Краткое руководство: NVIDIA Jetson с Ultralytics YOLO26
В этом руководстве описано развёртывание Ultralytics YOLO26 на устройствах NVIDIA Jetson, а также приведены тесты производительности, показывающие возможности YOLO26 на этих компактных энергоэффективных устройствах.
Мы обновили это руководство, добавив новейший комплект разработчика NVIDIA Jetson AGX Thor, который обеспечивает до 2070 FP4 TFLOPS вычислительной мощности для ИИ и оснащён 128 ГБ памяти. Мощность можно настраивать в диапазоне от 40 до 130 Вт. Он обеспечивает более чем в 7,5 раза большую вычислительную мощность для ИИ, чем NVIDIA Jetson AGX Orin, и в 3,5 раза более высокую энергоэффективность при запуске самых популярных моделей ИИ.
Смотри: Ускорь инференс с Ultralytics YOLO26 на устройствах NVIDIA Jetson 🚀

Это руководство протестировано на NVIDIA Jetson AGX Thor Developer Kit (Jetson T5000) и NVIDIA Jetson AGX Orin Developer Kit (64GB) с последней стабильной версией JetPack 7.2, на NVIDIA Jetson Orin Nano Super Developer Kit с версией JetPack JP6.1, на Seeed Studio reComputer J4012 на базе NVIDIA Jetson Orin NX 16GB с версиями JetPack JP6.0 и JP5.1.3, а также на Seeed Studio reComputer J1020 v2 на базе NVIDIA Jetson Nano 4GB с версией JetPack JP4.6.1. Ожидается, что руководство будет работать на всей линейке оборудования NVIDIA Jetson, включая новейшие и устаревшие устройства.
Что такое NVIDIA Jetson?#
NVIDIA Jetson — это серия встраиваемых вычислительных плат, предназначенных для ускорения вычислений ИИ (искусственного интеллекта) на периферийных устройствах. Эти компактные и мощные устройства построены на архитектуре GPU NVIDIA и могут запускать сложные алгоритмы ИИ и модели глубокого обучения непосредственно на устройстве, не полагаясь на ресурсы облачных вычислений. Платы Jetson часто применяются в робототехнике, автономных транспортных средствах, промышленной автоматизации и других сферах, где инференс ИИ нужно выполнять локально, с низкой задержкой и высокой эффективностью. Кроме того, эти платы основаны на архитектуре ARM64 и потребляют меньше энергии, чем традиционные вычислительные устройства с GPU.
Сравнение серий NVIDIA Jetson#
NVIDIA Jetson AGX Thor — новейшая модель семейства NVIDIA Jetson на архитектуре NVIDIA Blackwell, обеспечивающая значительно более высокую производительность ИИ, чем предыдущие поколения. В таблице ниже сравниваются некоторые устройства Jetson из этой линейки.
| Jetson AGX Thor (T5000) | Jetson AGX Orin 64GB | Jetson Orin NX 16GB | Jetson Orin Nano Super | Jetson AGX Xavier | Jetson Xavier NX | Jetson Nano | |
|---|---|---|---|---|---|---|---|
| Производительность ИИ | 2070 TFLOPS | 275 TOPS | 100 TOPS | 67 TOPS | 32 TOPS | 21 TOPS | 472 GFLOPS |
| GPU | GPU на архитектуре NVIDIA Blackwell с 2560 ядрами и 96 Tensor Cores | GPU на архитектуре NVIDIA Ampere с 2048 ядрами и 64 Tensor Cores | GPU на архитектуре NVIDIA Ampere с 1024 ядрами и 32 Tensor Cores | GPU на архитектуре NVIDIA Ampere с 1024 ядрами и 32 Tensor Cores | GPU на архитектуре NVIDIA Volta с 512 ядрами и 64 Tensor Cores | GPU на архитектуре NVIDIA Volta™ с 384 ядрами и 48 Tensor Cores | GPU на архитектуре NVIDIA Maxwell™ с 128 ядрами |
| Максимальная частота GPU | 1.57 GHz | 1.3 GHz | 918 MHz | 1020 MHz | 1377 MHz | 1100 MHz | 921MHz |
| CPU | 14-ядерный 64-разрядный CPU Arm® Neoverse®-V3AE, 1 МБ L2 + 16 МБ L3 | 12-ядерный 64-разрядный CPU NVIDIA Arm® Cortex A78AE v8.2, 3 МБ L2 + 6 МБ L3 | 8-ядерный 64-разрядный CPU NVIDIA Arm® Cortex A78AE v8.2, 2 МБ L2 + 4 МБ L3 | 6-ядерный 64-разрядный CPU Arm® Cortex®-A78AE v8.2, 1,5 МБ L2 + 4 МБ L3 | 8-ядерный 64-разрядный CPU NVIDIA Carmel Arm®v8.2, 8 МБ L2 + 4 МБ L3 | 6-ядерный 64-разрядный CPU NVIDIA Carmel Arm®v8.2, 6 МБ L2 + 4 МБ L3 | 4-ядерный процессор Arm® Cortex®-A57 MPCore |
| Максимальная частота CPU | 2.6 GHz | 2.2 GHz | 2.0 GHz | 1.7 GHz | 2.2 GHz | 1.9 GHz | 1.43GHz |
