Jetson Nano从零部署指南：系统安装、OpenCV编译与YOLO环境搭建

1. 项目缘起：为什么从Jetson Nano开始？

如果你对边缘计算、嵌入式AI或者机器人项目感兴趣，那么Jetson Nano这个名字你一定不陌生。它就像是一个微型但功能齐全的AI大脑，价格亲民，功耗极低，却能在本地实时处理图像识别、语音交互这些复杂的任务。我第一次接触它，是为了一个智能巡检小车的项目，需要在移动端实时跑一个轻量化的YOLO模型。当时市面上选择不少，但综合考虑成本、社区支持和上手难度，Jetson Nano成了我的首选。

然而，和所有嵌入式开发板一样，拿到手的第一关往往不是写代码，而是“点亮”它。系统安装和环境部署，听起来像是按部就班的操作，但实际过程中任何一个环节的疏忽，都可能导致后续开发举步维艰。比如，烧录镜像时选错了版本，可能连基本的Python环境都装不上；环境变量配置不对，编译OpenCV能让你折腾一整天。网上的教程很多，但要么过于简略跳过了关键细节，要么版本老旧已经不适用。我把自己从零开始，多次重装、踩坑、最终稳定运行的完整过程记录下来，希望能帮你绕开那些“坑”，快速搭建一个坚实可靠的开发起点。

2. 核心准备：硬件清单与镜像选择

在按下电源键之前，充分的准备工作能避免一半的麻烦。Jetson Nano的部署，硬件是基础，软件镜像则是灵魂。

2.1 必不可少的硬件“全家福”

Jetson Nano开发板本身只是一个核心，要让它工作起来，你需要准备好以下配件，这就像给一台电脑主机配齐外设：

• 电源适配器：这是重中之重。Jetson Nano对电源要求比较严格。官方推荐使用5V/4A（20W）的Micro-USB电源（针对较早的版本）或5V/5A（25W）的桶形电源（针对带桶形电源接口的版本）。我强烈建议使用官方推荐或品质有保障的电源。电源功率不足是导致系统不稳定、随机重启甚至无法启动的最常见原因。我曾用一个普通的手机充电器（5V/2A）尝试，结果就是频繁死机，排查了半天才发现是电源的锅。
• MicroSD卡：这是Nano的“硬盘”。至少需要32GB容量，强烈建议选择UHS-1速度等级及以上（如Class 10， A1/A2）的知名品牌高速卡。烧录和系统运行速度直接与此相关。一张低速卡会让系统体验变得极其糟糕。我用的是一张128GB的A2级卡，为后续安装各种库和数据集留足空间。
• 读卡器：用于将镜像烧录到MicroSD卡中。
• 显示器与HDMI线：初次设置需要图形界面。任何支持HDMI输入的显示器或电视都可以。
• 键盘和鼠标：USB接口的即可。
• 网络连接：网线（以太网）是最稳定可靠的选择。虽然Nano也支持Wi-Fi，但需要额外配置USB无线网卡，在初始安装阶段，一根网线能省去很多麻烦。
• 可选但推荐的配件：
  • 散热风扇与散热片：Nano在运行AI推理时发热量不小。良好的散热能保证其持续稳定工作在最高性能状态。很多套件会附带一个小风扇，务必装上。
  • USB无线网卡：如果项目需要移动性，一个兼容性好的USB无线网卡是必需的。我使用的是常见的RTL8812BU芯片网卡，在Linux下驱动支持较好。
  • CSI摄像头：如果你要做计算机视觉项目，官方或兼容的树莓派CSI摄像头是直接接入的最佳选择。

2.2 系统镜像下载：选对版本，事半功倍

NVIDIA为Jetson Nano提供了专门的系统镜像，基于Ubuntu 18.04或20.04，并深度集成了CUDA、cuDNN、TensorRT等AI计算库。选择正确的镜像至关重要。

