湖南网站营销优化靠谱独立站建站平台有哪些
本文为Jetson Nano系列教程的第四篇，详细讲解如何将YOLOv8/v11模型通过TensorRT加速部署，提升推理性能。通过本文，您将学会从模型导出、依赖安装到实际测试的全流程操作，并附赠常见问题解决方案。
一、环境准备
在开始前，请确保已配置以下环境：
- 硬件设备：Jetson Nano（4GB内存版本）
- 系统版本：JetPack 4.6 或更高
- Python版本：3.8（推荐使用Conda虚拟环境）
二、安装依赖与工具
所需tensorRT和onnx安装包：tensorrt-8.2.3.0-cp38-none-linux_aarch64.whl、onnxruntime_gpu-1.16.0-cp38-cp38-linux_aarch64.whl下载地址
1. 安装ONNX相关依赖
导出ONNX模型需安装以下库（使用清华镜像加速）：
# 安装ONNX运行时与简化工具
python -m pip install onnxruntime_gpu-1.11.0-cp38-cp38-linux_aarch64.whl onnxslim -i https://pypi.tuna.tsinghua.edu.cn/simple/
# 安装ONNX核心库
python -m pip install onnx onnxruntime -i https://pypi.tuna.tsinghua.edu.cn/simple/2. 导出ONNX模型
使用Ultralytics官方工具导出模型：
yolo mode=export model=yolo11n.pt format=onnx simplify=True注意：若遇到opset版本警告，需修改default.yaml中的opset值至12，并且清除缓存设置
rm /home/xzz/.config/Ultralytics/persistent_cache.json # 删除损坏的缓存文件
测试图片
yolo predict model=yolo11n.onnx source="ultralytics/assets/bus.jpg"三、配置TensorRT环境
1. 安装TensorRT
下载TensorRT的Python Wheel包并安装：
python -m pip install tensorrt-8.2.3.0-cp38-none-linux_aarch64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple/2. 导出TensorRT引擎
使用YOLO命令行工具转换模型：
yolo mode=export model=yolo11n.pt format=engine half=true simplify=True workspace=2四、模型推理测试
1. 运行TensorRT模型
yolo predict model=yolo11n.engine source="ultralytics/assets/bus.jpg" device=02. 常见问题解决
问题1：numpy版本冲突
若报错module 'numpy' has no attribute 'bool'，降级numpy版本：
python -m pip install numpy==1.23.5 -i https://pypi.tuna.tsinghua.edu.cn/simple/问题2：内存不足（OOM）
Jetson Nano内存有限，可通过添加Swap交换空间缓解：
git clone https://github.com/JetsonHacksNano/installSwapfile
cd installSwapfile
sudo ./installSwapfile.sh # 默认创建6GB Swap如果显示找不到命令
解决办法：
右击xxx.sh文件，打开属性———>权限——>勾选允许作为程序执行文件
若安装软件报错：OSError: [Errno 28] No space left on device: 'runs/detect/val'，空间不足，删除软件，清空回收站
sudo rm -rf ~/.local/share/Trash/*问题3：setuptools版本过高
若安装时提示setuptools兼容性问题，降级至58.0.0：
python -m pip install setuptools==58.0.0六、总结
通过本文，您已完成以下操作：
-
安装ONNX和TensorRT依赖
-
导出ONNX模型并转换为TensorRT引擎
-
运行加速后的模型并解决常见问题
优化建议：
-
使用
half=true启用FP16精度加速推理 -
合理设置输入分辨率
imgsz以平衡速度与精度