| Память | 128 ГБ 256-бит LPDDR5X 273 ГБ/с | 64 ГБ 256-бит LPDDR5 204,8 ГБ/с | 16 ГБ 128-бит LPDDR5 102,4 ГБ/с | 8 ГБ 128-бит LPDDR5 102 ГБ/с | 32 ГБ 256-бит LPDDR4x 136,5 ГБ/с | 8 ГБ 128-бит LPDDR4x 59,7 ГБ/с | 4 ГБ 64-бит LPDDR4 25,6 ГБ/с |
Что такое NVIDIA JetPack?#
NVIDIA JetPack SDK обеспечивает работу модулей Jetson и предоставляет полноценную среду разработки для создания комплексных ускоренных приложений ИИ. JetPack включает Jetson Linux с загрузчиком, ядром Linux, средой рабочего стола Ubuntu и полным набором библиотек для ускорения вычислений на GPU, обработки мультимедиа, графики и компьютерного зрения. В него также входят примеры, документация и инструменты разработчика для хост-компьютера и комплекта разработчика. JetPack поддерживает SDK более высокого уровня, например DeepStream для потоковой видеоаналитики, Isaac для робототехники и Riva для разговорного ИИ.
Установи JetPack на NVIDIA Jetson#
Первым делом после того, как ты получил устройство NVIDIA Jetson, установи на него NVIDIA JetPack. Есть несколько способов установить NVIDIA JetPack на устройства NVIDIA Jetson.
- Для JetPack 7.2 на официальном наборе разработчика Jetson AGX Thor, AGX Orin или Orin Nano скачай универсальный ISO-образ Jetson, запиши его на USB-накопитель и выполни инструкции быстрого запуска для AGX Thor, AGX Orin или Orin Nano. Начиная с JetPack 7.2, для Orin Nano больше нельзя скачать образ для SD-карты; ISO-образ на USB устанавливает Jetson Linux на microSD-карту или SSD NVMe устройства.
- Если ты намеренно используешь JetPack 6 на наборе разработчика Jetson Orin Nano, следуй инструкциям NVIDIA по обновлению JetPack 6.x и работе с SD-картой.
- Если у тебя есть другой набор разработчика NVIDIA, ты можешь установить JetPack на устройство с помощью SDK Manager.
- Если у тебя есть устройство Seeed Studio reComputer J4012, ты можешь установить JetPack на входящий в комплект SSD, а если у тебя есть устройство Seeed Studio reComputer J1020 v2 — установить JetPack на eMMC/ SSD.
- Если у тебя есть любое другое стороннее устройство на базе модуля NVIDIA Jetson, рекомендуем воспользоваться установкой через командную строку.
Для методов 1, 4 и 5 выше после прошивки системы и загрузки устройства выполни в терминале устройства команду sudo apt update && sudo apt install nvidia-jetpack -y, чтобы установить все остальные необходимые компоненты JetPack.
Поддержка JetPack в зависимости от устройства Jetson#
В таблице ниже указаны версии NVIDIA JetPack, поддерживаемые разными устройствами NVIDIA Jetson.
| JetPack 4 | JetPack 5 | JetPack 6 | JetPack 7 | |
|---|---|---|---|---|
| Jetson Nano | ✅ | ❌ | ❌ | ❌ |
| Jetson TX2 | ✅ | ❌ | ❌ | ❌ |
| Jetson Xavier NX | ✅ | ✅ | ❌ | ❌ |
| Jetson AGX Xavier | ✅ | ✅ | ❌ | ❌ |
| Jetson AGX Orin | ❌ | ✅ | ✅ | ✅ |
| Jetson Orin NX | ❌ | ✅ | ✅ | ✅ |
| Jetson Orin Nano | ❌ | ✅ | ✅ | ✅ |
| Jetson AGX Thor | ❌ | ❌ | ❌ | ✅ |
Быстрый старт с Docker#
Самый быстрый способ начать работу с Ultralytics YOLO26 на NVIDIA Jetson — запустить готовые образы Docker для Jetson. Обратись к таблице выше и выбери версию JetPack для своего устройства Jetson.
t=ultralytics/ultralytics:latest-jetson-jetpack4
sudo docker pull $t && sudo docker run -it --ipc=host --runtime=nvidia $tВ образе latest-nvidia-arm64 используется NVIDIA PyTorch 26.10, включая CUDA 13.4 и TensorRT 11.4. В своей таблице совместимости NVIDIA указывает JetPack 7.1 для PyTorch, однако TensorRT 11 не поддерживает JetPack, в том числе на Thor. Используй этот образ только для задач PyTorch на поддерживаемом хосте. Для экспорта TensorRT на Jetson используй описанную ниже нативную установку со средой выполнения TensorRT 10.x, поддерживаемой твоей версией JetPack. Для JetPack 7.2 на Thor или Orin требуется отдельная проверка контейнера. Пересобирай движки для целевого GPU и версии TensorRT.