1. 访问官方下载页面：前往NVIDIA Jetson Nano开发者网站，找到“下载”或“SD卡镜像”部分。
2. 选择镜像版本：你会看到类似JetPack 4.6、JetPack 5.0/5.1这样的版本。JetPack是NVIDIA为Jetson系列提供的全栈开发套件版本号，它包含了操作系统、驱动、CUDA、AI库等所有组件。
   • JetPack 4.x系列：基于Ubuntu 18.04，生态非常成熟稳定，社区资源极其丰富。如果你是初学者，或者项目依赖的某些库对较新系统支持不佳，选择JetPack 4.6.1是一个稳妥的决定。
   • JetPack 5.x系列：基于Ubuntu 20.04，内核和系统组件更新，支持更新的硬件特性（如某些Wi-Fi/蓝牙模块）。但早期版本可能遇到一些第三方库的兼容性问题。随着发展，现已非常稳定，是新项目的推荐选择。
   • 如何抉择：对于绝大多数AI应用和教程（包括部署YOLO），JetPack 4.6.1因其无与伦比的稳定性，依然是目前最主流、最推荐的选择。本文后续操作也以JetPack 4.6.1为例。下载文件通常是一个扩展名为.img或.zip的压缩包。

注意：务必核对下载镜像的MD5或SHA256校验和，确保文件在下载过程中没有损坏。文件损坏会导致烧录后系统无法启动。

3. 系统烧录与首次启动

有了镜像和硬件，接下来就是“灌装”系统。

3.1 使用Etcher进行镜像烧录

在Windows、macOS或Linux上，我都推荐使用Balena Etcher这款工具。它界面简洁，操作傻瓜化，自动完成校验和刷新，几乎不会出错。

1. 插入MicroSD卡：通过读卡器将你的MicroSD卡连接到电脑。
2. 打开Etcher：运行Balena Etcher。
3. 选择镜像：点击“Flash from file”，选择你下载并解压后的.img镜像文件。
4. 选择目标驱动器：Etcher通常会自动识别插入的SD卡。请务必再三确认你选择的是SD卡，而不是电脑的硬盘！选错目标会清空你的电脑硬盘数据。
5. 开始烧录：点击“Flash！”按钮。这个过程会持续10-20分钟，取决于你的SD卡速度和电脑性能。烧录完成后，Etcher会自动进行验证（Verify），确保数据写入正确。
6. 安全弹出：验证成功后，从电脑上安全弹出SD卡。

3.2 上电启动与初始配置

将烧录好的MicroSD卡插入Jetson Nano底部的卡槽，连接好显示器、键盘、鼠标、网线，最后插上电源。

1. 首次启动：上电后，你会看到NVIDIA的Logo，然后进入系统初始化过程。第一次启动会稍慢一些，因为它需要扩展文件系统以适应你的SD卡容量。

2. 系统设置向导：跟随屏幕提示完成初始设置，包括：

   • 语言和时区：选择中文或英文，以及你所在的时区（Asia/Shanghai）。
   • 用户名和密码：创建一个非root的用户账户，并设置一个强密码。请牢记这个密码，后续的sudo操作都需要它。
   • 计算机名：给你的设备起个名字，比如my-jetson-nano。
   • 磁盘设置：通常使用默认的全盘选项即可。
   • 安装完成：设置完成后，系统会重启，然后进入Ubuntu的图形桌面环境。

3. 关键检查点：进入系统后，第一时间做以下几件事：

   • 打开终端：按Ctrl+Alt+T打开终端。
   • 检查系统信息：输入nvidia-smi命令。如果能看到JetPack版本、CUDA版本以及GPU（Jetson Nano）的信息，说明核心的NVIDIA驱动和CUDA已经正确安装。
   • 检查CUDA：输入nvcc -V或cat /usr/local/cuda/version.txt查看CUDA版本。对于JetPack 4.6.1，通常是CUDA 10.2。
   • 更新软件源：为了获得更快的下载速度，可以将软件源替换为国内镜像（如清华、中科大源）。但对于Jetson Nano，需要谨慎操作，因为其ARM架构（aarch64）的源与普通x86电脑不同。一个更安全的方法是只更新apt列表：sudo apt update。

