【B站保姆级视频教程：Jetson配置YOLOv11环境（十）镜像备份】

已于 2025-02-09 21:18:07 修改
阅读量408 收藏
点赞数 2
分类专栏： 【B站保姆级视频教程：Jetson配置YOLOv11环境】 文章标签： YOLO 镜像 jetson
于 2025-02-09 21:02:23 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/python_yjys/article/details/145519772
版权

Jetson配置YOLOv11环境（10）镜像备份

B站视频的镜像已打包上传至百度网盘，镜像的硬盘空间使用量如下，感兴趣的小伙伴可自行下载烧录，需使用64g及以上的tf卡：

(pytorch) nx@nx-desktop:~$ df -h
Filesystem      Size  Used Avail Use% Mounted on
/dev/mmcblk0p1   58G   28G   27G  51% /
none            3.3G     0  3.3G   0% /dev
tmpfs           3.4G   52K  3.4G   1% /dev/shm
tmpfs           684M   35M  649M   6% /run
tmpfs           5.0M  4.0K  5.0M   1% /run/lock
tmpfs           3.4G     0  3.4G   0% /sys/fs/cgroup
tmpfs           684M  4.0K  684M   1% /run/user/1000

jetson_stats信息如下：

在这里插入图片描述

AI：230-YOLOv8与RT-DETR的完美结合 | 重塑目标检测技术的前沿【保姆级教程】
一键难忘的博客
08-12 3394
YOLOv8 继承了 YOLO 系列的轻量化和高效性，通过优化网络架构和训练策略，实现了在主流数据集上的领先表现。然而，YOLOv8 的检测头仍采用经典的 anchor-based 设计，这在处理高密度或多尺度目标时可能存在局限性。RT-DETR 是最近提出的一种基于 Transformer 的目标检测模型，采用了一种全新的 anchor-free 设计，通过自注意力机制实现了高效的目标检测。RT-DETR 的检测头能够捕获更广泛的上下文信息，从而提高检测的准确性，尤其在处理小目标和复杂场景时表现突出。
【B站保姆级视频教程：Jetson配置YOLOv11环境（三）jtop：榨干jetson性能】
01-27 1193
B站同步视频教程。通过安装jtop的方式来对风扇，电源功率，Jetson clock时钟频率进行设置，最大化释放开发板性能。
【B站保姆级视频教程：Jetson配置YOLOv11环境（六）PyTorch&Torchvision安装】
02-01 2885
🔥 专为小白定制的Jetson PyTorch&Torchvision 终极配置指南，看这一篇就够了~
【B站保姆级视频教程：Jetson配置YOLOv11环境（九）TensorRT导出参数详解】
02-07 1745
0. TensorRT 导出参数简介 1. TensorRT 导出参数设置 1.1 [imgsz参数] 1.2 [half参数] 1.3 [dla参数] 2. 总结
【B站保姆级视频教程：Jetson配置YOLOv11环境（一）镜像下载与烧录】
01-28 1082
Jetson配置YOLOv11环境环境系列教程（1）镜像下载与烧录 教程以Jetson Xavier NX为例，但Jetson其他系列亦共通，均可参照本教程~
【B站保姆级视频教程：Jetson配置YOLOv11环境（八）TensorRT模型导出】
02-05 2912
1. Conda 虚拟环境配置TensorRT 2. onnx, onnxslim, onnxruntime-gpu安装 2.1 onnx，onnxslim安装 2.2 onnxruntime-gpu安装 3. TensorRT格式导出&推理验证 3.1 模型导出为TensorRT格式 3.2 推理验证 3.3 速度对比
【B站保姆级视频教程：Jetson配置YOLOv11环境（七）Ultralytics YOLOv11配置】
02-05 1472
详细介绍了在Jetson设备上配置YOLOv11环境的步骤，（1）下载YOLOv11 GitHub项目、（2）安装ultralytics库（3）验证安装
【B站保姆级视频教程：Jetson配置YOLOv11环境（四）cuda cudnn tensorrt配置】
01-31 1775
官方镜像中，cuda，cudnn已随 JetPack SDK 一同安装，因此无需手动安装，只需添加环境变量即可。对于TensorRT，也已安装，只需安装Python的TensorRT模块即可。
