jesaon nano跑yolov

### 如何在 Jetson Nano 上运行 YOLOv #### 准备工作 为了顺利在 Jetson Nano 设备上部署并运行 YOLOv 模型，需先准备好必要的硬件和软件环境。 建议准备一个 U盘用于烧录官方的 Jetson Nano 系统。进入官网，点击 Jetson nano 开发者套件 SD 卡镜像完成下载[^2]。这一步骤确保了拥有一个稳定的操作系统作为基础平台。 #### 配置开发环境 安装好操作系统之后，在 Jetson Nano 中配置适合深度学习框架的 Python 虚拟环境以及依赖库是非常重要的。通常情况下会涉及到 CUDA、cuDNN 和 TensorRT 的适配版本安装，这些工具能够极大提升 GPU 加速下的推理性能。 #### 下载预训练模型权重文件 对于想要快速验证效果的情况来说，可以直接从互联网获取已经训练好的 YOLO 权重参数文件（如 `.weights` 或 `.pt` 文件），这样可以省去长时间的数据集标注与训练过程。 #### 编写测试脚本 编写一段简单的 Python 测试程序来加载网络结构定义，并读取上述提到过的权重数据进行初始化操作。下面是一个基于 PyTorch 版本的例子： ```python import torch from models.experimental import attempt_load from utils.general import non_max_suppression, scale_coords from utils.torch_utils import select_device device = select_device('0') # 使用GPU加速计算 model = attempt_load('yolov5s.pt', map_location=device) # 加载YOLOv5小型版预训练模型 imgsz = 640 # 输入图片尺寸调整为正方形，默认边长设为640像素 conf_thres = 0.25 # 置信度阈值设定 iou_thres = 0.45 # IOU交并比阈值设定 def detect(image_path): img0 = cv2.imread(image_path) # 原始图像输入 img = letterbox(img0, new_shape=imgsz)[0] img = img[:, :, ::-1].transpose(2, 0, 1) # BGR to RGB, hwc to chw img = np.ascontiguousarray(img) img = torch.from_numpy(img).to(device) img = img.float() # uint8 to fp32 img /= 255.0 # 归一化到[0,1]区间内 if img.ndimension() == 3: img = img.unsqueeze(0) pred = model(img, augment=False)[0] det = non_max_suppression(pred, conf_thres, iou_thres)[0] ... ``` 这段代码展示了如何利用 `PyTorch` 库中的函数实现基本的目标检测流程，包括但不限于图像前处理、调用神经网络预测接口以及后处理非最大抑制算法去除冗余框等功能模块[^3]。 #### 将 TF 卡插入 Jetson Nano 当中，并进行初始化设置 最后将存储有系统的 TF 卡插入 Jetson Nano 并启动设备，通过命令行或者图形界面完成剩余的初始化配置步骤[^1]。