4. 基础环境部署与加固

系统跑起来了，但这是一个“干净”的系统。为了后续开发，我们需要搭建一个坚固的基础环境。

4.1 系统更新与基础工具安装

首先，进行一次全面的系统更新，并安装一些必不可少的开发工具。

# 更新软件包列表 sudo apt update # 升级所有已安装的软件包（这可能需要一些时间） sudo apt upgrade -y # 安装基础开发工具包 sudo apt install -y build-essential cmake git curl wget vim htop net-tools # 安装Python3开发环境（系统可能已预装python3，但需要pip和dev包） sudo apt install -y python3-dev python3-pip python3-venv

实操心得：sudo apt upgrade可能会更新内核。更新后建议重启一次，以确保所有更新生效，系统处于最稳定的状态。build-essential包含了gcc, g++, make等编译工具，是后续从源码编译任何库的前提。

4.2 配置Python虚拟环境

强烈建议为不同的AI项目创建独立的Python虚拟环境。这可以避免包版本冲突，保持系统Python的洁净。

# 安装虚拟环境管理工具（如果pip3版本较旧，可以先升级pip） sudo pip3 install --upgrade pip sudo pip3 install virtualenv virtualenvwrapper # 将virtualenvwrapper配置添加到shell配置文件中（通常是~/.bashrc） echo -e "\n# Virtualenv Wrapper" >> ~/.bashrc echo "export WORKON_HOME=$HOME/.virtualenvs" >> ~/.bashrc echo "export VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3" >> ~/.bashrc echo "source /usr/local/bin/virtualenvwrapper.sh" >> ~/.bashrc # 使配置立即生效 source ~/.bashrc

现在，你可以轻松创建和管理虚拟环境了：

# 创建一个名为‘cv’的虚拟环境，用于计算机视觉项目 mkvirtualenv cv -p python3 # 进入该环境 workon cv # 退出环境 deactivate # 列出所有环境 lsvirtualenv # 删除环境 rmvirtualenv cv

注意：每次打开新的终端窗口，如果需要使用虚拟环境，都需要先执行workon cv来激活。你可以把常用命令写在~/.bashrc里，但激活环境这一步通常还是需要手动执行。

4.3 安装并验证关键AI库：OpenCV

OpenCV是计算机视觉的基石。虽然JetPack预装了OpenCV，但预装版本可能功能不全（比如缺少GUI模块highgui，因为嵌入式环境常以无头模式运行），或者你想安装带有额外贡献模块（如SIFT， SURF）的版本。从源码编译OpenCV是更可控的方式。

为什么选择编译安装？因为通过apt安装的python3-opencv包可能是一个精简版，且无法保证与CUDA的兼容性达到最佳。编译安装可以自定义模块，并确保与已安装的CUDA和cuDNN深度集成。

以下是编译安装OpenCV 4.5.0（一个与JetPack 4.6.1兼容的稳定版本）的步骤：

1. 安装依赖项：这是一长串但必要的步骤。

   sudo apt install -y libjpeg8-dev libtiff5-dev libjasper-dev libpng12-dev sudo apt install -y libavcodec-dev libavformat-dev libswscale-dev libv4l-dev sudo apt install -y libxvidcore-dev libx264-dev sudo apt install -y libgtk-3-dev sudo apt install -y libatlas-base-dev gfortran sudo apt install -y libhdf5-dev libhdf5-serial-dev libhdf5-103 sudo apt install -y libqtgui4 libqtwebkit4 libqt4-test python3-pyqt5

2. 下载OpenCV源码：

   cd ~ wget -O opencv.zip https://github.com/opencv/opencv/archive/4.5.0.zip wget -O opencv_contrib.zip https://github.com/opencv/opencv_contrib/archive/4.5.0.zip unzip opencv.zip unzip opencv_contrib.zip mv opencv-4.5.0 opencv mv opencv_contrib-4.5.0 opencv_contrib

