3. JetPack与边缘AI软件栈搭建

在Jetson工业视觉检测系统中，JetPack并不是一个单独的软件，而是一整套经过NVIDIA验证、彼此版本锁定的边缘AI软件栈。它把操作系统、驱动、CUDA运行时、深度学习加速库、推理引擎和视频分析框架打包在一起，使开发者不必从零处理底层兼容性问题。理解JetPack的组成与版本匹配关系，是后续烧录、远程访问和环境验证的前提。

JetPack的组成与层级关系

JetPack的底层是L4T（Linux for Tegra），它包含基于Ubuntu的根文件系统、Tegra引导固件、内核、设备树以及GPU/摄像头等外设驱动。L4T决定了你能使用哪个Ubuntu版本、内核版本以及硬件接口能力。在L4T之上，NVIDIA叠加了CUDA Toolkit、cuDNN、TensorRT、DeepStream、VPI、OpenCV等组件。其中CUDA提供GPU并行计算基础；cuDNN是深度神经网络原语加速库；TensorRT负责把训练好的模型做层融合、精度校准和内核自动调优，生成面向Jetson的推理引擎；DeepStream则构建在GStreamer之上，把解码、预处理、推理、跟踪和输出串成视频分析流水线。

这些组件之间存在严格的依赖链：TensorRT依赖CUDA和cuDNN，DeepStream依赖TensorRT、CUDA、GStreamer以及L4T中的多媒体驱动。因此不能随意混装版本。例如JetPack 5.x对应L4T 35.x、CUDA 11.4、cuDNN 8.6、TensorRT 8.5；JetPack 6.x对应L4T 36.x、CUDA 12.x、cuDNN 9.x、TensorRT 10.x。若在JetPack 5.1.2上强行安装为JetPack 6编译的TensorRT引擎，通常会在反序列化阶段报版本不匹配错误。

系统烧录：从主机到Jetson

烧录前需要准备一台Ubuntu主机（建议20.04或22.04）、USB Type-C数据线、Jetson模组与载板，以及足够的磁盘空间。NVIDIA提供两种主流方式：SDK Manager图形化烧录和flash.sh命令行烧录。SDK Manager适合首次搭建，它会自动下载L4T、CUDA、cuDNN、TensorRT、DeepStream等组件并写入eMMC或NVMe。操作时先让Jetson进入Force Recovery模式：断开电源，按住RECOVERY按钮，接入Type-C，再上电，松开按钮。主机执行lsusb应看到NVIDIA Corp设备，说明已进入恢复模式。

# 主机端检查恢复模式
lsusb | grep -i nvidia
# 输出示例：0955:7020 NVIDIA Corp. APX

# 使用SDK Manager烧录后，在Jetson端验证L4T版本
cat /etc/nv_tegra_release
# 输出示例：R35 (release), REVISION: 4.1, GCID: 32630145

若使用命令行方式，可下载L4T BSP包后执行sudo ./flash.sh jetson-xavier-nx-devkit-emmc mmcblk0p1。烧录完成后Jetson会自动重启进入Ubuntu初始化界面，此时需要设置用户名、密码、时区和网络。建议在首次启动后立即执行sudo apt update && sudo apt upgrade，但要注意不要随意升级CUDA或TensorRT，以免破坏JetPack版本锁定。

远程访问与基础环境验证

工业现场通常不会给Jetson接显示器，因此远程访问是必备能力。最直接的方式是SSH：在Jetson端确认sudo systemctl status ssh为active，然后在主机端执行ssh nvidia@<Jetson_IP>。若需要图形化查看DeepStream可视化结果，可配置VNC或使用ssh -X转发。对于多台设备，建议在路由器中为Jetson分配静态IP或DHCP保留地址，避免IP变化导致连接中断。

环境验证应覆盖四个层面：L4T版本、CUDA可用性、cuDNN加载、TensorRT推理能力。以下命令可直接复制执行：

# 1. 查看L4T版本
cat /etc/nv_tegra_release

# 2. 查看CUDA版本
nvcc --version
# 或
cat /usr/local/cuda/version.json

# 3. 查看cuDNN版本
cat /usr/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

# 4. 查看TensorRT版本
dpkg -l | grep nvinfer
# 或
python3 -c "import tensorrt as trt; print(trt.__version__)"

# 5. 查看DeepStream版本
deepstream-app --version-all

更进一步的验证是运行一个最小TensorRT推理示例。可以用Python加载一个ONNX模型并构建引擎，观察是否成功输出绑定维度。若出现CUDA initialization error，通常说明CUDA运行时未正确加载；若出现Serialization assertion failed，则说明引擎文件与当前TensorRT版本不匹配，需要重新构建。DeepStream验证可运行deepstream-app -c /opt/nvidia/deepstream/deepstream/samples/configs/deepstream-app/source4_1080p_dec_infer-resnet_tracker_sgie_tiled_display_int8.txt，若能看到视频窗口和检测框，说明解码、推理、跟踪链路均已打通。

版本匹配速查与常见问题

实际部署中，最常见的三类问题都与版本有关：一是烧录时选错模组型号，导致设备树不匹配、摄像头无法识别；二是主机端SDK Manager下载的组件与Jetson端已安装组件版本冲突；三是DeepStream配置文件中的gpu-id或nvbuf-memory-type与当前L4T不兼容。排查时优先执行dpkg -l | grep nvidia和dpkg -l | grep cuda，确认所有包版本一致，再检查/etc/nv_tegra_release与JetPack Release Notes是否对应。只要版本链完整，后续的模型转换、DeepStream流水线搭建和工业现场部署就有了稳定基础。