Jetson AGX Orin 下 YOLOX C++部署

工业缺陷检测实战指南:分割、检测与异常检测选型 工业缺陷检测是智能制造质量控制的核心技术,其本质是将图像中的物理异常转化为可执行的工艺决策。原理上依赖深度学习对像素级纹理、几何结构和分布偏移的建模能力;技术价值在于替代人工目检、支撑自动返修与闭环追溯;典型应用场景覆盖汽车焊点、PCB短路、光伏隐裂及金属表面划痕等高精度定位需求。其中图像分割实现亚像素级缺陷定位,目标检测满足快速框选响应,而异常检测则应对未知缺陷泛化挑战。本文聚焦产线真实约束下的方法选型逻辑、数据构建规范与轻量化部署实践,尤其解析UNet在工业分割中的优势及YOLO系列在产线落地的常见失效 阅读详情

1、系统环境:

Jetpack5.1.2、CUDA11.4、Cudnn8.6.0、Tensorrt8.5.2、OpenCV4.5;

2、YOLOX 训练环境配置

conda create -n yolox python==3.8 -y # for Linux
conda activate yolox

按照要求下载指定包,关于Torch等包安装类是博客较程很多。

3、下载权重文件和导出enginen模型

python tools/trt.py -n yolox-s -c path/yolox_s.pth

导出的模型默认放在YOLOX/demo/TensorRT/cpp文件夹中

然后进行部署,需要留意的就是更改yolox.cpp文件,和CmakeLIsts文件

其中yolox.cpp文件 主要修改图像的输入大小,tiny、nano改为416*416, S、M 为640*640;

CmakeLIsts文件 更改cuda 和cudnn的路径,tensorrt路径注释掉。

# cuda
include_directories(/usr/local/cuda-11.4/include)
link_directories(/usr/local/cuda-11.4/lib64)
# cudnn
include_directories(/usr/local/cuda/include)
link_directories(/usr/lib/aarch64-linux-gnu)

4、编译然后运行

在build文件夹下,运行

./yolox ../model_trt.engine -i ../../../../assets/dog.jpg

/home/nvidia/code/deeplearning/YOLOX/demo/TensorRT/cpp/build/det_res.jpg

我用的为tiny模型,把狗识别为猫了,不知道为什么,不过整体还行。

Jetson AGX Orin安装Anaconda、Cuda、Cudnn 拿到一台Jetson AGX Orin,准备搭建AI环境,搭建过程中参考不少文章,也踩了不少坑,特此记录一下。 阅读详情

相关推荐

(Ubuntu20.04)Jetson AGX Orin进行部署YOLO5训练测试完整版教程Windows下Labelimg标注自己的数据集使用

整个实现过程所涉及的文件目录,其中,自备表示自己需要准备的,生成表示无需自己准备。很多朋友都会遇到的一个问题,yolo5-6.1已经不能使用之前的方法了了,是下载源码后的coco示例。

梁俊星的博客 2696

Jetson Orin平台搭建部署yolov5(一)

3.首先安装了Jetpack的os中都会在/etc/apt/sourch.list.d/中带有nvidia-l4t-apt-source.list文件,里面包含了需要安装基础环境的源路径,不用在单独去下载cuda,cudnn,tensorRT安装包,而且单独下载经过测试存在兼容性问题。cp yolov5/models/yolov5s.yaml yolov5/models/custom.yaml //拷贝标准网络结构,来设置自定义的网络结构。

