当前位置:首页 >  科技 >  IT业界 >  正文

67/157T算力可选:Jetson Orin Nano/NX开发板升级Ubuntu24.04部署YOLO26实践

 2026-11-19 17:07  来源: 互联网   我来投稿 撤稿纠错

  一键部署OpenClaw

NVIDIA Jetson Orin系列凭借高性能Ampere GPU架构、CUDA生态和TensorRT推理加速能力,包括Jetson Orin Nano/NX模组,是当前市面上较具竞争力的中高端嵌入式AI平台之一,算力水平和性能是比较高的一档,Nano最高67 TOPS算力,而NX 8GB内存最高117TOPS,16GB能到156TOPS,适合开发高端目标检测、多路视觉推理、机器人感知及边缘生成式AI等应用场景。

定昌电子基于NVIDIA Jetson Orin模组推出DC_Jetson Orin开发板模组载板,提供不同算力配置,目前已升级了Ubuntu 24.04系统适配。本文从板载硬件配置、接口扩展和软件开发三个方面,以及YOLO26开发实践和基本流程,为大算力边缘视觉应用开发提供参考。

Jetson Orin系列算力配置参考:

● Orin Nano Super:最高67 TOPS稀疏INT8算力。

● Orin NX 8GB Super:最高117 TOPS稀疏INT8算力。

● Orin NX 16GB Super:最高157 TOPS稀疏INT8算力。

Jetson Orin NanoNX开发板升级Ubuntu24.04部署YOLO26实践.jpg

一、算力规格配置

从NVIDIA Jetson Orin系列的具体规格来看,Orin Nano系列提供4GB、8GB等配置,8GB Super版本最高可达67 TOPS稀疏INT8算力;Orin NX系列支持8GB/16GB规格,Super版本最高可达157 TOPS稀疏INT8算力。

不同模组在GPU资源、内存容量、功耗和散热要求方面存在差异。对应型号的官方规格表如下:

Jetson Orin NanoNX系列规格参数表.png

二、接口扩展能力

DC_Jetson Orin采用约100×82×18mm的紧凑型板卡设计,在有限空间内集成多种针对AI边缘应用的常用接口。

显示方面,板子提供1路高清DP,最高支持4K@60Hz输出;摄像头支持2路MIPI CSI接入,可用于双目视觉、AI目标识别及多传感器融合。

网络方面,提供1路RJ45千兆以太网,并可通过扩展接口配置Wi-Fi、蓝牙及4G/5G通信模块。部分配置还支持PoE受电及反向供电,便于根据项目需求设计设备供电方案。

此外,主板提供5路USB接口、2路串口、40PIN GPIO扩展接口、CAN接口及M.2固态硬盘扩展能力,可连接USB摄像头、传感器、控制器和外部存储设备。

英伟达Jetson Orin Nano/NX接口扩展.jpg

三、最新YOLO26开发实践

在AI视觉开发中,YOLO系列模型广泛用于目标检测等计算机视觉任务。本文以YOLO26为例,介绍在定昌NVIDIA Jetson Orin开发板上使用Ubuntu 24.04开展模型部署与开发的基本流程。

开发前需要确认主板适配的JetPack、CUDA、TensorRT及Python版本,再创建独立的Python虚拟环境并安装兼容的Ultralytics依赖。随后准备YOLO26模型权重,完成模型导出,并通过本地图片验证检测结果。

1、切换高性能(SUPER)模式

根据当前模组及载板的配置,切换至对应的SUPER或MAXN高性能模式。

sudo nvpmodel -m 2sudo jetson_clocksnvpmodel -q

2、配置Python环境

Ubuntu 24.04环境下,建议避免直接向系统Python环境安装项目依赖。单独建立虚拟环境,并通过--system-site-packages选项使用系统中已经安装的TensorRT等组件。

sudo apt updatesudo apt install -y python3-pip python3-venv python3-dev libopenblas-devpython3 -m venv --system-site-packages ~/yolosource ~/yolo/bin/activatepython3 -m pip install --upgrade pip

创建完成后,每次重新打开终端,都需要先执行:

source ~/yolo/bin/activate

接着检查TensorRT是否可用:

python3 -c "import tensorrt; print(tensorrt.__version__)"

3、安装Ultralytics

先激活之前建立的Python虚拟环境,再安装Ultralytics及其导出依赖。

source ~/yolo/bin/activatepip install "ultralytics[export]"

原方案提示:安装完成后,pip可能会安装与目标CUDA环境不匹配的PyTorch版本,因此还需要检查GPU可用性,并根据当前JetPack、CUDA和Python环境选择相应的PyTorch及相关依赖。

原文提供的CUDA 13.0安装命令如下:

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu130

原文提供的JetPack 7.2对应ONNX Runtime GPU包(Python 3.12)下载地址:

下载onnxruntime_gpu-1.24.0-cp312-cp312-linux_aarch64.whl

pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/onnxruntime_gpu-1.24.0-cp312-cp312-linux_aarch64.whl

4、检查GPU是否可用

安装完成后,可通过以下Python代码检查PyTorch版本、CUDA状态及GPU名称。

python3 - << 'PY'import torchprint("torch", torch.__version__)print("cuda", torch.cuda.is_available(), torch.version.cuda)if torch.cuda.is_available():    print("gpu", torch.cuda.get_device_name(0))PY

检查要点:应根据目标软件栈确认CUDA是否可用,并检查PyTorch报告的CUDA版本和GPU设备名称。如果返回False,需要继续检查PyTorch构建版本、CUDA运行库及JetPack环境是否匹配。

四、典型应用场景

Jetson Orin主板可进一步用于工业视觉检测、设备状态识别、智能安防、机器人感知和边缘视频分析等项目。开发者可以在YOLO目标检测的基础上,扩展多路摄像头接入、缺陷识别、目标跟踪及业务系统联动。边缘AI视觉应用方向:

工业视觉:产品缺陷检测、工件识别、设备状态分析。

智能安防:人员检测、区域入侵识别、目标跟踪。

机器人:目标识别、视觉感知、多传感器融合。

边缘视频分析:多路视频接入、实时检测、业务系统联动。

英伟达Jetson Orin Nano开发版应用场景.jpg

五、开发资料与技术支持

除了硬件平台,开发资料也是缩短嵌入式项目周期的重要因素。定昌电子可为合作客户提供相应的主板资料及开发教程,内容包括快速上手指南、Docker基础、OpenCV基础、GPIO控制和ROS相关开发参考,帮助开发者开展系统配置、外设调试及应用移植。

定昌的英伟达开发板技术支持.jpg

通过匹配的Jetson Orin模组、适配的Ubuntu系统环境、CUDA与TensorRT工具链,并结合YOLO26等视觉算法,可以逐步完成模型验证、推理部署和边缘AI应用开发。

申请创业报道,分享创业好点子。点击此处,共同探讨创业新机遇!

相关文章

热门排行

信息推荐