目标检测：Jetson Nano配置YOLOv11环境（Pycharm）

 

目录

 一.前言：

二.基于jetson nano的准备工作：

三.安装所需的软件：

3.1 Anaconda3的安装：

3.2 Pycharm的安装：

四.配置环境：

4.1 创建虚拟环境：

4.2 安装GPU版本Pytorch和对应torchvision：

4.3 安装ultralytics库：

五.导入环境：

5.1 下载YOLOv11源码：

5.2 PyCharm导入环境：

5.3 验证环境的正确性：

六.TensorRT推理加速的配置和使用：

6.1 TensorRT的部署：

6.2 TensorRT的使用：

6.2.1 获得.engine 文件：

6.2.2 使用yolo11n.engine：

七.提高jetson nano性能的细节：

八.总结：

---

一.前言：

        YOLO11是Ultralytics公司YOLO系列实时目标检测器的最新迭代版本，它建立在以前 YOLO 版本的成功基础上，并引入了新功能和改进，以进一步提高性能和灵活性。YOLO11 旨在快速、准确且易于使用，使其成为各种对象检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择，官方代码链接（进不去得用魔法）：

ultralytics YOLO11 🚀 (github.com)https://github.com/ultralytics/ultralytics

经过无数踩坑，最终实现了在jetson nano上面配置YOLOv11并且成功使用TensorRT加速推理，因为jetson nano资源有限，YOLOv11模型较大，所以在测试中使用USB摄像头跑yolo11n.pt时FPS大概在7~12，后续会提到一些优化方法。由于jetson nano的局限性，使得在环境部署上面成为一个麻烦，另外在显存上，由于模型较大，很容易出现溢出，也是一个麻烦，本文将记录部署到YOLO运行的过程。

二.基于jetson nano的准备工作：

这里将省略jetson nano的烧录工作，这里附上官方教程：

Jetson Nano 官方引导教程https://developer.nvidia.com/embedded/learn/get-started-jetson-nano-devkit由于局限性，在jetson nano上面也只能烧版本比较老的JetPack4.6.6，在此版本上，包括CUDA 10.2,cuDNN 8.2.1,TensorRT 8.2.1,并且系统自带python版本为3.6，参考JetPack 存档

但是安装Ultralytics所需的python版本为3.8，而且英伟达提供的torch的GPU版本故本文选择使用py3.8的虚拟环境，为了不影响内部环境，故使用python3.8的虚拟环境配置环境。

三.安装所需的软件：

Anaconda3 + Pycharm 

3.1 Anaconda3的安装：

Anaconda3的安装建议使用清华源，国外网站下载太慢。

清华大学开源软件镜像站https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/?C=M&O=Djetson nano的系统架构为aarch64，故选择aarch64.sh。

下载到jetson nano后，在当前目录打开终端（此处下载当前最新）

chmod +x Anaconda3-2024.10-1-Linux-aarch64.sh

./Anaconda3-2024.10-1-Linux-aarch64.sh

Anaconda3安装完成。

3.2 Pycharm的安装：

直接前往官网下载linux版的.tar.gz（Linux ARM64）：

下载：PyCharm ： PyCharm Professional