📚 课程目录第1章课程导学与环境准备

1. 课程导学与环境准备：YOLO发展史、嵌入式AI应用场景、开发板选型与交叉编译环境搭建

大家好，欢迎来到《嵌入式端YOLO目标检测部署项目实战》的第一章。

我是你们这门课的主讲。做了快十年的嵌入式AI，从最早的树莓派跑个MobileNet都卡顿，到现在能在Jetson Nano上实时跑YOLOv8，这条路我算是踩坑踩过来的。今天咱们先不急着敲代码，把地基打牢。

这一章，我会带你搞清楚三件事：YOLO到底是怎么一路进化过来的？嵌入式AI到底能干啥？以及我们该选哪块板子、怎么搭环境？

1.1 YOLO发展史：从v1到v8，我们经历了什么

YOLO，全称You Only Look Once。说白了，就是“看一眼就搞定”。

2016年，Joseph Redmon提出了YOLOv1。那时候的目标检测主流还是Faster R-CNN，两阶段，慢。YOLO直接把检测当成回归问题，一个网络搞定边界框和类别。我记得第一次跑YOLOv1的时候，被它的速度惊到了——虽然精度一般，但那种“实时”的感觉，太震撼了。

版本	核心改进	我的评价
YOLOv1	端到端单阶段检测，7x7网格	开山之作，但小目标基本废了
YOLOv2	引入Anchor、Batch Normalization	收敛快了，精度上来了
YOLOv3	多尺度预测、Darknet-53骨干	我项目里用得最多的版本，稳
YOLOv4	Mish激活、CSPNet、PANet	工程优化集大成者
YOLOv5	PyTorch原生、Focus层、自动锚框	社区生态最好，部署最友好
YOLOv6~v8	重参数化、解耦头、Anchor-Free	精度速度双杀，但模型大了

个人建议： 如果你是第一次接触YOLO部署，从YOLOv5或YOLOv8入手。v5的文档最全，v8的精度最高。我在实际项目中，边缘端首选v5s，云端用v8x。

1.2 嵌入式AI应用场景：到底能用在哪儿？

你可能会问：为什么非要在嵌入式设备上跑YOLO？云端不香吗？

嗯，这里有个关键点：延迟、带宽、隐私。

举个例子。我去年做一个工厂质检项目，摄像头拍下流水线上的零件，如果传回云端检测，来回至少200ms延迟。产线速度是每秒一个零件，根本来不及。直接在Jetson Nano上跑YOLOv5s，推理只要30ms，实时报警。

智慧安防：门禁人脸、异常行为检测，数据不出设备
工业质检：表面缺陷、装配检测，毫秒级响应
自动驾驶：车道线、行人、交通标志，必须本地实时
农业无人机：作物识别、病虫害检测，边缘计算省流量
消费电子：手机拍照、AR眼镜，功耗敏感

避坑指南： 我曾经在一个无人机项目里，天真地想用YOLOv4-tiny跑在树莓派4上。结果帧率只有5FPS，根本没法用。后来换了Jetson Nano，直接跑到25FPS。选对硬件，比调参重要十倍。

1.3 开发板选型：Jetson Nano vs RK3588

目前嵌入式端YOLO部署，主流就两个阵营：NVIDIA的Jetson系列和瑞芯微的RK系列。

我个人的经验是：看生态选Jetson，看性价比选RK3588。

对比项	Jetson Nano (4GB)	RK3588
AI算力	472 GFLOPS (FP16)	6 TOPS (INT8)
推理框架	TensorRT (官方支持)	RKNN (需模型转换)
生态成熟度	极高，社区资源丰富	中等，文档偏少
价格	约800元	约500元
功耗	10W	8W
YOLO部署难度	低（有官方示例）	中（需手动优化）

    我的选择： 本课程以Jetson Nano为主线。原因很简单——TensorRT太强了，而且踩坑的人多，你遇到问题搜一下就有答案。RK3588我会在进阶章节作为对比案例讲解。

1.4 交叉编译环境搭建：从零开始

交叉编译，说白了就是在你的电脑上编译出能在开发板上运行的程序。

为什么要这么做？因为开发板性能有限，编译YOLO这种项目，在Jetson Nano上直接编译可能要半小时，而在你的PC上只要5分钟。

1.4.1 宿主机环境准备（Ubuntu 20.04/22.04）

# 更新系统
sudo apt update && sudo apt upgrade -y

# 安装基础工具
sudo apt install -y build-essential cmake git wget

# 安装CUDA（如果你有NVIDIA显卡）
# 建议CUDA 11.4以上
wget https://developer.download.nvidia.com/compute/cuda/11.4.0/local_installers/cuda_11.4.0_470.42.01_linux.run
sudo sh cuda_11.4.0_470.42.01_linux.run

# 配置环境变量
echo 'export PATH=/usr/local/cuda-11.4/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.4/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

1.4.2 安装交叉编译工具链

对于Jetson Nano，我们使用aarch64交叉编译工具链。

# 下载Linaro GCC工具链
wget https://releases.linaro.org/components/toolchain/binaries/latest-7/aarch64-linux-gnu/gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu.tar.xz

# 解压到指定目录
sudo tar -xvf gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu.tar.xz -C /opt/

# 配置环境变量
echo 'export PATH=/opt/gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu/bin:$PATH' >> ~/.bashrc
source ~/.bashrc

# 验证安装
aarch64-linux-gnu-gcc --version

小技巧： 如果你觉得手动装太麻烦，可以直接用NVIDIA官方提供的JetPack SDK。它包含了交叉编译工具链、TensorRT、OpenCV等所有依赖。我建议新手直接用JetPack，省心。

1.4.3 验证交叉编译环境

写一个简单的Hello World，交叉编译后在Jetson Nano上运行。

// hello.c
#include <stdio.h>

int main() {
    printf("Hello from Jetson Nano!\n");
    return 0;
}

// 交叉编译
aarch64-linux-gnu-gcc hello.c -o hello

// 将hello文件拷贝到Jetson Nano上
scp hello nvidia@192.168.1.100:/home/nvidia/

// 在Jetson Nano上运行
./hello

看到"Hello from Jetson Nano!"，说明环境搭好了。

1.5 本章知识体系总览

下面这张图，是我自己画的本章知识结构。你可以把它当成一张地图，随时回来对照。

1.6 本章小结

这一章，我们走完了YOLO从v1到v8的进化之路，看到了嵌入式AI在安防、工业、自动驾驶等场景的真实落地案例。你也知道了Jetson Nano和RK3588各自的优劣势，并且亲手搭好了交叉编译环境。

说实话，环境搭建这一步，很多人会卡住。我当年第一次配TensorRT的时候，折腾了整整两天。但别怕，这门课里我会把每一步的坑都提前告诉你。