Jetson Orin Nano 新手避坑：从零部署YoloV5，我踩过的那些环境配置的‘雷’
Jetson Orin Nano 边缘AI部署实战：YOLOv5环境配置全攻略与避坑指南
1. 硬件准备与系统烧录
Jetson Orin Nano作为NVIDIA新一代边缘计算设备，其强大的AI算力与紧凑体积使其成为计算机视觉项目的理想选择。但在开始YOLOv5部署前，正确的硬件准备至关重要。
关键硬件检查清单：
- 确认设备型号为Jetson Orin Nano Developer Kit
- 准备至少64GB高速microSD卡或NVMe SSD（根据版本选择）
- 稳定的5V/4A电源适配器
- USB Type-C数据线（用于强制恢复模式）
系统烧录环节最容易出现问题的三个关键点：
镜像下载验证
务必从NVIDIA开发者网站下载与设备完全匹配的JetPack版本。常见错误包括：- 使用了Jetson AGX Orin的镜像
- 下载了不完整的压缩包（建议验证SHA256校验值）
烧录环境配置
推荐在Ubuntu 18.04/20.04主机上进行烧录，避免使用Windows系统。必须安装的依赖：sudo apt-get install qemu-user-static python3 python3-pip强制恢复模式操作
正确进入恢复模式的步骤：- 断开设备电源
- 短接FC_REC和GND引脚（位于40针GPIO接口的第2和第3引脚）
- 连接Type-C线到主机
- 最后接通电源
注意：烧录过程中若出现"USB device not recognized"错误，通常是由于VMware未正确配置USB直通。建议在物理机操作或检查虚拟机USB控制器设置。
2. JetPack组件与CUDA环境配置
成功烧录系统后，首次启动需完成基础配置。这里隐藏着几个版本兼容性"地雷"：
JetPack 5.1.1默认组件版本：
| 组件 | 版本号 | 关键依赖项 |
|---|---|---|
| L4T | 35.3.1 | Linux内核5.10 |
| CUDA | 11.4.19 | cuDNN 8.6.0 |
| TensorRT | 8.5.2 | OpenCV 4.5.4 |
| cuDNN | 8.6.0.163 | Python 3.8 |
环境配置中最易出错的三个环节：
CUDA路径设置
修改~/.bashrc时常见的语法错误：# 错误示例（缺少$PATH连接符） export PATH=/usr/local/cuda-11.4/bin # 正确写法 export PATH=/usr/local/cuda-11.4/bin:$PATH显存分配调整
Orin Nano的共享内存配置需要特别优化：sudo nano /etc/systemd/nvzramconfig.sh将默认的：
mem=$((("${totalmem}"/2/"${NRDEVICES}")*1024))修改为：
mem=$((("${totalmem}"*3/"${NRDEVICES}")*1024))jtop监控工具安装
推荐使用jetson-stats监控系统状态：sudo pip3 install -U jetson-stats sudo systemctl restart jetson_stats.service验证安装：
sudo jtop
3. PyTorch与torchvision精准安装
Arm架构的PyTorch安装是最大的"坑点"之一。必须严格匹配的版本组合：
JetPack 5.1.1兼容矩阵：
| 组件 | 官方推荐版本 | 替代可用版本 | 不兼容版本 |
|---|---|---|---|
| PyTorch | 1.14.0 | 1.13.0 | ≥2.0.0 |
| torchvision | 0.15.1 | 0.14.1 | ≥0.16.0 |
分步安装指南：
安装编译依赖：
sudo apt-get install -y libopenblas-dev libjpeg-dev zlib1g-dev \ libpython3-dev libavcodec-dev libavformat-dev libswscale-dev下载预编译的PyTorch wheel：
wget https://nvidia.box.com/shared/static/ssf2v7pf5i245fk4i0q926hy4imzs2ph.whl -O torch-1.14.0a0+44dac51c.nv23.02-cp38-cp38-linux_aarch64.whl pip3 install torch-1.14.0a0+44dac51c.nv23.02-cp38-cp38-linux_aarch64.whl源码编译torchvision：
git clone --branch v0.15.1 https://github.com/pytorch/vision.git cd vision export BUILD_VERSION=0.15.1 python3 setup.py install --user
验证安装成功的正确姿势：
import torch print(torch.__version__) # 应显示1.14.0 print(torch.cuda.is_available()) # 必须返回True4. OpenCV与GStreamer深度集成
