所需的 torch、torch_musa 和 torchvision 也安装在这个 venv 中，并使用 Moore Threads 发布的版本，不要用 upstream PyTorch 替换。

为避免每次登录重新设置，可将以下内容加入 ~/.bashrc：

export MUSA_HOME=/usr/local/musa
export PATH="$MUSA_HOME/bin:$PATH"
export LD_LIBRARY_PATH="$MUSA_HOME/lib:${LD_LIBRARY_PATH:-}"

环境自检通过后，继续安装与验证。