【B站保姆级视频教程：Jetson配置YOLOv11环境（二）SSH连接的三种方式】
01-28 875
ssh连接的三种方式： 1）Jetson配置网卡+非校园网环境连接 2）Jetson配置网卡+校园网环境连接 3）Jetson未配置网卡，采用网线连接 教程以Jetson Xavier NX为例，但Jetson其他系列亦共通，均可参照本教程~
目标检测：Jetson Nano配置YOLOv11环境（Pycharm）
Y_147369的博客
01-08 3987
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
Jetson Nano专用TensorRT8.2.3+ONNX Runtime GPU预编译包：JetPack4.6/YOLOv8/v11环境一键部署工具包
03-20
（1）提供tensorrt-8.2.3.0-cp38-none-linux_aarch64.whl和onnxruntime_gpu-1.16.0-cp38-cp38-linux_aarch64.whl，严格匹配JetPack4.6（CUDA10.2+Python3.8）环境，规避手动编译耗时与依赖冲突问题‌。 （2）支持...
2025 Jetson Nano极速部署yolov8或11：CUDA10.2适配PyTorch1.11+TorchVision预编译whl包
03-15
在这些项目中，实时目标检测算法的部署尤为关键，YOLO（You Only Look Once）作为一种流行的目标检测算法，其最新版本yolov8和yolov11在性能和速度上都有显著提升，但部署这些高版本YOLO到Jetson Nano上面临着诸多...
Datawhale YOLO Master 第1次笔记
最新发布
weixin_44811994的博客
06-17 32
课程链接 https://github.com/datawhalechina/yolo-master。：用你的游戏本就能跑，1080Ti是入门，3060就是顶配，妈妈再也不用担心我的显卡冒烟。：PyTorch版源码自带"防脱发"注释，连数据加载器都写着"这里可以加缓存哦~"：从640x640输入尺寸到Neck网络结构，改配置比换手机壳还方便。：GitHub星标项目能绕地球两圈，B站教学视频多到需要开2倍速。
YOLO chp01-
m0_52024881的博客
06-17 196
复用训练流程：比如你想拿同一套 train.py，测试不同模型结构（一个用 Swin 骨干、一个用 ResNet 骨干 ），或者对比不同学习率的效果，只需要准备多个配置文件，用 --cfg 指定就行，训练代码不用改。解耦代码和配置：代码（train.py ）负责 “执行训练逻辑”，配置文件负责 “定义训练细节”。想换模型结构、调超参数，改配置文件就好，不用动训练代码的核心逻辑，维护起来轻松。记录实验细节：每个配置文件对应一套实验参数，方便后续复盘 “当时用了啥参数训练出的模型” ，也能快速复现实验。
YOLOv3 正负样本划分详解
guoguozgw的博客
06-15 745
条件是否为正样本anchor 与 GT 的 IoU 最大✅ 强制标记为正样本anchor 与 GT 的 IoU > iou_threshold（如 0.5）✅ 可选标记为正样本无任何 GT 与其重叠❌ 负样本仅部分重叠但不是最大匹配❌ 忽略（不参与位置损失）⚠️ 注意：只有负责预测真实框的 bounding box 才会参与位置回归（tx, ty, tw, th）和类别概率（class probs）的损失计算。该 bounding box不负责预测任何真实框；
YOLO-Master[datawhale](1)
weixin_43816875的博客
06-17 482
参考🔗：https://wvet00aj34c.feishu.cn/docx/U8STd5txXod1R5xhrrmcZh9fnTf**目标检测的背景：**目标检测是计算机视觉中一项关键任务，应用于自动驾驶、安防监控、无人机导航和智能家居等领域。主要解决2个问题：1）**物体分类：**确定图像中物体的类别2）**定位问题：**精确地找到每个物体的具体位置，通常用边界框表示**YOLO(You Only Look Once)😗*讲目标检测视为一个单一的回归问题，通过一个卷积神经网络一次性完成图像中所有物体
使用YOLOv8结合DeepSORT实现人物追踪和体态检测
irisMoon06的博客
06-16 132
【代码】使用YOLOv8结合DeepSORT实现人物追踪和体态检测。
YOLOv8新突破：FASFFHead多尺度检测的极致探索
shrgegrb的博客
06-14 590