weixin_44095109的博客 2936

Nvidia Jetson AGX Orin 64G深度学习环境配置的超详细教程

Nvidia Jetson AGX Orin 64G深度学习环境配置的超详细教程

qq_45679491的博客 1万+

YOLOX目标检测实战:Jetson Nano部署

YOLOX是旷视科技新近推出的高性能实时目标检测网络,性能超越了YOLOv3/YOLOv4 /YOLOv5。 Jetson Nano是英伟达含有GPU的人工智能硬件。本课程讲述如何部署YOLOX在Jetson Nano开发板上。 部署完成后可进行视频文件和摄像头视频的目标检测。部署时将使用AI视频处理加速引擎TensorRT和DeepStream。课程内容包括:原理篇(DeepStream介绍、TensorRT介绍)实践篇(Nano硬件搭建、烧录系统镜像、安装远程登录工具、安装和测试DeepStream、导出YOLOX的onnx文件、安装onnx2trt、生成TensorRT的engine文件、使用DeepStream部署YOLOX(small, tiny, nano)、Nano部署测试、针对自训练数据集的修改。 相关课程:《YOLOX目标检测实战:训练自己的数据集》https://edu.youkuaiyun.com/course/detail/35586《YOLOX目标检测实战:TensorRT加速部署》https://edu.youkuaiyun.com/course/detail/35716《YOLOX目标检测实战:OpenVINO部署》https://edu.youkuaiyun.com/course/detail/35791《YOLOX目标检测实战:Flask部署》https://edu.youkuaiyun.com/course/detail/35815《YOLOX目标检测实战:Android手机部署》https://edu.youkuaiyun.com/course/detail/35884

端侧AI芯片怎么选?从ESP32-S3到RK3588再到Orin Nano的实战解析

终端侧AI正从概念走向规模化落地,而选型的关键不在于盲目追求高算力,而在于匹配真实场景的算力层级与功耗预算。从超轻量MCU到嵌入式SoC,再到边缘计算模组,不同档位的硬件平台对应着截然不同的部署逻辑:低功耗唤醒、多路视频分析、复杂模型推理各有其最优解。本文以实际量产经验为依托,横向对比ESP32-S3、RK3588与NVIDIA Jetson Orin Nano三款代表性方案,剖析工具链成熟度、生态完整性与工程落地中的典型陷阱。无论你是做智能家居、边缘网关还是机器人感知,理解从百毫瓦级分类任务到40TOPS

weixin_34367257的博客 446

EXACT-MPPI:基于精确ESDF的确定性实时导航控制

带符号距离函数(SDF)是机器人环境建模的基础几何工具,其精度与可微性直接决定运动规划的安全边界;而模型预测控制(MPC)类方法依赖精确、低延迟的状态反馈以保障闭环稳定性。EXACT-MPPI将二者深度耦合,摒弃神经网络拟合SDF的统计近似路径,转而通过解析式点云处理构建亚厘米级精确带符号距离函数(ESDF),使MPPI控制器得以在无标注、无GPU、甚至树莓派级硬件上,实现对物理边界的确定性感知与梯度驱动的实时避障。该方案直击‘感知-规划-控制’链路中因多级表征失真导致的鲁棒性衰减问题,适用于ROS2导航栈

weixin_30615767的博客 412

YOLOX目标检测实战:OpenVINO部署

YOLOX是旷视科技新近推出的高性能实时目标检测网络,性能超越了YOLOv3/YOLOv4 /YOLOv5。 OpenVINO是针对Intel的CPU等设备的加速工具。本课程在Windows和Ubuntu系统上详细演示使用OpenVINO对YOLOX进行加速和部署。其中对Python和C++的OpenVINO部署都进行了讲解。特别是讲述了针对自己数据集上训练出的YOLOX的OpenVINO加速部署方法。相关课程:《YOLOX目标检测实战:训练自己的数据集》https://edu.youkuaiyun.com/course/detail/35586 《YOLOX目标检测实战:TensorRT加速部署》https://edu.youkuaiyun.com/course/detail/35716

YOLO与Transformer在光伏缺陷检测中的实测对比:RF-DETR-Small为何胜出?

目标检测是计算机视觉的核心任务之一,旨在从图像中定位并识别出感兴趣的对象。其技术原理从早期的传统方法演进到基于深度学习的现代框架,其中以YOLO系列为代表的单阶段检测器因其速度快、部署便捷,在工业界得到广泛应用。近年来,基于Transformer架构的检测模型(如DETR)凭借其端到端的训练方式和强大的全局建模能力,为检测任务带来了新的思路。在工业质检等对精度和鲁棒性要求极高的场景中,模型的选择直接关系到生产效率和产品质量。本次实测聚焦于光伏板电致发光(EL)图像中的缺陷检测,这是一个典型的具有小目标、低对

weixin_34166472的博客 368

Jetson AGX Orin刷机教程,奶奶看完都说会了!

