2、环境准备：Jetson设备选型（Nano、TX2、Xavier、Orin）、JetPack系统安装与配置、基础环境验证
在开始YOLO目标检测项目之前，硬件平台的选择与软件环境的搭建是决定项目成败的基石。Jetson系列设备作为NVIDIA面向边缘计算与嵌入式AI推出的高性能计算平台，其产品线覆盖从入门级到旗舰级的多个档位，不同型号在算力、功耗、内存带宽和接口扩展性上差异显著。本章将围绕设备选型逻辑、JetPack系统刷写与配置、以及基础环境验证三个核心环节展开，帮助读者建立一套可复用的环境准备方法论，确保后续YOLO模型部署与实时推理能够稳定运行。
上图展示了Jetson环境准备的整体工程链路：从设备选型决策出发，经过JetPack系统安装，最终完成基础环境验证。三个环节环环相扣，选型错误会导致后续算力不足或资源浪费，系统安装不当会造成驱动不匹配，而验证不充分则会在YOLO推理阶段引入难以排查的隐性故障。下面我们将逐一深入每个环节。
2.1 Jetson设备选型：从算力需求到成本约束的权衡
核心原理：理解Jetson产品线的算力梯度
Jetson系列目前主要分为四大产品代际：Nano（含Nano 2GB）、TX2、Xavier（含NX和AGX）、Orin（含NX、AGX和Nano）。其核心差异体现在GPU架构、CUDA核心数、内存带宽和AI算力（TOPS）上。以YOLO目标检测为例，模型推理的瓶颈通常不在CPU而在GPU的并行计算能力与内存带宽。YOLOv5s（约7.5M参数）在Nano上可达到约15-20 FPS，而YOLOv8m（约25.9M参数）在Nano上可能降至5 FPS以下，但在Orin NX上可轻松超过60 FPS。因此，选型的第一步是明确你的目标检测任务对帧率、分辨率、模型精度的综合要求。
| 设备型号 | AI算力 (TOPS) | GPU架构 | 内存带宽 | 典型功耗 | 适用YOLO场景 |
|---|---|---|---|---|---|
| Jetson Nano 2GB | 0.5 | Maxwell 128核 | 10 GB/s | 5-10W | YOLOv5s/v8n 低帧率原型验证 |
| Jetson Nano 4GB | 0.5 | Maxwell 128核 | 25.6 GB/s | 5-10W | YOLOv5s 边缘轻量部署 |
| Jetson TX2 | 1.3 | Pascal 256核 | 58.4 GB/s | 7.5-15W | YOLOv5m 中等精度场景 |
| Jetson Xavier NX | 21 | Volta 384核 | 102 GB/s | 10-20W | YOLOv8s/m 实时检测 |
| Jetson AGX Xavier | 32 | Volta 512核 | 137 GB/s | 30W | 多路视频流+YOLOv8l |
| Jetson Orin NX 16GB | 100 | Ampere 1024核 | 102 GB/s | 10-25W | YOLOv8x 高精度实时 |
| Jetson AGX Orin 64GB | 275 | Ampere 2048核 | 204 GB/s | 15-60W | 多模型融合+复杂后处理 |
判断方法：三步选型法
第一步：确定性能基线。使用NVIDIA官方提供的Jetson Benchmark工具或参考社区实测数据，找到目标YOLO版本在候选设备上的FPS参考值。例如，YOLOv8s在Xavier NX上约30 FPS，在Orin NX上约80 FPS。
第二步：评估功耗与散热约束。如果项目是无人机、手持设备等电池供电场景，Nano或TX2的5-15W功耗更合适；如果是固定工位或车载供电，Orin系列的高功耗可接受。
第三步：考虑扩展接口。需要接入多个USB摄像头、GMSL相机或工业相机时，检查设备是否具备足够的USB 3.0/CSI接口。Orin NX支持8路CSI，而Nano仅支持4路。
案例拆解：智能交通摄像头项目选型
背景与约束：某智慧城市项目需要在路侧部署车辆检测摄像头，要求对1080P视频流进行实时分析（≥25 FPS），检测车辆、行人、非机动车三类目标，且设备需在户外机箱内工作，环境温度可达60℃，功耗上限25W。
初始方案与问题：最初选用Jetson Nano 4GB，实测YOLOv5s在TensorRT优化后仅达到12 FPS，无法满足实时性。分析发现瓶颈在于Nano的Maxwell架构缺乏Tensor Core，且内存带宽仅25.6 GB/s，限制了批量推理效率。
调整过程：改用Jetson Xavier NX，功耗15W满足要求。使用TensorRT FP16精度，YOLOv5s达到35 FPS，YOLOv8s达到28 FPS。同时利用Xavier NX的CSI接口连接GMSL相机，减少USB带宽占用。
结果与复盘：最终方案采用Xavier NX，成本比Orin NX低40%，性能满足需求。复盘发现，若一开始就使用jetson-stats工具监控GPU利用率，会发现Nano的GPU利用率已接近100%，而内存带宽成为瓶颈，这提示选型时应优先关注内存带宽而非单纯核心数。
2.2 JetPack系统安装与配置：从刷写到启动
核心原理：JetPack是软件栈的集合
JetPack并非单一操作系统，而是包含Ubuntu Linux（L4T）、CUDA、cuDNN、TensorRT、OpenCV、多媒体API（V4L2、GStreamer）等组件的完整SDK。JetPack 5.x基于Ubuntu 20.04，支持CUDA 11.4+；JetPack 6.x基于Ubuntu 22.04，支持CUDA 12.2+。对于YOLO项目，TensorRT版本至关重要，因为YOLO的加速部署高度依赖TensorRT的层融合与精度校准。