系统预装的OpenCV往往缺少GStreamer支持，这是CSI摄像头无法工作的主要原因。推荐从源码编译：
关键编译参数：
cmake -D WITH_GSTREAMER=ON \ -D WITH_CUDA=ON \ -D CUDA_ARCH_BIN=8.7 \ -D OPENCV_ENABLE_NONFREE=ON \ -D OPENCV_GENERATE_PKGCONFIG=YES \ -D BUILD_EXAMPLES=OFF \ -D BUILD_opencv_python3=ON ..分阶段编译技巧：
# 第一阶段：仅编译核心模块 make -j$(nproc) opencv_core opencv_imgproc opencv_videoio # 第二阶段：编译剩余模块 make -j$(nproc) sudo make install验证GStreamer支持：
import cv2 print(cv2.getBuildInformation()) # 检查GStreamer是否为YESCSI摄像头测试命令：
gst-launch-1.0 nvarguscamerasrc ! 'video/x-raw(memory:NVMM),width=1280,height=720' ! nvvidconv flip-method=0 ! 'video/x-raw,width=640,height=480' ! nvvidconv ! nvegltransform ! nveglglessink -e5. YOLOv5部署与性能优化
官方YOLOv5仓库的部署相对简单，但需要特别注意：
模型选择建议：
| 模型类型 | 参数量 | Orin Nano推理速度(FPS) | 适用场景 |
|---|---|---|---|
| YOLOv5n | 1.9M | 85-110 | 实时检测 |
| YOLOv5s | 7.2M | 45-60 | 平衡精度与速度 |
| YOLOv5m | 21.2M | 20-30 | 高精度要求 |
部署步骤：
git clone https://github.com/ultralytics/yolov5 cd yolov5 pip3 install -r requirements.txtTensorRT加速技巧：
导出ONNX模型：
python3 export.py --weights yolov5n.pt --include onnx使用trtexec转换：
/usr/src/tensorrt/bin/trtexec --onnx=yolov5n.onnx \ --saveEngine=yolov5n.engine \ --fp16 --workspace=2048推理测试：
python3 detect.py --weights yolov5n.engine --img 640 --source 0
6. DeepStream集成实战
对于需要多路视频流处理的场景，DeepStream是最佳选择。与YOLOv5集成的关键步骤：
安装DeepStream 6.2：
sudo tar -xvf deepstream_sdk_v6.2.0_jetson.tbz2 -C / cd /opt/nvidia/deepstream/deepstream-6.2 sudo ./install.sh配置YOLOv5插件：
git clone https://github.com/marcoslucianops/DeepStream-Yolo.git cd DeepStream-Yolo CUDA_VER=11.4 make -C nvdsinfer_custom_impl_Yolo修改配置文件：
[primary-gie] custom-network-config=yolov5n.cfg model-file=yolov5n.wts engine-file=yolov5n.engine启动多路视频分析：
deepstream-app -c deepstream_app_config.txt
性能优化参数：
[streammux] batch-size=4 # 根据显存调整 width=1280 height=7207. 真实项目中的经验分享
在实际工业检测项目中，我们总结出以下实用技巧：
CSI摄像头配置秘籍
- 修改
/opt/nvidia/deepstream/deepstream-6.2/samples/configs/deepstream-app/source1_csi_dec_infer_resnet_int8.txt：[source0] camera-width=1920 # 根据传感器最大分辨率设置 camera-height=1080 camera-fps-n=30 # 实际可达帧率
- 修改
内存泄漏排查
定期检查内存使用：watch -n 1 free -h温度控制策略
配置风扇控制策略：sudo jetson_clocks --fan电源管理技巧
优化功耗配置：sudo nvpmodel -m 0 # 最大性能模式 sudo jetson_clocks
对于需要长期运行的场景，建议添加看门狗定时器：
import subprocess def reset_watchdog(): subprocess.run(["echo", "1", ">", "/dev/watchdog"])