3. 配置CMake：这是最关键的一步，决定了编译出的OpenCV具备哪些功能。

   cd ~/opencv mkdir build cd build cmake -D CMAKE_BUILD_TYPE=RELEASE \ -D CMAKE_INSTALL_PREFIX=/usr/local \ -D OPENCV_EXTRA_MODULES_PATH=~/opencv_contrib/modules \ -D ENABLE_NEON=ON \ -D ENABLE_VFPV3=ON \ -D WITH_OPENMP=ON \ -D WITH_OPENCL=OFF \ -D WITH_CUDA=ON \ -D CUDA_ARCH_BIN=5.3 \ -D CUDA_ARCH_PTX="" \ -D WITH_CUDNN=ON \ -D WITH_CUBLAS=ON \ -D OPENCV_DNN_CUDA=ON \ -D ENABLE_FAST_MATH=ON \ -D CUDA_FAST_MATH=ON \ -D WITH_LIBV4L=ON \ -D WITH_GSTREAMER=ON \ -D WITH_GTK=ON \ -D WITH_QT=OFF \ -D BUILD_opencv_python3=ON \ -D BUILD_TESTS=OFF \ -D BUILD_PERF_TESTS=OFF \ -D BUILD_EXAMPLES=OFF \ -D PYTHON3_EXECUTABLE=/usr/bin/python3 \ -D PYTHON3_INCLUDE_DIR=/usr/include/python3.6 \ -D PYTHON3_LIBRARY=/usr/lib/aarch64-linux-gnu/libpython3.6m.so \ -D PYTHON3_NUMPY_INCLUDE_DIRS=/usr/lib/python3/dist-packages/numpy/core/include \ -D PYTHON3_PACKAGES_PATH=/usr/local/lib/python3.6/dist-packages \ ..

   关键参数解释：

   • WITH_CUDA=ON,WITH_CUDNN=ON,WITH_CUBLAS=ON: 启用CUDA、cuDNN和cuBLAS加速，这是让OpenCV在Nano上飞起来的关键。
   • CUDA_ARCH_BIN=5.3: 指定Nano的GPU计算能力（Compute Capability）。Jetson Nano是5.3，这个参数必须正确，否则CUDA代码无法编译或运行。
   • OPENCV_DNN_CUDA=ON: 启用OpenCV DNN模块的CUDA后端，对于用OpenCV运行深度学习模型至关重要。
   • ENABLE_NEON=ON: 启用ARM NEON指令集优化，提升CPU性能。
   • BUILD_opencv_python3=ON: 编译Python3绑定。

4. 编译与安装：编译过程非常漫长，在Nano上可能需要2-4个小时。建议使用make的-j4参数（4个线程）来加速，但要注意Nano的散热。

   # 使用4个线程编译，根据系统负载调整。监控温度，必要时加强散热。 make -j4 # 编译完成后安装 sudo make install sudo ldconfig # 更新动态链接库缓存

5. 验证安装：

   # 进入Python3，尝试导入cv2并查看版本 python3 -c "import cv2; print(cv2.__version__)" # 应该输出 4.5.0 # 检查CUDA是否启用 python3 -c "import cv2; print(cv2.cuda.getCudaEnabledDeviceCount())" # 应该输出大于0的数字（例如1）

踩坑记录：编译过程中最可能遇到的问题是内存不足（Swap耗尽）。Jetson Nano的4GB内存对于编译OpenCV这种大型项目来说比较紧张。如果编译中途卡住或报错，可以尝试以下方法：

• 增加交换空间（Swap）：临时将交换文件增加到4GB或更多。

  sudo fallocate -l 4G /swapfile sudo chmod 600 /swapfile sudo mkswap /swapfile sudo swapon /swapfile # 可以将其添加到/etc/fstab中使其永久生效

