Jetson nano B01傻瓜配置基本环境及YOLO11和TensorRT加速

原创已于 2025-07-04 19:10:38 修改 · 2k 阅读

47 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#计算机外设 #YOLO #python #conda #深度学习

于 2025-07-02 16:16:21 首次发布

AudioSeal 音频水印系统

**AudioSeal** 是 Meta 开源的语音水印系统，用于 AI 生成音频的检测和溯源。

Jetson nano B01 4GB版详细教程，按照下面流程可以顺利搭建完此开发板的环境，如果过程中有什么报错之类的（应该会很少），请问文心一言或者kimi,基本都能解决

一、jetson nano b01 刷 ubuntu 系统

1.1、前期准备

jetson nano b01 开发板，

5V2.5A直流电源电源（我觉得5V4A也行）

32G或64G（本人使用） TF卡，读卡器

HDMI显示器(VGA转HDMI也可以)，键盘鼠标

一根Micro-USB线（有键鼠，显示器可以不用这根线)

1.2、ubuntu系统刷入

1.2.1、准备系统镜像，在NVIDIA官网下载https://developer.nvidia.cn/embedded/learn/get-started-jetson-nano-devkit#write点击链接，再点击下载Jetson Nano开发者套件SD卡镜像。再次点击WINDOWS说明，准备后续工作。

1.2.2、格式化你的TF卡（非常重要）

不管你是新卡还是旧卡必须必须格式化！！！下载SD Memory Card Formatter(官方WINDOWS说明已经给出下载链接和格式化步骤，请按照操作)

1.2.3、烧录系统

下载Etcher,按照（官方WINDOWS说明已经给出烧录步骤，请按照操作）

注意：从文件烧录选你下载解压后的镜像文件，文件名是sd-blob-b01.img。选择目标磁盘一定要选你插上的TF卡的，不要误选为本地计算机存储,然后点击现在烧录！（时间一般为10-20min）。烧录快完成时，会有很多弹窗（很多很多让格式化磁盘的）全部点叉掉（官方WINDOWS文档已展示)。烧录完成后会软件会自己检查是否烧录完整（10-20min）,建议等待。

1.3、插卡开机及网络配置

1.3.1、把烧录好的TF卡，插入开发板的卡槽

连线开机后的语言，时区，名称等设置参考此链接(在这些设置的最后一步选择自动登入)

因为后续不需要屏幕，键鼠，主要靠PC机ssh和开发板连接操作，这样很省事。（上图来源参考此链接）。

1.3.2网络连接与ssh

连上WIFI，打开终端（Ctrl+Alt+t）,输入指令

ifconifg    #查看网络

记住蓝色地方的数字。

1.3.3windterm下载及SSH连接

在自己的电脑上下载WindTerm(github上的开源项目)，但网速很慢，参考此次链接。配置好SSH就可以不用外设了，只需要给开发板供电就可以，其他的在自己的电脑上完成。

二、jetson nano 配置YOLO11所有环境

注意现在所有操作在Windterm软件中操作。

2.1、jtop安装

jtop 的使用十分便捷。只需在终端输入 “jtop” 命令并按下回车键，一个实时更新的界面便会呈现在眼前，该界面详细地展示了设备的 CPU、GPU、内存等各类资源的使用状况。相当于windows的资源管理器。在 jtop 界面里，每个 CPU 核心的使用率清晰可见，GPU 的显存使用情况也一目了然，同时还能查看到内存的使用情况等众多信息。除此之外，jtop 还贴心地提供了 CUDA、cuDNN、OpenCV 等相关工具的版本信息，这对于开发者而言极具价值。

sudo apt update

下面安装pip工具和jtop

sudo apt install python3-pip # 安装pip3
sudo -H pip3 install -U jetson-stats # 安装jtop
sudo jtop # 启动jtop

启动jtop后，看一下监控画面并设置设置一下开发板风扇转速

按下图操作开启风扇

2.2、CUDA配置

输入

sudo vim ~/.bashrc

打开~/.bashrc，按键盘字母 i 进入编辑模式

在这里粘贴下面的代码

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64
export PATH=$PATH:/usr/local/cuda/bin
export CUDA_HOME=/usr/local/cuda

