Jetsonmcp

🚀 JetsonMCP

JetsonMCPは、AIアシスタントをNVIDIA Jetson Nano Superシステムに接続するMCPサーバーです。総合的なエッジコンピューティング管理、AIワークロードの最適化、およびシステム管理を行うことができます。

JetsonMCPを使用すると、ClaudeなどのAIアシスタントがSSH接続を介してJetson Nanoシステムの設定と管理を支援します。AIモデルのデプロイからシステムの最適化まで、複雑なCUDAやLinuxコマンドを学ぶ代わりに自然言語で質問することができます。

🚀 JetsonMCPの特長

エッジAIコンピューティング向けに構築

• CUDAツールキットの管理と最適化
• JetPack SDKの統合と更新
• AIフレームワークのインストール（TensorFlow、PyTorch、TensorRT）
• モデルのデプロイと推論の最適化

ハードウェア固有の最適化

• GPUメモリの管理と監視
• 電源モードの設定（10W/5Wモード）
• サーマルスロットリングによる温度監視
• ファンカーブの管理と冷却の最適化

コンテナとオーケストレーション

• AIワークロード用のDockerコンテナ管理
• NVIDIAコンテナツールキットの統合
• Kubernetesのエッジデプロイメントサポート
• マルチアーキテクチャコンテナのサポート（ARM64）

🎯 動作原理

自然言語のリクエストは、Claude Desktopを通じてMCPプロトコルで最適化されたコマンドに変換され、Jetson Nano上で実行されます。

例:

AI & ML操作:

• "物体検出用のYOLOv5モデルをデプロイ" - ダウンロード、最適化、推論の実行
• "CUDAメモリの使用量を確認" - GPUの利用率とメモリ割り当ての監視
• "5W電源モードに切り替え" - バッテリー動作のための消費電力の最適化
• "TensorRT最適化をインストール" - 高性能な推論エンジンのセットアップ

システム管理:

• "推論実行中にGPU温度を監視" - リアルタイムの温度監視
• "JetPackを最新バージョンに更新" - NVIDIAソフトウェアスタックの更新管理
• "AIワークロード用にDockerを最適化" - GPUアクセラレーションのためのランタイムの設定

エッジコンピューティング:

• "軽量Kubernetesクラスターをデプロイ" - エッジオーケストレーション用のK3sのセットアップ
• "リモートモデルサービングを設定" - 推論エンドポイントのセットアップ
• "AIタスク中のシステムリソースを監視" - パフォーマンスのプロファイリングと最適化

🔧 主要機能

エッジAI管理

• CUDAツールキットの統合 - CUDA環境の自動セットアップと管理
• JetPack管理 - SDKの更新、コンポーネントのインストール、バージョン管理
• AIフレームワークのサポート - TensorFlow、PyTorch、OpenCV、TensorRTの最適化
• モデルのデプロイ - 自動モデル変換、最適化、サービング

ハードウェア最適化

• 電源管理 - 動的な電源モード切り替え（10W/5W/MAXN）
• サーマル管理 - 自動スロットリングによる温度監視
• GPU監視 - メモリ使用量、利用率、パフォーマンスメトリック
• ファン制御 - カスタムファンカーブと冷却の最適化

コンテナオーケストレーション

• NVIDIA Docker - GPUアクセラレーションのコンテナランタイム管理
• エッジKubernetes - 分散AIワークロード用のK3sのデプロイ
• マルチアーキテクチャサポート - ARM64コンテナの管理とデプロイ
• レジストリ管理 - エッジデプロイメント用のプライベートレジストリのセットアップ

システム管理

• リモート管理 - SSHベースの安全なシステム管理
• パッケージ管理 - APTとsnapパッケージのインストール/更新
• サービス管理 - Systemdサービスの制御と監視
• バックアップと復元 - システム状態の管理と復元

📋 前提条件

Jetson Nanoのセットアップ

1. 新しいJetPackのインストール (4.6以上を推奨)
2. SSHアクセスの有効化
3. 十分な電源供給 (フルパフォーマンスのために5V/4Aを推奨)
4. MicroSDカード (64GB以上を推奨) またはNVMe SSD
5. パッケージインストール用のインターネット接続

ネットワーク設定

• 一貫したアクセスのために静的IPを推奨
• SSH（ポート22）を許可するようにファイアウォールを設定
• オプション: リモートアクセス用のVPNの設定

⚡ クイックスタート

1. Jetson Nanoの準備

# SSHを有効にする（まだ有効になっていない場合）
sudo systemctl enable ssh
sudo systemctl start ssh

# パスワードレスsudoを設定する（システム管理に必要）
sudo visudo
# 追加: yourusername ALL=(ALL) NOPASSWD:ALL

# JetsonのIPアドレスを取得する
hostname -I

2. JetsonMCPのインストール

# リポジトリをクローンする
git clone https://github.com/ajeetraina/jetsonMCP.git
cd jetsonMCP

# 仮想環境を作成する
python3 -m venv venv
source venv/bin/activate

# 依存関係をインストールする
pip install -e .

3. 接続の設定

# 設定テンプレートをコピーする
cp .env.example .env

# Jetsonの詳細を編集する
nano .env

必要な.env設定:

JETSON_HOST=192.168.1.100        # あなたのJetsonのIPアドレス
JETSON_USERNAME=your_username     # SSHユーザー名
JETSON_PASSWORD=your_password     # SSHパスワード (またはSSHキーを使用)
# JETSON_SSH_KEY_PATH=~/.ssh/id_rsa  # 代替: SSHキーのパス