• 减少编译线程：使用make -j2甚至make（单线程）来编译，虽然更慢，但更稳定。
• 确保散热良好，避免因过热降频导致编译失败。

5. 深度学习环境部署：以PyTorch和YOLO为例

基础环境就绪后，我们就可以搭建具体的深度学习开发环境了。这里以部署PyTorch和Ultralytics YOLOv5为例，这是当前非常流行的组合。

5.1 安装PyTorch for Jetson

PyTorch没有直接提供适用于JetPack 4.6 (CUDA 10.2) 的pip安装包。我们需要从NVIDIA官方提供的wheel文件进行安装。

1. 确定版本：访问PyTorch for Jetson的官方页面，找到与你的JetPack（CUDA）版本对应的稳定版。对于JetPack 4.6 (CUDA 10.2)，一个经过验证可用的版本是torch-1.10.0配合torchvision-0.11.0。

2. 安装依赖：

   sudo apt install -y libopenblas-base libopenmpi-dev libomp-dev

3. 下载并安装PyTorch：

   # 下载wheel文件（示例链接，请以官网最新为准） wget https://nvidia.box.com/shared/static/fjtbno0vpo676a25cgvuqc1wty0fkkg6.whl -O torch-1.10.0-cp36-cp36m-linux_aarch64.whl # 安装 pip3 install torch-1.10.0-cp36-cp36m-linux_aarch64.whl

4. 安装Torchvision：Torchvision需要从源码编译，以确保与PyTorch版本和系统架构匹配。

   sudo apt install -y libjpeg-dev zlib1g-dev libpython3-dev libavcodec-dev libavformat-dev libswscale-dev # 安装较新版本的pillow，避免兼容性问题 pip3 install --upgrade pillow # 下载对应版本的torchvision源码 git clone --branch v0.11.0 https://github.com/pytorch/vision torchvision cd torchvision # 编译安装 export BUILD_VERSION=0.11.0 python3 setup.py install --user cd ..

5. 验证PyTorch安装：

   python3 -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"

   如果输出PyTorch版本和True，恭喜你，PyTorch已在Nano上成功启用CUDA。

5.2 部署YOLOv5进行目标检测

YOLOv5因其易用性和性能平衡而广受欢迎。我们直接在虚拟环境中安装并测试。

1. 激活虚拟环境并安装依赖：

   workon cv # 进入之前创建的‘cv’环境 cd ~ git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt

   requirements.txt会安装一系列包，包括matplotlib,numpy,opencv-python(这里我们用pip安装一个轻量版，与系统编译的cv2不冲突),pillow,torch(已安装)等。

2. 下载预训练模型并测试：

   # 下载一个轻量级模型，例如yolov5s python3 detect.py --weights yolov5s.pt --source data/images --img 640 --conf 0.25

   首次运行会自动下载yolov5s.pt模型文件。命令会在data/images目录下的示例图片上运行检测，并将结果保存在runs/detect/exp目录下。

3. 使用CSI摄像头进行实时检测： 这才是嵌入式AI的乐趣所在。假设你已经连接了CSI摄像头。

   # 使用摄像头索引0（通常是CSI摄像头） python3 detect.py --weights yolov5s.pt --source 0 --img 640

   如果一切正常，你将看到一个实时检测窗口。按q键退出。

性能调优心得：在Jetson Nano上跑YOLOv5，默认参数可能帧率较低。可以尝试以下优化：

• 减小推理尺寸：--img 320可以显著提升速度，但会略微降低精度。
• 使用半精度（FP16）：Jetson的GPU支持FP16，能提升速度并减少显存占用。在YOLOv5的detect.py中，可以尝试添加--half参数（注意：需要模型支持FP16，且可能在某些版本上不稳定，需测试）。
• 使用TensorRT加速：这是终极优化方案。可以将PyTorch模型转换为TensorRT引擎，获得数倍的性能提升。但这涉及模型转换和部署，步骤更为复杂，是进阶内容。