按ESC退出编辑模式，再输入 ：wq 保存，然后输入下面使环境变量生效

source ~/.bashrc

再在终端输入nvcc -V看是否能打印出cuda版本

nvcc -V

到这里CUDA就配置完成

2.3 cudnn配置

输入

# 复制cudnn文件到cuda目录下
cd /usr/include && sudo cp cudnn* /usr/local/cuda/include
cd /usr/lib/aarch64-linux-gnu && sudo cp libcudnn* /usr/local/cuda/lib64

#修改文件权限，修改复制完的头文件与库文件的权限，所有用户都可读，可写，可执行：
sudo chmod 777 /usr/local/cuda/include/cudnn.h 
sudo chmod 777 /usr/local/cuda/lib64/libcudnn*

#重新软链接
cd /usr/local/cuda-10.2/targets/aarch64-linux/lib
sudo ln -s libcudnn_adv_train.so.8 libcudnn_adv_train.so
sudo ln -s libcudnn.so.8 libcudnn.so
sudo ln -s libcudnn_adv_infer.so.8 libcudnn_adv_infer.so
sudo ln -s libcudnn_ops_infer.so.8 libcudnn_ops_infer.so
sudo ln -s libcudnn_cnn_infer.so.8 libcudnn_cnn_infer.so
sudo ln -s libcudnn_cnn_train.so.8 libcudnn_cnn_train.so
sudo ln -s libcudnn_ops_train.so.8 libcudnn_ops_train.so

# 更新共享库缓存
sudo ldconfig

直接复制，在命令行鼠标中键粘贴

点击逐行发送

点击绿色发送按钮，等待逐行发送执行，执行完成后，命令行重新出现，cudnn配置完成。

2.4、TensorRT配置

先输入

sudo apt install python3-libnvinfer*

完成后输入

cd /usr/lib/python3/dist-packages/    #进入此目录下
ls                                    #打印出上述路径内

输入以下检查tensorrt是否可用

python
import tensorrt
print(tensorrt.__version__)

会打印出如上图结果，tensorrt配置完成。

2.5、Minconda下载安装

minconda和我们在电脑上用的anaconda一样，只不过这个更加轻量化，主要作用还是创建一个虚拟环境，方便管理各种包。

cd /home/grdnano/Downloads/          #grdnano是我的名字，请改成你的名字

下载minconda,这个版本我试过了，亲测好用。

wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py310_25.1.1-0-Linux-aarch64.sh

添加权限

chmod +x Miniconda3-py310_25.1.1-0-Linux-aarch64.sh

安装

./Miniconda3-py310_25.1.1-0-Linux-aarch64.sh

然后持续按住空格到底，输入yes。安装完成后我记得应该还会询问是否配置环境变量，也输入yes。偷个懒相信大家都会就不演示了。

conda换源

vim /home/grdnano/miniconda3/.condarc  #grdnano改成你的名字

按 i 进入编辑模式，复制下面的代码，照下下图操作

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

按ESC退出编辑模式，输入 ：wq 保存

后面就和电脑上一样，创建虚拟环境，激活环境。

conda create -n yolo python=3.8  #这个环境名叫yolo(可以改自己喜欢的)，python版本3。8不可改
conda activate yolo              #激活虚拟环境

后面的操作，都在这个yolo这个环境下，保证和下图一样

2.6、torch+torchvision配置

由于官方没有适配 jetpack4+python3.8的 pytorch 版本，因此使用其他预编译的安装包（将其放入对应虚拟环境的 bin 文件里进行安装（这一段是超别人的原话），下载地址，下载完成解压会得到两个文件

按下图操作，我的路径是 /home/grdnano/miniconda3/envs/yolo/bin/ 如果按照上面的步骤，你们应该也一样。

在文件管理器，先切换路径到你的虚拟环境的bin文件夹，右击鼠标，选择上传到当前文件夹，把你解压后的两个文件上传上去后

 cd /home/grdnano/miniconda3/envs/yolo/bin/   #grdnano换成你的名字

python -m pip install torch-1.11.0a0+gitbc2c6ed-cp38-cp38-linux_aarch64.whl torchvision-0.12.0a0+9b5a3fe-cp38-cp38-linux_aarch64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple/

