YOLOv11 + TensorRT 在 Jetson 设备上的实时部署

YOLOv11 + TensorRT 在 Jetson 设备上的实时部署

模型导出：从 PyTorch 到 TensorRT 引擎

# 1. 导出 ONNX 格式（中间格式）
yolo export model=best.pt format=onnx imgsz=640
# 2. 导出 TensorRT 引擎（GPU 优化格式）
yolo export model=best.pt format=engine device=0 half=True imgsz=640

关键参数

1. format=engine：指定导出 TensorRT 引擎
2. device=0：强制使用 GPU 导出（必须）
3. half=True：启用 FP16 精度（速度提升 1-2 倍，精度损失小）
4. imgsz=640：固定输入尺寸（与训练一致，避免推理报错）

常见错误

1. ERROR: TensorRT model exported with a different version
   引擎版本与当前 TensorRT 版本不匹配 重新导出引擎（在当前环境中执行 export）
2. AssertionError: input size … not equal to max model size
   推理尺寸与导出时尺寸不匹配 推理时用 imgsz=导出尺寸 或重新导出指定尺寸引擎

Jetson 设备性能优化

1. 电源模式切换（释放性能）
   Jetson 设备默认可能处于低功耗模式，需切换到高性能模式：

sudo nvpmodel -q    # 查看当前模式
sudo nvpmodel -m 2  # 设置为最大性能模式
sudo jetson_clocks  # 启用最大频率

2. 性能监控

# 安装 jetson-stats（设备监控工具）
sudo pip3 install jetson-stats
# 启动监控界面（查看 CPU/GPU 使用率、频率、温度）
jtop

摄像头读取优化（解决帧率低）

1. 核心问题
   Jetson 上 cv2.VideoCapture(0) 默认使用 V4L2 后端，读取速度慢（单帧耗时 >200ms），导致帧率被限制。
2. 优化方案：GStreamer 硬件加速
   USB 摄像头配置

# 配置摄像头（高效参数，与TensorRT配合最大化性能）
cap = cv2.VideoCapture(0)
# 1. 启用MJPG格式（压缩编码，读取速度提升3-5倍）
cap.set(cv2.CAP_PROP_FOURCC, cv2.VideoWriter.fourcc('M', 'J', 'P'