# オプション: 高度な設定
JETSON_POWER_MODE=0              # 0=MAXN, 1=5W, 2=10W
CUDA_VISIBLE_DEVICES=0           # GPUデバイスの選択
DOCKER_REGISTRY=localhost:5000   # エッジデプロイメント用のプライベートレジストリ

4. Claude Desktopの統合

Claude Desktopの設定に追加:

macOS: ~/Library/Application Support/Claude/claude_desktop_config.json Windows: %APPDATA%\Claude\claude_desktop_config.json
Linux: ~/.config/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "jetsonmcp": {
      "command": "python",
      "args": ["-m", "jetsonmcp.server"],
      "cwd": "/absolute/path/to/jetsonMCP"
    }
  }
}

Claude Desktopを再起動してサーバーを読み込みます。

🛠️ 利用可能なツール

AI & ML管理

• manage_ai_workloads - モデルのデプロイ、推論の最適化、CUDA管理
• manage_jetpack - JetPack SDKのインストール、更新、コンポーネント管理
• manage_frameworks - TensorFlow、PyTorch、OpenCV、TensorRTのインストール

ハードウェア制御

• manage_hardware - 電源モード、温度監視、ファン制御、GPIO
• manage_performance - CPU/GPUガバナー、周波数スケーリング、サーマル管理
• manage_storage - SSDの最適化、スワップ設定、ディスク管理

コンテナ操作

• manage_containers - Docker管理、NVIDIAランタイム、GPUアクセラレーション
• manage_orchestration - Kubernetes/K3sのデプロイ、エッジコンピューティングのセットアップ
• manage_registry - プライベートレジストリのセットアップ、マルチアーキテクチャイメージの管理

システム管理

• manage_system - パッケージ管理、更新、サービス制御、ネットワーク
• manage_security - ファイアウォール、SSHキー、ユーザー管理、システムの強化
• manage_monitoring - システムメトリック、ロギング、アラート、リモート監視

🔧 高度な設定

電源管理

# 利用可能な電源モード
# 0: MAXN (15W) - 最大パフォーマンス
# 1: 5W - 省電力モード
# 2: 10W - バランスモード
sudo nvpmodel -m 1  # 5Wモードに切り替える

CUDA環境

# CUDAのインストールを確認する
nvcc --version
nvidia-smi

# CUDAパスを設定する（JetsonMCPによって自動的に設定されます）
export PATH=/usr/local/cuda/bin:$PATH
export LDFLAGS=-L/usr/local/cuda/lib64:$LDFLAGS

Docker GPUサポート

# NVIDIAコンテナツールキット（JetsonMCPによって管理されます）
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

🧪 テストと開発

テストの実行

# すべてのテストを実行する
make test

# 特定のコンポーネントのテスト
make test-ai          # AIワークロード管理
make test-hardware    # ハードウェア制御
make test-containers  # コンテナ操作
make test-system      # システム管理

# 統合テスト
python run_tests.py --integration --coverage

開発環境のセットアップ

# 開発用の依存関係をインストールする
pip install -e ".[dev]"

# プリコミットフック
pre-commit install

# コードのフォーマット
black jetsonmcp/
isort jetsonmcp/

# 型チェック
mypy jetsonmcp/

📊 監視と可観測性

システムメトリック

• CPU/GPU利用率 - リアルタイムのパフォーマンス監視
• メモリ使用量 - RAMとGPUメモリの追跡
• 温度センサー - 温度監視とアラート
• 消費電力 - 現在の電源モードと使用量メトリック

AIワークロードメトリック

• 推論レイテンシー - モデルのパフォーマンスベンチマーク
• スループット - デプロイされたモデルの秒あたりのリクエスト数
• リソース利用率 - GPUメモリとコンピュート効率
• モデル精度 - パフォーマンスの検証と監視

🔒 セキュリティ機能

SSHセキュリティ

• ホストキーの検証とローテーション
• 接続タイムアウトとリトライロジック
• 資格情報の管理とクリーンアップ
• すべての操作の監査ログ

コンテナセキュリティ

• イメージの脆弱性スキャン
• ランタイムセキュリティポリシー
• ネットワークの分離とセグメンテーション
• AIモデルのシークレット管理

システムの強化

• ファイアウォールの設定管理
• ユーザー権限の分離
• システム更新の自動化
• セキュリティパッチの監視

🚀 ユースケース

エッジAI開発

• AIアプリケーションの迅速なプロトタイピング
• モデルの最適化とベンチマーク
• 分散推論のデプロイ
• リアルタイムコンピュータビジョンアプリケーション

IoTとセンサーネットワーク

• センサーデータの処理と分析
• エッジコンピューティングのオーケストレーション
• リモートデバイスの管理
• 予測メンテナンスシステム

産業アプリケーション

• 品質管理と検査
• 予測分析
• 自律システムの開発
• 産業IoTの統合

🤝 コントリビューション

コントリビューションを歓迎します！ガイドラインについては CONTRIBUTING.md を参照してください。

開発の優先事項

1. AIフレームワークの統合 - 追加のMLフレームワークのサポート
2. エッジオーケストレーション - 高度なKubernetesエッジデプロイメント
3. ハードウェアの抽象化 - 他のJetsonプラットフォーム（AGX、Xavier）のサポート
4. 監視の強化 - 高度なテレメトリと可観測性