Jetson AGX Orin 32GB开发者套件刷机过程记录。 详细的、图文并茂的、速通的刷机过程!

weixin_53776054的博客 3万+

玩转及解决问题——Jetson AGX Orin官方套件

玩转Jetson agx orin;解决agx orin问题点,悬挂agx orin官方套件

Agmage的博客 2398

边缘计算【智能+安全检测】系列教程-- Jeton Agx Orin 基础环境搭建

需要先长按住②键(Force Recovery键),然后给Orin接上电源线通电,此时白色指示灯亮起,但进入Recovery模式后是黑屏的,所以此时连接Orin的显示屏不会有什么反应。​ (1) 在之前烧录镜像时,通过SDK Manager流程操作时,会在目录下安装好一个JetPack_5.1_Linux_JETSON_AGX_ORIN_TARGETS目录,如下图。若Orin尚未进入Recvoery模式,则处于未检测到设备。,需要先长按住②键,然后按下③键(Reset键),先松开③键,再松开②键。

Starry-SkyJing的博客 3555

Nvidia Jetson AGX Orin开箱配置

之前实验室整来了一个Orin,自己无从下手,于是找了些资料用作参考,记录下了当时的设置流程。

weixin_45747274的博客 3810

部署与可视化系统:2026工业首选方案:DeepStream 7 极速部署 YOLO 串联多路 IP 监控摄像头(C++ 源码级剖析)

摘要: 2026年,工业视觉系统正迎来从“能用”到“好用”的质变。DeepStream 7.1与YOLO26模型的结合为多路视频流实时分析提供了高效解决方案。DeepStream 7.1引入的Service Maker框架支持Python配置化开发,而C++仍是工业级部署的核心选择。其关键能力包括多源输入支持、硬件加速编解码、TensorRT深度集成等,兼容各类NVIDIA GPU和边缘设备。 DeepStream-Yolo项目作为桥梁,支持20多种YOLO模型的高效部署,通过自定义C++引擎实现Tenso

ZXSXJ的博客 173

【NVIDIA Jetpack5.x】Jetson AGX Orin内核、设备树更新指南

博文总结了如何快速更新Jetson AGX orin内核和设备树文件。官网提供的资料分散而且有些是错误的操作,博主踩坑了多次后整理成此文。

从善若水的博客 1万+

大疆OcuSync vs 传统2.4GHz:深度拆解无人机图传射频模块的硬件差异

本文深度对比了大疆OcuSync与传统2.4GHz无人机图传射频模块的硬件差异,涵盖芯片组、天线系统、PCB设计、散热方案及生产测试等核心环节。重点解析OcuSync的全定制SoC芯片、智能MIMO天线阵列及精密PCB布局如何实现革命性性能提升,为无人机图传技术发展提供专业参考。

u5v6w7的博客 806

变压器励磁电感、励磁电流、漏感、漏感折算

励磁、漏感知识整理

HW-BASE的博客 1万+

jetson orin配置yolov8运行环境

当前jetpack版本为5.1.1,对应的torch为1.14.0版本,torchvision版本为0.14.1,CUDA版本为11.4.315.opencv with cuda 版本4.5.4,tensorrt版本5.1.1。2)注释掉torch和torchvision,后面单独安装。当前目录为readme目录。7)安装yolov8。当前目录为readme目录。6)验证torch和torchvision。下载对应的torch文件。

coder攻城狮的博客 1736

ε-差分隐私之拉普拉斯噪声机制(定义 + 证明 + 代码)

ε-差分隐私之拉普拉斯噪声机制 差分隐私的描述 1-范式的定义:使用matlab调用函数norm(x, 1) 更多范式见 范式 差分隐私的定义应该满足 拉普拉斯噪声的证明全过程如下: DP方向差分隐私证明是基本入门!!! -拉普拉斯噪声分布代码 Laplace分布的概率密度函数的形式是: 使用python - matplotlib来绘制概率分布图: import matplotlib.pyplot as plt import numpy as np def laplace_fun