Для образов JetPack 4, 5 и 6 перейди к разделу Использование TensorRT на NVIDIA Jetson. Образ JetPack 7.1 выше предназначен только для задач PyTorch.
Начни с нативной установки#
Чтобы выполнить нативную установку без Docker, воспользуйся инструкциями ниже.
Работа с JetPack 7.2#
Установка пакета Ultralytics#
Установи пакет Ultralytics на Jetson. Зависимости для экспорта устанавливаются автоматически при первом экспорте модели, поэтому здесь достаточно базового пакета. Это руководство посвящено экспорту в NVIDIA TensorRT, поскольку TensorRT обеспечивает максимальную производительность на устройствах Jetson.
-
Обнови список пакетов, установи pip и обнови его до последней версии
sudo apt update sudo apt install python3-pip -y pip install -U pip -
Установи пакет
ultralyticsчерез pippip install ultralytics -
Перезагрузи устройство
sudo reboot
Установка PyTorch и Torchvision#
Указанная выше установка ultralytics установит Torch и Torchvision. Однако эти два пакета, установленные через pip, несовместимы с устройствами на JetPack 7.2 и CUDA 13, поэтому их нужно установить вручную.
Установи torch и torchvision для JP7.2
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu130Установи onnxruntime-gpu#
Используй GPU-сборку ONNX Runtime, совместимую с твоими версиями JetPack, Python и CUDA. В актуальных релизах PyPI есть сборки для ARM64, но они не заменяют специализированные пакеты для каждого выпуска JetPack.
Скачай и установи onnxruntime-gpu 1.24.0 с поддержкой Python3.12.
pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/onnxruntime_gpu-1.24.0-cp312-cp312-linux_aarch64.whlРабота с JetPack 6.1#
Установка пакета Ultralytics#
Установи пакет Ultralytics на Jetson. Зависимости для экспорта устанавливаются автоматически при первом экспорте модели, поэтому здесь достаточно базового пакета. Это руководство посвящено экспорту в NVIDIA TensorRT, поскольку TensorRT обеспечивает максимальную производительность на устройствах Jetson.
-
Обнови список пакетов, установи pip и обнови его до последней версии
sudo apt update sudo apt install python3-pip -y pip install -U pip -
Установи пакет
ultralyticsчерез pippip install ultralytics -
Перезагрузи устройство
sudo reboot
Установка PyTorch и Torchvision#
Указанная выше установка ultralytics установит Torch и Torchvision. Однако эти два пакета, установленные через pip, несовместимы с платформой Jetson на архитектуре ARM64, поэтому нужно вручную установить готовый pip-пакет PyTorch и собрать Torchvision из исходного кода или установить его из исходников.
Установи torch 2.10.0 и torchvision 0.25.0 для JP6.1
pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/torch-2.10.0-cp310-cp310-linux_aarch64.whl
pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/torchvision-0.25.0-cp310-cp310-linux_aarch64.whlНа странице PyTorch для Jetson доступны разные версии PyTorch для разных версий JetPack. Подробный список совместимости PyTorch и Torchvision смотри на странице совместимости PyTorch и Torchvision.
Установи cuDSS, чтобы устранить проблему зависимости с torch 2.10.0
wget https://developer.download.nvidia.com/compute/cudss/0.7.1/local_installers/cudss-local-tegra-repo-ubuntu2204-0.7.1_0.7.1-1_arm64.deb
sudo dpkg -i cudss-local-tegra-repo-ubuntu2204-0.7.1_0.7.1-1_arm64.deb
sudo cp /var/cudss-local-tegra-repo-ubuntu2204-0.7.1/cudss-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt-get -y install cudssУстанови onnxruntime-gpu#
Используй GPU-сборку ONNX Runtime, совместимую с твоими версиями JetPack, Python и CUDA. В актуальных релизах PyPI есть сборки для ARM64, но они не заменяют специализированные пакеты для каждого выпуска JetPack.
Все доступные пакеты onnxruntime-gpu, сгруппированные по версии JetPack, версии Python и другим сведениям о совместимости, можно найти в матрице совместимости ONNX Runtime из Jetson Zoo.