6. 常见问题排查与系统优化

即使按照步骤操作，你也可能会遇到一些问题。这里汇总一些典型问题的排查思路。

6.1 系统启动与显示问题

问题现象	可能原因	排查与解决
上电后无任何反应，指示灯不亮	电源问题	检查电源适配器规格是否为5V/4A或5V/5A，连接是否牢固。尝试更换电源。
指示灯亮但显示器无信号	1. HDMI线或显示器问题 2. 镜像烧录失败 3. 显卡模式设置	1. 更换HDMI线和显示器测试。 2. 重新使用Etcher烧录镜像，确保验证通过。 3. 对于某些版本，可能需要通过跳线（J48）强制设置为HDMI输出模式（参考官方文档）。
卡在开机Logo或命令行界面	文件系统损坏，SD卡问题	可能是SD卡质量不佳或意外断电导致。尝试重新烧录镜像。使用品牌高速卡。

6.2 软件安装与编译问题

• pip install速度慢或失败：将pip源更换为国内镜像。

  mkdir ~/.pip echo -e "[global]\nindex-url = https://pypi.tuna.tsinghua.edu.cn/simple" >> ~/.pip/pip.conf

• 编译OpenCV或其它库时内存/交换空间不足：如前所述，增加交换文件大小，并确保物理散热良好，避免因过热降频导致编译过程异常缓慢或卡死。
• import cv2时提示Illegal instruction (core dumped)：这通常是因为编译OpenCV时使用的CPU优化指令集（如NEON）与当前系统不匹配，或者编译环境有问题。最可靠的解决方案是：使用NVIDIA官方提供的，已经为Jetson优化好的OpenCV wheel包。在安装完JetPack后，可以尝试pip3 install --extra-index-url https://developer.download.nvidia.com/compute/redist/jp/v461 ‘opencv-python==4.5.3.56’。如果必须编译，请确保在纯净的系统环境下，严格按照指导进行。
• CUDA不可用 (torch.cuda.is_available()返回 False)：检查CUDA驱动和工具包是否安装正确。运行nvcc -V和nvidia-smi。确保PyTorch的wheel文件是针对正确版本的JetPack下载的。有时需要重启系统。

6.3 系统性能优化设置

为了让Jetson Nano发挥最佳性能，可以进行一些系统级设置。

1. 切换电源模式：Jetson Nano有两种电源模式（通过跳线J48设置，或在软件中设置）：

   • 5W模式：低功耗，性能受限。
   • 10W模式：全性能模式，需要搭配散热风扇。 对于AI应用，务必使用10W模式。可以通过命令检查并设置：

   sudo nvpmodel -m 0 # 设置为MAX-N（10W）模式 sudo nvpmodel -q # 查询当前模式

2. 启用风扇控制（如果安装了风扇）：安装jetson-stats工具包可以方便地监控和控制。

   sudo pip3 install jetson-stats # 安装后重启，然后使用 jtop 命令查看状态和控制风扇 sudo systemctl restart jtop.service jtop

   在jtop界面中，可以手动设置风扇速度，或设置为自动控制。

3. 关闭图形界面以释放资源：对于纯服务器/无头模式的应用，可以关闭桌面环境，节省内存和CPU。

   sudo systemctl set-default multi-user.target # 设置默认启动到命令行 sudo reboot # 重启生效 # 若要恢复图形界面 sudo systemctl set-default graphical.target sudo reboot

从一块裸板到一个能跑YOLO实时检测的AI边缘设备，这个过程本身就是一个极佳的学习路径。它强迫你去理解硬件限制、系统依赖、编译原理和性能权衡。我自己的经验是，第一次部署成功固然欣喜，但真正有价值的是部署过程中遇到的每一个错误和解决它的过程。把这些问题的解决方案记录下来，它们就成了你知识库中最扎实的部分。

关于后续的深入，比如将PyTorch模型转换为TensorRT引擎以获得极致推理速度，或者使用DeepStream SDK构建高效的视频分析流水线，那又是另一个层次的挑战和乐趣了。但无论如何，一个稳定、基础环境完备的Jetson Nano系统，是你探索所有这些可能性的坚实基地。希望这篇详尽的记录，能帮你把这个基地搭建得又快又稳。