创乐博jetson nano部署yolo

### 部署YOLO模型到NVIDIA Jetson Nano #### 准备环境和工具 为了成功在NVIDIA Jetson Nano上部署YOLO模型，需要先安装必要的软件包以及配置开发环境。这包括但不限于Python库、CUDA Toolkit、cuDNN以及其他依赖项[^1]。 #### 获取并准备YOLOv5模型 下载官方发布的预训练权重文件或是自行训练得到的特定场景下的YOLOv5权重。对于Jetson Nano而言，建议采用较小版本如`yolov5s.pt`来减少资源占用并提高推理速度。完成下载后需转换此PyTorch格式(.pt)至ONNX格式以便后续优化处理。 ```bash # 下载 yolov5 模型仓库 git clone https://github.com/ultralytics/yolov5.git cd yolov5 # 安装需求 pip install -r requirements.txt # 导出 ONNX 文件 (假设使用的是 yolov5s 版本) python export.py --weights yolov5s.pt --include onnx ``` #### 使用TensorRT加速YOLOv5 通过将上述获得的`.onnx`文件进一步转化为适用于TensorRT引擎运行的形式——即`.engine`文件，可以显著提升性能表现。具体操作可通过调用`trtexec`命令行工具实现，该工具位于CUDA安装目录下。 ```bash # 转换 .onnx 至 TensorRT engine (.engine) /path/to/trtexec --onnx=yolov5s.onnx --saveEngine=yolov5s.engine \ --explicitBatch --workspace=256 --fp16 ``` #### 整合DeepStream SDK进行视频流分析 利用NVIDIA提供的DeepStream SDK框架能够方便快捷地接入摄像头或其他媒体源作为输入，并实现实时图像处理功能。创建一个新的GStreamer管道定义文件(`pipeline.config`)用于描述数据流动路径；编写应用程序代码读取生成好的`.engine`文件加载入内存执行推断任务。 ```c++ // C++ 示例：初始化 DeepStream 并加载 TensorRT Engine 进行预测 #include <gst/gst.h> ... std::string model_path = "/path/to/yolov5s.engine"; nvinfer1::ICudaEngine* load_engine(const std::string& path); void init_deepstream_pipeline(); ... int main() { GstElement *pipeline; // 初始化 GStreamer 和 DeepStream 组件 gst_init(NULL, NULL); pipeline = gst_parse_launch("filesrc location=test.mp4 ! qtdemux ! h264parse ! nvv4l2decoder ! nvvidconv ! queue max-size-buffers=0 max-size-bytes=0 max-size-time=0 ! nvinferserver config-file-path=pipeline.config batch-size=1 ! fakesink", NULL); // 加载 TensorRT 推理引擎 auto trt_engine = load_engine(model_path.c_str()); // 启动流水线 gst_element_set_state(pipeline, GST_STATE_PLAYING); } ``` #### 测试与验证 最后一步是对整个系统进行全面测试以确认各部分工作正常无误。可以通过播放一段本地存储的视频片段或者连接USB摄像机来进行实际效果评估。观察输出日志中的FPS指标判断是否达到了预期水平，必要时调整参数重新编译直至满意为止。