Jetson Nano B01保姆级教程：离线搞定Python3.8和YOLOv8环境（含国内网盘资源）
Jetson Nano B01离线部署指南：Python 3.8与YOLOv8全流程实战
在嵌入式AI开发领域，Jetson Nano凭借其出色的能效比和丰富的扩展接口，成为众多开发者的首选平台。然而，当网络条件受限时，从系统烧录到环境配置的每一步都可能变成一场与依赖关系的搏斗。本文将彻底解决这个痛点，提供一套完整的离线部署方案，涵盖从系统初始化到YOLOv8模型运行的每个技术细节。
1. 系统准备与基础环境搭建
1.1 系统镜像获取与烧录
对于国内用户而言，官方SD卡镜像下载往往面临速度缓慢甚至无法访问的问题。我们推荐通过国内技术社区镜像站获取最新系统文件：
# 国内镜像源示例（实际URL需替换为当前有效地址） wget http://mirrors.ustc.edu.cn/nvidia-images/jetson-nano/sd_card_image.zip烧录工具建议使用国产开源软件Rufus或Ventoy，它们对中文路径支持更好且无需安装：
1. 插入至少32GB的microSD卡（建议使用A1/U1以上规格） 2. 启动烧录工具后选择下载的.img.xz文件 3. 目标设备选择对应的SD卡驱动器 4. 点击开始等待进度条完成注意：烧录过程会擦除SD卡所有数据，请提前备份重要文件
1.2 首次启动配置
系统首次启动时需要完成以下关键步骤：
- 语言环境设置：选择英文界面可避免后续开发中出现路径编码问题
- 磁盘空间扩展：执行
sudo /usr/lib/nvidia/resizefs/nvresizefs.sh最大化利用SD卡容量 - 基础更新：连接临时网络后运行
sudo apt update sudo apt upgrade -y sudo apt install -y curl git make gcc
2. Python 3.8离线编译指南
2.1 依赖包准备
在没有网络连接的情况下，需要预先下载所有编译依赖的.deb包。以下是必备依赖列表：
| 依赖包名称 | 作用 | 下载来源 |
|---|---|---|
| build-essential | 基础编译工具集 | Ubuntu官方仓库 |
| libssl-dev | SSL加密支持 | Ubuntu官方仓库 |
| zlib1g-dev | 压缩库支持 | Ubuntu官方仓库 |
| libffi-dev | 外部函数接口 | Ubuntu官方仓库 |
将这些.deb文件拷贝到Jetson Nano后，使用以下命令批量安装：
sudo dpkg -i *.deb sudo apt-get install -f2.2 Python源码编译
从国内镜像站获取Python 3.8.12源码包：
wget https://mirrors.huaweicloud.com/python/3.8.12/Python-3.8.12.tar.xz tar xvf Python-3.8.12.tar.xz cd Python-3.8.12编译配置时需要特别优化ARM架构性能：
./configure --enable-optimizations --with-lto --prefix=/usr/local make -j4 # 使用4核并行编译 sudo make altinstall验证安装结果：
python3.8 -V # 应输出：Python 3.8.123. 离线虚拟环境配置
3.1 创建隔离环境
为避免污染系统Python环境，建议创建专用虚拟环境：
python3.8 -m venv ~/yolo_env echo "alias yoloenv='source ~/yolo_env/bin/activate'" >> ~/.bashrc source ~/.bashrc3.2 依赖包离线安装
将预先下载的wheel文件（包括pip、setuptools等基础工具）拷贝到设备：
~/yolo_env/ ├── wheels/ │ ├── pip-22.3.1-py3-none-any.whl │ ├── setuptools-65.5.1-py3-none-any.whl │ └── ...安装基础工具链：
source ~/yolo_env/bin/activate python -m pip install --no-index --find-links=~/yolo_env/wheels pip setuptools wheel4. PyTorch与YOLOv8部署
4.1 ARM架构PyTorch安装
针对Jetson Nano的ARM64架构，需要特殊版本的PyTorch。国内技术社区维护的预编译版本是最佳选择：
下载预编译包（示例URL需替换）：
wget http://mirror.example.com/torch-1.11.0-cp38-cp38-linux_aarch64.whl安装核心框架：
pip install torch-1.11.0-cp38-cp38-linux_aarch64.whl
验证安装：
import torch print(torch.__version__) # 应输出1.11.0 print(torch.cuda.is_available()) # 应输出True4.2 YOLOv8离线部署
将Ultralytics全家桶的离线安装包拷贝到设备后：
pip install --no-index --find-links=~/yolo_env/wheels ultralytics-8.0.0-py3-none-any.whl常见问题解决方案：
# 解决libomp缺失问题 sudo apt install -y libomp5 # 解决CUDA相关错误 export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH5. 模型测试与性能优化
5.1 基准测试
使用预训练的YOLOv8n模型进行测试：
from ultralytics import YOLO model = YOLO('yolov8n.pt') results = model.predict('bus.jpg', save=True)5.2 性能调优技巧
通过以下配置可提升Jetson Nano上的推理速度：
| 参数 | 推荐值 | 作用 |
|---|---|---|
| --half | True | 启用FP16推理 |
| --imgsz | 640 | 优化输入尺寸 |
| --workers | 1 | 避免多进程开销 |
在~/.bashrc中添加永久性优化参数：
export OPENBLAS_CORETYPE=ARMV8 export OMP_NUM_THREADS=4实际测试表明，经过优化的YOLOv8n模型在Jetson Nano上可实现15-20FPS的实时推理性能。对于更复杂的模型如YOLOv8x，建议使用TensorRT加速以获得可用帧率。