安装完成后输入 cd 回车

sudo apt-get install aptitude
sudo aptitude install libopenblas-base libopenmpi-dev
wget http://ports.ubuntu.com/pool/universe/o/openmpi/libopenmpi2_2.1.1-8_arm64.deb
# 处理动态链接库缺失
sudo dpkg -i libopenmpi2_2.1.1-8_arm64.deb

然后再通过以下代码查看torch是否配置完成

python
import torch
print(torch.cuda.is_available())

如果成功会如下图

2.7、YOLO11下载

第一种是用git工具

sudo apt install git  #下载git

然后在GitHub yolo11 git下来

第二种（第一种可能很慢）

在你的主机上找到yolo11压缩包

mkdir ~/Desktop/yolov11		# 用于存放yolov11项目文件
cd ~/Desktop/yolov11

进入文件夹后，把压缩包上传至 ~/Desktop/yolov11，然后解压，

unzip ultralytics-main.zip  #解压
cd ultralytics-main         #进入yolo11目录
pip install -e .            #采用可编辑模式安装ultralytics包

下载yolo11n.pt文件，下载后上传至 /home/grdnano/Desktop/yolov11/ultralytics-main/

这样就好了，下面就可以预测了

yolo predict model=yolo11n.pt source='/home/grdnano/Desktop/yolov11/ultralytics-main/ultralytics/assets/zidane.jpg'   #换成你自己的路径

这样就成功了。

2.8、ONNX和TensorRT配置

所需tensorRT和onnx安装包：tensorrt-8.2.3.0-cp38-none-linux_aarch64.whl、onnxruntime_gpu-1.16.0-cp38-cp38-linux_aarch64.whl下载地址（这句也是原封不动抄的）

把相关文件和上述的torch和torchvision一样上传至 /home/grdnano/miniconda3/envs/yolo/bin/

 cd /home/grdnano/miniconda3/envs/yolo/bin/   #grdnano换成你的名字
# 安装ONNX运行时与简化工具
python -m pip install onnxruntime_gpu-1.11.0-cp38-cp38-linux_aarch64.whl onnxslim -i https://pypi.tuna.tsinghua.edu.cn/simple/

cd

检测是否可以调用CUDA

python
import onnxruntime as ort
# 检查可用的执行提供者
print(ort.get_available_providers())

如果有 CUDAExecutionProvider 说明成功

使用Ultralytics官方工具导出模型：

yolo mode=export model=yolo11n.pt format=onnx simplify=True

导完后预测

yolo predict model=yolo11n.onnx source="/home/grdnano/Desktop/yolov11/ultralytics-main/ultralytics/assets/zidane.jpg"  #改成你的路径

onnx完成，接下来是 tensorrt

 cd /home/grdnano/miniconda3/envs/yolo/bin/   #grdnano换成你的名字
# 安装ONNX运行时与简化工具
python -m pip install tensorrt-8.2.3.0-cp38-none-linux_aarch64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple/  #这个好像前面配置过了，不过不要紧

使用Ultralytics官方工具导出模型：

yolo mode=export model=yolo11n.pt format=engine half=true simplify=True workspace=2

导完后预测

yolo predict model=yolo11n.engine source="/home/grdnano/Desktop/yolov11/ultralytics-main/ultralytics/assets/zidane.jpg" device=0  #改成你的路径

三、结束语

感谢大佬 一只云卷云舒，可以看他的博客和b站视频

感谢大佬 ZyCodeR-fb，可以看他的博客，jetson nano b01所需的 torch+torchvision 他的仓库里面有提供

如果大家有需要的话，我会把官方提供的系统镜像，windterm软件，其他相关安装包都可提供，如有需要，评论区滴一下（不一定会看，哈哈）

您可能感兴趣的与本文相关的镜像

AudioSeal 音频水印系统

语音合成

PyTorch

Cuda

**AudioSeal** 是 Meta 开源的语音水印系统，用于 AI 生成音频的检测和溯源。