Jetson Orin Nano配置OpenCV与YOLOv8全指南

1. Jetson Orin Nano环境准备与基础配置

Jetson Orin Nano作为NVIDIA推出的边缘计算设备，其ARM架构和CUDA核心为计算机视觉任务提供了强大的硬件支持。在开始安装OpenCV和YOLOv8之前，我们需要先完成系统的基础配置。

1.1 系统更新与依赖安装

首先通过SSH或直接连接显示器登录系统后，建议执行以下操作：

bash复制sudo apt update
sudo apt full-upgrade -y
sudo apt install -y build-essential cmake git unzip pkg-config
sudo apt install -y libjpeg-dev libpng-dev libtiff-dev
sudo apt install -y libavcodec-dev libavformat-dev libswscale-dev
sudo apt install -y libgtk-3-dev libcanberra-gtk3-dev
sudo apt install -y python3-dev python3-pip python3-numpy

重要提示：Jetson Orin Nano默认使用JetPack系统，其中已包含CUDA和cuDNN，但版本可能与最新OpenCV或YOLOv8的要求存在差异。建议先通过nvcc --version和cat /usr/include/cudnn_version.h | grep CUDNN_MAJOR -A 2确认当前版本。

1.2 交换空间配置

由于编译OpenCV需要大量内存，而Jetson Orin Nano的物理内存可能不足，建议设置交换空间：

bash复制sudo fallocate -l 8G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile
echo '/swapfile swap swap defaults 0 0' | sudo tee -a /etc/fstab

2. OpenCV在Jetson Orin Nano上的编译安装

2.1 源码下载与配置

推荐使用OpenCV 4.5.0及以上版本以获得更好的ARM架构支持：

bash复制wget -O opencv.zip https://github.com/opencv/opencv/archive/4.8.0.zip
wget -O opencv_contrib.zip https://github.com/opencv/opencv_contrib/archive/4.8.0.zip
unzip opencv.zip
unzip opencv_contrib.zip

创建编译目录并配置CMake：

bash复制cd opencv-4.8.0
mkdir build && cd build
cmake -D CMAKE_BUILD_TYPE=RELEASE \
      -D CMAKE_INSTALL_PREFIX=/usr/local \
      -D OPENCV_EXTRA_MODULES_PATH=../../opencv_contrib-4.8.0/modules \
      -D WITH_CUDA=ON \
      -D CUDA_ARCH_BIN=8.7 \
      -D CUDA_ARCH_PTX=8.7 \
      -D WITH_CUDNN=ON \
      -D WITH_CUBLAS=ON \
      -D ENABLE_FAST_MATH=ON \
      -D CUDA_FAST_MATH=ON \
      -D OPENCV_DNN_CUDA=ON \
      -D WITH_OPENMP=ON \
      -D WITH_GSTREAMER=ON \
      -D WITH_LIBV4L=ON \
      -D BUILD_opencv_python3=ON \
      -D BUILD_TESTS=OFF \
      -D BUILD_PERF_TESTS=OFF \
      -D BUILD_EXAMPLES=OFF ..

关键参数说明：

• CUDA_ARCH_BIN=8.7：针对Orin Nano的GPU架构设置
• OPENCV_DNN_CUDA=ON：启用CUDA加速的DNN模块
• 其他参数优化了CUDA计算性能和编译速度

2.2 编译与安装

使用以下命令开始编译（建议使用tmux或screen保持会话）：

bash复制make -j$(nproc)
sudo make install
sudo ldconfig

编译完成后验证安装：

python复制python3 -c "import cv2; print(cv2.__version__); print(cv2.cuda.getCudaEnabledDeviceCount())"

3. YOLOv8环境配置与模型部署

3.1 Python环境准备

建议使用conda创建独立环境：

bash复制wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-aarch64.sh
bash Miniconda3-latest-Linux-aarch64.sh
conda create -n yolov8 python=3.8
conda activate yolov8
pip install --upgrade pip

3.2 安装Ultralytics YOLOv8

安装基础依赖和YOLOv8：

bash复制pip install ultralytics
pip install onnx onnxruntime-gpu
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/rocm5.4.2

注意：PyTorch的ARM版本需要通过ROCm支持，上述命令中的rocm5.4.2是针对Jetson平台的特定版本

3.3 验证YOLOv8运行

下载预训练模型并测试：

python复制from ultralytics import YOLO

model = YOLO('yolov8n.pt')
results = model('https://ultralytics.com/images/bus.jpg', save=True)
print(results)

4. 性能优化与实际问题解决

4.1 OpenCV与YOLOv8的CUDA加速

确保OpenCV和YOLOv8都正确使用了CUDA加速：

python复制import cv2
print(cv2.cuda.getCudaEnabledDeviceCount())  # 应返回1

import torch
print(torch.cuda.is_available())  # 应返回True

4.2 常见问题排查

1. OpenCV找不到CUDA设备：

   • 检查/usr/local/cuda是否存在并正确链接
   • 确认LD_LIBRARY_PATH包含CUDA库路径：

     bash复制export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
     

2. YOLOv8运行速度慢：

   • 使用TensorRT加速：

     bash复制pip install nvidia-tensorrt
     python -m pip install nvidia-pyindex
     python -m pip install --upgrade nvidia-tensorrt
     

   • 转换模型为TensorRT格式：

     python复制from ultralytics import YOLO
     model = YOLO('yolov8n.pt')
     model.export(format='engine', device=0)
     

3. 内存不足问题：

   • 减小模型尺寸（使用yolov8s或yolov8n）
   • 降低推理时的imgsz参数
   • 增加交换空间（如前面所述）

4.3 实际应用示例：实时对象检测

以下是一个完整的摄像头实时检测脚本：

python复制import cv2
from ultralytics import YOLO

model = YOLO('yolov8n.pt')
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break
        
    results = model(frame, imgsz=320)
    annotated_frame = results[0].plot()
    
    cv2.imshow('YOLOv8 Inference', annotated_frame)
    if cv2.waitKey(1) == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

5. 进阶配置与模型训练

5.1 自定义数据集训练

1. 准备数据集（建议使用LabelImg标注）：

   bash复制pip install labelImg
   labelImg
   

2. 创建数据集配置文件（data.yaml）：

   yaml复制train: /path/to/train/images
   val: /path/to/val/images
   nc: 3  # 类别数量
   names: ['class1', 'class2', 'class3']
   

3. 开始训练：

   bash复制yolo train data=data.yaml model=yolov8n.pt epochs=100 imgsz=640
   

5.2 模型导出与部署

支持多种导出格式：

bash复制yolo export model=yolov8n.pt format=onnx  # ONNX格式
yolo export model=yolov8n.pt format=engine  # TensorRT格式
yolo export model=yolov8n.pt format=torchscript  # TorchScript格式

对于RK3588等嵌入式设备，建议使用ONNX格式并通过ONNX Runtime运行：

python复制import onnxruntime as ort
import numpy as np

sess = ort.InferenceSession('yolov8n.onnx', providers=['CUDAExecutionProvider'])
inputs = {'images': np.random.rand(1,3,640,640).astype(np.float32)}
outputs = sess.run(None, inputs)

在实际部署中，我发现Jetson Orin Nano的INT8量化能显著提升推理速度。可以通过以下命令进行量化：

bash复制yolo export model=yolov8n.pt format=engine int8=True