操作流程：两种刷写方式
方式一：SDK Manager（推荐，适用于Xavier/Orin）
- 在宿主机（Ubuntu 18.04/20.04/22.04）安装NVIDIA SDK Manager。
- 用USB Type-C线连接Jetson设备与宿主机，将设备置于恢复模式（按住Recovery键再按Reset）。
- SDK Manager自动识别设备，选择目标JetPack版本（如5.1.2），勾选需要安装的组件（CUDA、TensorRT、OpenCV等）。
- 点击Flash，等待系统写入（约20-30分钟）。
- 系统自动重启后，进入Ubuntu初始设置（用户名、密码、时区）。
方式二：直接烧录镜像（适用于Nano/TX2）
# 在宿主机上使用balenaEtcher或dd命令
# 下载JetPack镜像（如JetPack 4.6.1 for Nano）
sudo dd if=jetson-nano-jp461.img of=/dev/sdX bs=4M status=progress
sync烧录完成后，将SD卡插入Nano，连接HDMI显示器、键盘鼠标，上电启动。
配置要点：存储扩展与Swap
Jetson设备默认使用SD卡或eMMC存储，容量有限。建议将系统迁移至NVMe SSD（通过M.2接口），以获得更快的模型加载速度和更大的数据集缓存空间。同时，由于YOLO训练或推理时内存可能不足，建议配置Swap分区：
# 创建4GB Swap文件
sudo fallocate -l 4G /var/swapfile
sudo chmod 600 /var/swapfile
sudo mkswap /var/swapfile
sudo swapon /var/swapfile
# 永久生效
echo '/var/swapfile none swap sw 0 0' | sudo tee -a /etc/fstab2.3 基础环境验证：确保YOLO运行无忧
核心原理：验证是排除隐性故障的关键
很多YOLO部署问题（如模型推理速度慢、内存溢出、CUDA错误）的根源在于环境配置不完整或版本不匹配。基础验证应覆盖三个层面：硬件状态、软件栈完整性、Python依赖可用性。
操作流程：系统化验证清单
第一步：硬件状态检查
# 查看CPU/GPU温度、频率、功耗
sudo apt install jtop
jtop
# 查看内核日志中的错误
dmesg | grep -i error第二步：CUDA与TensorRT验证
# 检查CUDA版本
nvcc --version
# 检查TensorRT版本
python3 -c "import tensorrt; print(tensorrt.__version__)"
# 运行官方示例验证GPU计算
cd /usr/src/tensorrt/samples/trtexec
make
./trtexec --deploy=../../data/resnet50/ResNet50.prototxt --output=prob --batch=1第三步：Python环境与YOLO依赖安装
# 创建虚拟环境
python3 -m venv yolo_env
source yolo_env/bin/activate
# 安装PyTorch（Jetson专用预编译版）
pip install torch==1.13.0 torchvision==0.14.0
# 安装YOLOv8依赖
pip install ultralytics opencv-python numpy案例拆解：一次典型的“环境验证失败”排障
现象：在Jetson Orin NX上运行YOLOv8推理，报错CUDA error: no kernel image is available for execution on the device。
分析过程：该错误通常表示PyTorch的CUDA版本与设备驱动不匹配。使用nvidia-smi查看驱动版本为JetPack 5.1.2（CUDA 11.4），但python3 -c "import torch; print(torch.version.cuda)"显示PyTorch编译时使用CUDA 12.1。
解决步骤：
- 卸载现有PyTorch：
pip uninstall torch torchvision - 从NVIDIA官方论坛下载JetPack 5.1.2对应的PyTorch轮子（cu114版本）。
- 重新安装：
pip install torch-1.13.0-cp38-cp38-linux_aarch64.whl - 验证：
python3 -c "import torch; print(torch.cuda.is_available())"返回True。
复盘经验：Jetson平台不能直接使用PC端的PyTorch安装命令，必须使用NVIDIA为aarch64架构预编译的版本。建议在环境准备阶段就记录所有组件的精确版本号，形成requirements.txt，便于复现。
常见误区与总结
- 误区一：认为JetPack版本越高越好。实际上，新版本可能引入对旧硬件的兼容性问题，且部分第三方库（如ROS、OpenCV）可能尚未适配。
- 误区二：忽略Swap配置。在训练或处理高分辨率视频时，内存不足会导致进程被OOM Killer杀死，且日志中无明显错误。
- 误区三：直接使用
pip install torch。这会在Jetson上安装CPU版本或错误的CUDA版本，导致推理速度极慢或无法使用GPU。 - 总结：环境准备的核心是“版本锁定”与“分层验证”。先验证硬件（jtop），再验证CUDA/TensorRT（trtexec），最后验证Python层（torch.cuda）。每一层通过后再进入下一层，可大幅减少排障时间。