毕业才是起点 1万+

jetson AGX orin 配置pytorch和cuda使用、yolov8 TensorRt测试

安装 sudo apt-get install libjpeg-dev zlib1g-dev 之后,删除所有缓存和编译零时文件,再重新编译安装即可。由于gpu推理通常需要预热,拷贝图像(bus.jpg)到文件夹重复多张(以10张为例)即可,重新运行,基本推理耗时。默认安装在系统环境中,若在虚拟环境中,可以创建软连接到虚拟环境中。导出默认的fp32模型,耗时11分钟,40qps,加载测试如下。,执行耗时32分钟(模型文件大小缩小一半),95qps,,如下。若均不报错,且能正常输出说明安装成功,如下图。

热爱生活,忠于自己 5992

CST实战:变容二极管电容曲线提取全流程(附S参数设置技巧)

本文详细介绍了在CST Studio Suite中提取变容二极管电容-电压(C-V)曲线的完整实战流程。重点解析了S参数仿真的核心原理、DCFEED模块的正确配置、参数扫描的设置技巧,并探讨了集成SPICE模型进行精确仿真的方法,帮助射频工程师高效、准确地获取器件关键特性。

weixin_29237635的博客 529

CAN总线入门(硬件部分)

这篇博客讲述CAN总线入门知识。

记得诚 1万+

【Jetson系列Orin配置YOLO环境方法】

Jetson Orin配置YOLO环境

weixin_66080515的博客 2355

【32】OpenCV——图像含义关系?RGGB , BGGR , GRBG , GBRG呢?raw8,raw10,raw12,raw14呢? YUV422; RAW16呢?YCbYCr/RG_GB;

‌如前所述,定义原始数据的位深精度。‌* ‌一种压缩色彩编码方式,通过色度抽样(亮度Y全分辨率,色度U/V半分辨率)减少数据量,常用于视频传输。‌* ‌可能指每个像素分量占16位存储(如高位填充的RAW10/12/14),或未明确量化的高精度原始数据。‌ ‌分类‌核心定义‌关联性及典型应用传感器原始色彩排列(RGGB/BGGR等)决定RAW数据的色彩分布规则RAW位深每个分量的数据精度(8/10/12/14位)影响动态范围和存储空间‌YUV422。

程序员,他们想的是什么?他们想的永远都是技术,他们崇尚的也永远都是技术。 793

玩转Jetson AGX Orin—— Quick Start

也是最近看到的新闻,小马要在22年底量产基于orin的域控制器,本来还在考虑买Xaiver还是买orin呢,Xaiver现在本来就溢价很严重,这下就不纠结了,直接买orin了,先看一下NVIDIA这几款边缘计算平台的参数对比,orin现在的性价比还是很高的!......

one time one step的博客 7377

华为OD机考双机位C卷 - 信道分配(Java & Python& JS & C/C++ & GO )

华为OD机考双机位C卷 - 信道分配

算法大师! 453

024、反激变换器的短路保护设计

本文详细探讨了反激变换器短路保护的设计要点与实践经验。作者通过实际案例分析了短路时反激拓扑的电流特性,指出初级峰值电流限制是最基础的保护手段,但需配合打嗝模式使用。文章重点剖析了打嗝模式设计的三个关键陷阱:频率设定、退出条件和软启动衔接。同时强调次级侧辅助保护、变压器参数优化、环路响应协调的重要性,并比较了自恢复与锁死方案的适用场景。最后提出实测验证的四个关键点和设计经验:不盲信芯片手册、保护电路独立设计、充分留有余量、进行破坏性测试。全文以工程实践为导向,为反激电源的可靠短路保护提供了系统性解决方案。

Jack010169的博客 239
上一篇: Jetson AGX Orin 下 evo 安装与报错解决
下一篇: 基于JetsonOrin载板以YOLOX模型为例,实现环境部署、数据集制作、模型训练与部署
浪里肥鱼
博客等级 码龄7年 971粉丝 10原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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
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