Jetson Nano边缘AI开发：YOLOv5环境搭建与3D相机集成

1. 边缘AI开发环境构建全景

作为一名在嵌入式AI领域摸爬滚打多年的开发者，我清楚地记得第一次接触Jetson Nano时的兴奋与困惑。这款仅有信用卡大小的开发板，却蕴含着惊人的AI计算能力。今天，我将分享一套经过实战检验的Jetson Nano深度学习环境搭建方案，重点介绍YOLOv5模型的部署过程。

Jetson Nano之所以成为边缘AI开发的首选平台，主要基于三大核心优势：

1. 计算性能与功耗的完美平衡：搭载128核Maxwell架构GPU，提供472GFLOPS的浮点运算能力，而典型功耗仅5-10W。这种能效比使得它非常适合无人机、移动机器人等对功耗敏感的应用场景。

2. 完整的软件生态支持：NVIDIA提供了JetPack SDK，包含CUDA、cuDNN、TensorRT等关键组件，为深度学习推理提供了完整的工具链支持。特别是TensorRT的优化能力，可以将模型推理速度提升2-3倍。

3. 丰富的硬件接口：拥有40针GPIO接口、4个USB3.0接口、CSI摄像头接口等，便于连接各类传感器和外设。在我们的机器人视觉项目中，就是通过CSI接口连接奥比中光3D相机实现深度感知。

2. 系统环境部署全流程

2.1 Jetson Nano刷机实战

2.1.1 准备工作清单

在开始刷机前，需要准备以下硬件和软件：

• 至少16GB的microSD卡（建议使用UHS-3级别的高速卡）
• SD卡读卡器
• 5V4A电源适配器（官方推荐配置）
• HDMI显示器和USB键鼠
• 下载JetPack SDK镜像（当前最新稳定版为4.6.3）

重要提示：避免使用劣质电源适配器，供电不足会导致系统不稳定甚至损坏硬件。我们团队曾因使用3A电源导致频繁死机，更换为4A电源后问题立即解决。

2.1.2 镜像烧录步骤详解

1. 使用balenaEtcher工具将下载的.img镜像文件写入SD卡
2. 写入完成后，将SD卡插入Jetson Nano卡槽
3. 连接显示器、键鼠和网络（建议有线连接）
4. 上电启动，按照提示完成Ubuntu系统初始化设置

常见问题解决方案：

• 如果启动时卡在NVIDIA logo界面，可能是镜像写入不完整，建议重新烧录
• 首次启动较慢（可能需5-10分钟），属于正常现象
• 若无法识别显示器，尝试通过HDMI转接线连接

2.2 CUDA环境配置

Jetson Nano预装了CUDA工具包，但需要正确配置环境变量才能使用：

bash复制# 编辑~/.bashrc文件
nano ~/.bashrc

# 添加以下内容
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

# 使配置生效
source ~/.bashrc

验证安装：

bash复制nvcc --version
# 应显示类似以下信息
# nvcc: NVIDIA (R) Cuda compiler
# release 10.2, V10.2.300

2.3 系统优化配置

2.3.1 更换国内软件源

由于默认源在国外，更新速度较慢，建议更换为国内镜像源：

bash复制sudo sed -i 's/ports.ubuntu.com/mirrors.ustc.edu.cn/g' /etc/apt/sources.list
sudo apt update && sudo apt upgrade -y

2.3.2 安装必要工具

bash复制sudo apt install -y \
    python3-pip \
    python3-dev \
    cmake \
    libopenblas-dev \
    liblapack-dev \
    libjpeg-dev \
    zlib1g-dev

3. Python环境配置

3.1 Archiconda安装

由于Jetson Nano是ARM架构，常规Anaconda不兼容，需要使用专为ARM优化的Archiconda：

bash复制wget https://github.com/Archiconda/build-tools/releases/download/0.2.3/Archiconda3-0.2.3-Linux-aarch64.sh
bash Archiconda3-0.2.3-Linux-aarch64.sh
source ~/.bashrc

3.2 创建虚拟环境

bash复制conda create -n yolov5 python=3.8
conda activate yolov5

3.3 配置pip镜像源

bash复制pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

4. YOLOv5环境部署

4.1 PyTorch安装

Jetson Nano需要安装特定版本的PyTorch：

bash复制wget https://nvidia.box.com/shared/static/p57jwntv436lfrd78inwl7iml6p13fzh.whl -O torch-1.8.0-cp38-cp38-linux_aarch64.whl
pip install torch-1.8.0-cp38-cp38-linux_aarch64.whl

验证安装：

python复制import torch
print(torch.__version__)  # 应输出1.8.0
print(torch.cuda.is_available())  # 应输出True

4.2 安装YOLOv5

bash复制git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt

4.3 TensorRT加速

安装TensorRT并转换模型：

bash复制sudo apt install tensorrt
python export.py --weights yolov5s.pt --include engine --device 0

5. 3D相机集成实战

5.1 奥比中光相机配置

bash复制# 安装依赖
sudo apt install libudev-dev libusb-1.0-0-dev

# 编译安装SDK
git clone https://github.com/orbbec/OrbbecSDK
cd OrbbecSDK
mkdir build && cd build
cmake ..
make -j4
sudo make install

5.2 测试相机

python复制import pyorbbecsdk

config = pyorbbecsdk.Config()
pipeline = pyorbbecsdk.Pipeline(config)
pipeline.start()
frame = pipeline.wait_for_frames()
print("成功获取深度帧:", frame.get_depth_frame())

6. 性能优化技巧

6.1 模型量化

python复制model = torch.quantization.quantize_dynamic(
    model, {torch.nn.Linear}, dtype=torch.qint8
)

6.2 电源模式设置

bash复制sudo nvpmodel -m 0  # 最大性能模式
sudo jetson_clocks  # 锁定最高频率

6.3 内存管理

bash复制# 增加swap空间
sudo fallocate -l 4G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile

7. 常见问题解决方案

1. CUDA内存不足：

   • 减小模型输入尺寸
   • 使用--batch-size 1参数运行
   • 关闭不必要的后台进程

2. TensorRT转换失败：

   • 确保PyTorch和TensorRT版本兼容
   • 尝试使用onnx作为中间格式
   • 检查模型是否有不支持的操作

3. 相机连接异常：

   • 检查USB连接是否稳定
   • 确认udev规则已正确配置
   • 尝试重新插拔相机

这套环境配置方案已经在我们团队的多个实际项目中得到验证，包括工业质检、服务机器人视觉导航等场景。特别是在2024RoboCup中国赛中，我们的机器人基于此配置实现了稳定的实时3D目标检测。