📚 课程目录第4章 Jetson环境搭建

4、Jetson环境搭建：JetPack SDK安装、CUDA/cuDNN/TensorRT版本匹配、Python与C++开发环境配置

Jetson系列平台（如Xavier NX、AGX Orin、Orin Nano）是PX4与机载视觉融合的核心计算载体。与普通x86工作站不同，Jetson采用ARM架构与NVIDIA定制GPU，其环境搭建并非简单的“装个驱动”，而是需要围绕JetPack SDK构建一套完整的、版本严格对齐的AI推理与实时通信栈。本章将聚焦于从裸机到可运行TensorRT推理的完整链路，重点解决版本匹配、双语言开发环境配置以及交叉编译等核心问题。

4.1 核心原理：JetPack SDK的层次化结构与版本耦合

JetPack SDK并非一个单一的软件包，而是一个分层的软件栈，它基于NVIDIA的Linux for Tegra（L4T）内核，向上依次封装了CUDA、cuDNN、TensorRT、TensorRT-LLM（部分版本）、多媒体API（V4L2、GStreamer插件）以及用于深度学习的PyTorch/ONNX等预编译轮子。理解这一层次结构是避免“装完跑不起来”的关键。

版本耦合是Jetson开发中最容易踩坑的环节。CUDA版本由L4T内核与驱动决定，cuDNN必须匹配CUDA的次要版本，而TensorRT又依赖特定的cuDNN与CUDA组合。例如，JetPack 5.1.2对应CUDA 11.4、cuDNN 8.6.0、TensorRT 8.5.2；而JetPack 6.0则升级到CUDA 12.2、cuDNN 8.9.4、TensorRT 8.6.2。如果用户从网上下载了针对x86_64的PyTorch轮子，或者手动安装了与JetPack不匹配的CUDA Toolkit，会导致链接错误或运行时崩溃。

此外，Jetson的GPU架构（如Orin的Ampere架构）与桌面级GPU不同，因此所有二进制库必须使用架构的版本。NVIDIA官方通过JetPack的apt源或SDK Manager统一分发这些组件，确保它们彼此兼容。开发者的核心任务不是“安装最新版”，而是锁定JetPack版本，并基于该版本选择对应的深度学习框架与推理引擎。

4.2 操作流程：从SDK Manager到开发环境验证

以下流程适用于Orin Nano/NX与Xavier NX，以Ubuntu主机通过SDK Manager刷机为例。

4.2.1 刷机与JetPack安装

准备硬件：Jetson开发套件、原装电源（Orin Nano需15W或25W档位）、USB Type-C数据线（用于恢复模式）、HDMI显示器与键鼠。
进入恢复模式：按住Recovery键，再按一下Reset键，保持Recovery键2秒后松开。在Ubuntu主机上执行 lsusb 应看到 NVIDIA Corp. 设备。
使用SDK Manager：下载并启动NVIDIA SDK Manager，选择目标硬件与JetPack版本（建议选择最新的稳定版，如6.0）。勾选“Host Machine”与“Target Machine”组件，点击Flash。刷机过程约10-20分钟，期间Jetson会自动重启。
安装附加组件：刷机完成后，SDK Manager会提示安装CUDA、cuDNN、TensorRT等组件到Jetson。选择“Install”并等待完成。注意：不要在Jetson上手动运行 apt install cuda，这可能会破坏SDK Manager建立的版本一致性。

4.2.2 验证版本匹配

刷机完成后，在Jetson终端执行以下命令验证核心组件版本：

# 查看L4T版本
cat /etc/nv_tegra_release

# 查看CUDA版本（需先添加环境变量）
/usr/local/cuda/bin/nvcc --version

# 查看cuDNN版本
dpkg -l | grep cudnn

# 查看TensorRT版本
dpkg -l | grep tensorrt

# 查看Python环境
python3 --version

一个典型的JetPack 6.0输出应显示：CUDA 12.2、cuDNN 8.9.4、TensorRT 8.6.2、Python 3.8.10。如果版本号与官方Release Notes不一致，说明安装过程有误，需要重新刷机或手动修复依赖。

4.3 案例拆解：TensorRT推理环境搭建与验证

本案例以在Orin Nano上部署一个YOLOv8n模型为例，展示从Python环境配置到TensorRT引擎生成的完整闭环。

背景与约束：无人机视觉避障需要实时处理640x480@30fps的RGB图像。目标推理延迟小于15ms。Jetson Orin Nano（8GB）算力有限，必须使用TensorRT FP16精度。

