Jetson Nano部署实战（三）：YOLOv8/v11环境配置与TensorRT加速优化

1. 环境准备与TensorRT基础

在Jetson Nano上部署YOLOv8/v11模型并进行TensorRT加速，首先需要确保基础环境正确配置。很多人在这一步会遇到环境冲突问题，我自己就曾经因为Python版本和TensorRT不匹配折腾了好几天。

Jetson Nano默认搭载的JetPack套件已经包含了TensorRT，但需要注意版本兼容性。通过以下命令可以查看已安装的TensorRT版本：

dpkg -l | grep tensorrt

通常JetPack 4.6+版本会搭载TensorRT 8.x，这个版本对YOLOv8/v11的支持较好。如果你发现系统没有安装TensorRT，可以通过以下命令安装：

sudo apt-get update
sudo apt-get install tensorrt

Python环境是关键中的关键。由于YOLOv8/v11需要Python 3.8+，而Jetson Nano默认可能是Python 3.6，我们需要使用conda创建独立环境：

conda create -n yolov8_env python=3.8
conda activate yolov8_env

注意：一定要在conda环境中安装所需的包，避免与系统Python环境冲突。我最初就是在系统环境中安装，导致各种依赖冲突，最后只能重装系统。

验证CUDA和cuDNN是否正常工作也很重要：

import torch
print(torch.cuda.is_available())  # 应该输出True
print(torch.backends.cudnn.enabled)  # 应该输出True

如果输出都是True，说明基础环境配置正确。如果遇到问题，可能需要重新安装JetPack或者检查驱动版本。

2. 模型转换与优化技巧

将YOLOv8/v11模型转换为TensorRT引擎是整个流程中最关键的一步。这里我分享几个实测有效的优化技巧。

首先导出ONNX模型时要注意输入尺寸的设置。根据我的测试，在Jetson Nano上320x320的输入尺寸既能保证速度又能维持不错的精度：

from ultralytics import YOLO

model = YOLO('yolov8n.pt')
model.export(imgsz=320, format='onnx', simplify=True)

simplify=True参数可以简化ONNX模型，移除不必要的节点，这对后续的TensorRT转换很有帮助。

转换到TensorRT引擎时，使用FP16精度可以大幅提升速度而精度损失很小：

trtexec --onnx=yolov8n.onnx --saveEngine=yolov8n.engine --fp16

如果你需要更极致的速度，可以尝试INT8量化，但这需要校准数据集：

trtexec --onnx=yolov8n.onnx --saveEngine=yolov8n_int8.engine --int8

实测数据：在Jetson Nano上，FP16比FP32快约1.8倍，INT8比FP32快约2.5倍。但INT8可能会有轻微的精度损失，需要根据实际应用场景权衡。