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。包括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システムの構成と管理を支援することができます。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。

🚀 クイックスタート

Jetson Nanoの準備

# SSHが有効になっていない場合は有効にする
sudo systemctl enable ssh
sudo systemctl start ssh

# パスワードなしでsudoを使用できるように設定する（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

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 .

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

Claude Desktopの統合

Claude Desktopの設定に追加します。

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。

✨ 主な機能

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、およびバージョン管理
• 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 - モデルの自動変換、最適化、およびサービング

ハードウェアの最適化

• 電力管理 - 動的な電力モードの切り替え（10W/5W/MAXN）
• 温度管理 - 自動スロットリングによる温度監視
• GPUの監視 - メモリ使用量、利用率、および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を備えたコンテナランタイムの管理
• エッジKubernetes - 分散型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のサポート - 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および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

📦 インストール

インストールに関する詳細な手順は「クイックスタート」を参照してください。

💻 使用例

基本的な使用法

# JetsonMCPを使用して、自然言語でコマンドを実行する
# 例: "オブジェクト検出用のYOLOv5モデルをデプロイする"

高度な使用法

# 高度なシナリオでの使用例
# 例: "軽量なKubernetesクラスターをデプロイする"

📚 ドキュメント

JetsonMCPの特別な点

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
• 電力モードの設定（10W/5Wモード）
• 温度監視とサーマルスロットリング
• 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コンテナの管理
• 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のサポート
• 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で実行されます。

コマンド例

AI & ML操作:

• "オブジェクト検出用のYOLOv5モデルをデプロイする" - ダウンロード、最適化、および推論の実行
• "CUDAメモリの使用量を確認する" - GPUの利用率とメモリ割り当てを監視
• "5Wの電力モードに切り替える" - バッテリー動作のための消費電力を最適化
• "TensorRTの最適化をインストールする" - 高性能な推論エンジンをセットアップ

システム管理:

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

エッジコンピューティング:

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

🔧 技術詳細

高度な設定

電力管理

# 利用可能な電力モード
# 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のパスを設定する（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の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ワークロードの管理
make test-hardware    # ハードウェアの制御
make test-containers  # コンテナの操作
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をインストールする
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の利用率 - 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 - 現在の電力モードと使用量のメトリック

AIワークロードメトリック

• 推論レイテンシ - 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毎秒のリクエスト数
• リソース利用率 - GPUメモリとコンピュート効率
• モデルの精度 - 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
• 分散型推論のデプロイ
• 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
• 予測保全システム

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

🤝 貢献

貢献を歓迎します！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の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