初始现象：直接使用PyTorch加载YOLOv8n权重，在Jetson上推理一张图耗时约80ms，无法满足实时性要求。

关键输入数据：YOLOv8n.pt权重文件（约6MB）、COCO类别标签、测试图像。

分析判断过程：PyTorch模型在Jetson上运行效率低，因为其算子未针对TensorRT优化。需要将PyTorch模型导出为ONNX，再通过TensorRT的 trtexec 工具或Python API生成FP16引擎。

实际操作步骤：

安装依赖：使用JetPack自带的Python 3.8，创建虚拟环境并安装PyTorch（NVIDIA预编译版）与ultralytics库。

# 安装PyTorch（从NVIDIA官网下载对应JetPack 6.0的轮子）
pip install torch-2.3.0-cp38-cp38-linux_aarch64.whl
pip install ultralytics onnx onnxruntime-gpu

导出ONNX：使用ultralytics导出模块，固定输入尺寸为640x640。

yolo export model=yolov8n.pt format=onnx imgsz=640

生成TensorRT引擎：使用 trtexec 工具，开启FP16模式。

/usr/src/tensorrt/bin/trtexec --onnx=yolov8n.onnx --saveEngine=yolov8n_fp16.engine --fp16 --workspace=2048

Python推理验证：编写Python脚本加载引擎，使用pycuda分配GPU内存，执行推理并统计耗时。

import tensorrt as trt
import pycuda.driver as cuda
import pycuda.autoinit

# 加载引擎
with open("yolov8n_fp16.engine", "rb") as f:
    runtime = trt.Runtime(trt.Logger(trt.Logger.WARNING))
    engine = runtime.deserialize_cuda_engine(f.read())
context = engine.create_execution_context()

# 分配内存并推理（略）
# 结果：平均延迟约8ms，满足15ms要求

结果对比：PyTorch推理80ms → TensorRT FP16推理8ms，加速比10倍。GPU利用率从35%提升至70%。

风险与代价：FP16精度可能导致小目标检测精度下降约0.5% mAP。若需更高精度，可尝试INT8量化，但需要校准数据集，且调试复杂度更高。

复盘经验：版本匹配是性能基线。在Jetson上，PyTorch必须使用NVIDIA预编译的aarch64版本，否则无法调用cuDNN加速。此外，TensorRT引擎与CUDA版本强相关，更换JetPack版本后必须重新生成引擎。

4.4 常见误区与总结复盘

误区	后果	正确做法
在Jetson上手动安装最新版CUDA	覆盖JetPack自带驱动，导致cuDNN/TensorRT链接失败	始终使用SDK Manager或apt源安装NVIDIA提供的版本
使用pip安装x86_64的PyTorch	导入torch时出现 `Illegal instruction` 或无法识别GPU	从NVIDIA官网下载 `aarch64` 轮子
忽略cuDNN与TensorRT的版本对应关系	推理时出现 `cudnn_status_mismatch` 错误	查阅JetPack Release Notes，确保三者版本一致
使用C++开发时未设置 `-DCMAKE_CUDA_ARCHITECTURES`	编译通过但运行时报 `no kernel image available`	在CMakeLists.txt中指定 `set(CMAKE_CUDA_ARCHITECTURES "87")`（Orin系列）
只配置Python环境，忽略C++编译链	需要部署C++推理节点时无法编译	安装 `build-essential`、`cmake`、`libssl-dev` 等基础包

风险提示：JetPack 6.0默认使用Ubuntu 22.04，其gcc版本为11.4。如果编译PX4或ROS2相关代码，需注意与gcc 9.4（JetPack 5.x）的ABI兼容性。若需混用，建议使用Docker容器隔离不同JetPack版本的环境。

经验总结：在Jetson上，“能用”不等于“好用”。环境搭建的核心是版本锁定与验证。建议在完成刷机后，立即创建一个 environment_check.sh 脚本，将上述版本验证命令固化，每次部署前运行一次，确保环境一致性。

最后，对于C++开发环境，推荐使用CMake + Visual Studio Code（Remote-SSH插件）进行远程开发。在 CMakeLists.txt 中，务必显式指定CUDA架构与TensorRT头文件路径：

cmake_minimum_required(VERSION 3.18)
project(px4_vision_node)

set(CMAKE_CUDA_ARCHITECTURES "87") # Orin系列
find_package(CUDA REQUIRED)
find_path(TENSORRT_INCLUDE_DIR NvInfer.h HINTS /usr/include/aarch64-linux-gnu)
find_library(TENSORRT_LIBRARY nvinfer HINTS /usr/lib/aarch64-linux-gnu)

add_executable(px4_vision_node src/main.cpp)
target_link_libraries(px4_vision_node ${CUDA_LIBRARIES} ${TENSORRT_LIBRARY})

通过上述步骤，开发者可以获得一个稳定、高性能的Jetson边缘感知开发环境，为后续TensorRT推理与MAVLink回传打下坚实基础。