摘要：本文提出一种创新的辅助特征融合检测头FASFFHead，用于改进YOLOv8的目标检测性能。FASFFHead通过构建四级特征融合体系（P3-P6）和自适应空间特征融合机制，有效解决了多尺度特征融合不充分的问题。实验表明，在COCO数据集上，该模型使YOLOv8n的mAP@0.5提升2.8个百分点，参数量仅增加0.6M。消融实验验证了P6层和ASFF机制的有效性，实际应用如无人机航拍目标检测也展示了其优越性能。
YOLOv5 改进点与优化详解
guoguozgw的博客
06-17 674
改进方向内容是否论文提出是否开源实现主干网络❌ 第三方提出✅ Ultralytics 实现Neck 结构PANet❌ 第三方提出✅ Ultralytics 实现Head 结构✅ Ultralytics 设计✅ 实现损失函数CIoU + BCE✅ 官方实现✅ 实现数据增强✅ 官方实现✅ 实现标签分配SimOTA（大模型）✅ 引用 YOLOX 方法✅ 实现自动锚框AutoAnchor 聚类✅ 官方实现✅ 实现推理优化。
B站保姆级视频教程：jeston配置yolov11
03-25
### Jeston 设备上配置 YOLOv11 的详细视频教程 目前，针对 Jetson 系列设备上的深度学习模型部署，尤其是 YOLO 系列的目标检测框架，社区中有许多高质量的教学资源。然而需要注意的是，YOLOv11 是一个假设性的版本号，在当前的时间节点下并未实际发布。因此以下内容将以通用的 YOLO 部署流程为基础，并结合已知的 YOLO 版本（如 YOLOv5 或其他主流版本）来提供指导。 #### 一、Jetson Nano 上部署 YOLO 的基本步骤概述 对于 Jetson Nano 这样的嵌入式硬件平台，部署 YOLO 模型通常涉及以下几个方面的工作： 1. **系统准备** 安装适合 Jetson Nano 的操作系统镜像文件。推荐使用官方发布的 L4T (Linux for Tegra) 系统[^2]。如果存储空间有限（例如仅 32GB），则应优先选择纯净版系统并手动完成必要的软件包安装；而对于更大容量的存储介质，则可以考虑直接加载预配置好的开发环境。 2. **依赖库安装** - CUDA 和 cuDNN：这些工具提供了 GPU 加速支持，是运行基于 PyTorch 或 TensorFlow 构建的神经网络所必需的基础组件。 - Python 及其科学计算生态链（NumPy, SciPy 等） - Conda 虚拟环境管理器用于隔离不同项目间的依赖冲突 3. **深度学习框架设置** 根据具体使用的 YOLO 实现形式决定是否需要额外编译 TensorRT 插件以实现推理性能优化[^1]。 4. **模型转换与测试验证** 将训练完毕后的权重文件导出为 ONNX 格式或其他兼容格式后通过 TensorRT SDK 加载执行预测操作。 #### 二、B站相关保姆级教学视频推荐 虽然无法确切指出某一部专门讲解如何在 Jetson 设备上部署尚未存在的 YOLOv11 的视频，但以下是几类值得参考的学习材料方向： - “Jetson Nano 初学者指南系列”这类入门课程会详细介绍整个软硬件搭建过程； - 关于特定版本比如 v5/v7 的实战案例分享往往也能举一反三适用于未来更新迭代的产品线成员身上； - 如果关注点在于提升效率而非最新特性的话，那么有关 TensorRT 整合方面的专项解析同样非常有价值。 #### 示例代码片段展示 下面给出一段简单的 python 脚本来演示利用 tensorrt 接口加载 onnx 文件的过程: ```python import tensorrt as trt from PIL import Image import numpy as np def get_engine(onnx_file_path): TRT_LOGGER = trt.Logger(trt.Logger.WARNING) with open(onnx_file_path,'rb')as f ,trt.Builder(TRT_LOGGER).create_network()as network,trt.OnnxParser(network,TRT_LOGGER)as parser: if not parser.parse(f.read()): print('Failed to parse the ONNX') exit() config=builder.create_builder_config() engine=builder.build_serialized_network(network,config) return engine ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

一只云卷云舒

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值