Для JetPack 6 с поддержкой Python 3.10 можно установить onnxruntime-gpu 1.23.0:
pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/onnxruntime_gpu-1.23.0-cp310-cp310-linux_aarch64.whlКак вариант, для onnxruntime-gpu 1.20.0:
pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/onnxruntime_gpu-1.20.0-cp310-cp310-linux_aarch64.whlРабота с JetPack 5.1.2#
Установка пакета Ultralytics#
Установи пакет Ultralytics на Jetson. Зависимости для экспорта устанавливаются автоматически при первом экспорте модели, поэтому здесь достаточно базового пакета. Это руководство посвящено экспорту в NVIDIA TensorRT, поскольку TensorRT обеспечивает максимальную производительность на устройствах Jetson.
-
Обнови список пакетов, установи pip и обнови его до последней версии
sudo apt update sudo apt install python3-pip -y pip install -U pip -
Установи пакет
ultralyticsчерез pippip install ultralytics -
Перезагрузи устройство
sudo reboot
Установка PyTorch и Torchvision#
Указанная выше установка ultralytics установит Torch и Torchvision. Однако эти два пакета, установленные через pip, несовместимы с платформой Jetson на архитектуре ARM64, поэтому нужно вручную установить готовый pip-пакет PyTorch и собрать Torchvision из исходного кода или установить его из исходников.
-
Удали установленные PyTorch и Torchvision
pip uninstall torch torchvision -
Установи
torch 2.1.0иtorchvision 0.16.2для JP5.1.2pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/torch-2.1.0a0+41361538.nv23.06-cp38-cp38-linux_aarch64.whl pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/torchvision-0.16.2+c6f3977-cp38-cp38-linux_aarch64.whl
На странице PyTorch для Jetson доступны разные версии PyTorch для разных версий JetPack. Подробный список совместимости PyTorch и Torchvision смотри на странице совместимости PyTorch и Torchvision.
Установи onnxruntime-gpu#
Используй GPU-сборку ONNX Runtime, совместимую с твоими версиями JetPack, Python и CUDA. В актуальных релизах PyPI есть сборки для ARM64, но они не заменяют специализированные пакеты для каждого выпуска JetPack.
Все доступные пакеты onnxruntime-gpu, сгруппированные по версиям JetPack, Python и другим параметрам совместимости, перечислены в матрице совместимости ONNX Runtime для Jetson Zoo. Скачай и установи onnxruntime-gpu 1.17.0 с поддержкой Python3.8.
wget https://nvidia.box.com/shared/static/zostg6agm00fb6t5uisw51qi6kpcuwzd.whl -O onnxruntime_gpu-1.17.0-cp38-cp38-linux_aarch64.whl
pip install onnxruntime_gpu-1.17.0-cp38-cp38-linux_aarch64.whlonnxruntime-gpu автоматически обновляет NumPy до последней версии. Чтобы устранить возникшую проблему, переустанови NumPy 1.23.5:
pip install numpy==1.23.5
Использование TensorRT на NVIDIA Jetson#
Среди всех форматов экспорта моделей, поддерживаемых Ultralytics, TensorRT обеспечивает самую высокую производительность инференса на устройствах NVIDIA Jetson, поэтому мы рекомендуем его для развертывания на Jetson в первую очередь. Перед экспортом установи привязки TensorRT для Python, предоставляемые для твоей версии JetPack, и проверь их с помощью python3 -c "import tensorrt; print(tensorrt.__version__)". Используй поддерживаемую среду выполнения TensorRT 10.x в JetPack 6/7; не заменяй её на TensorRT 11. Инструкции по настройке и расширенному использованию смотри в нашем специальном руководстве по интеграции TensorRT.
Также можно выполнить экспорт в браузере, не настраивая локальную среду сборки. На вкладке экспорта моделей платформы Ultralytics выбери TensorRT и нужную модель Jetson. Выбор Thor проверяется на физическом устройстве Thor. Для шести вариантов Orin сейчас создаются тестовые движки, собранные для AGX-Orin; перед развёртыванием проверь их на целевой модели Orin.
TensorRT профилирует и настраивает движок на том GPU, где выполняется его сборка. Используй целевую архитектуру GPU и среду выполнения TensorRT/CUDA, а каждый скачанный движок проверяй на устройстве развёртывания. Одинаковая архитектура у моделей Orin не гарантирует переносимость, а для наилучших результатов калибровку INT8 следует выполнять на целевом устройстве.
Преобразование модели в TensorRT и запуск инференса#
Модель YOLO26n в формате PyTorch преобразуется в TensorRT, чтобы выполнять инференс с экспортированной моделью.
from ultralytics import YOLO
# Загрузи модель YOLO26n в формате PyTorch
model = YOLO("yolo26n.pt")
# Экспортируй модель в TensorRT
model.export(format="engine") # создаёт 'yolo26n.engine'
# Загрузи экспортированную модель TensorRT
trt_model = YOLO("yolo26n.engine")
# Выполнить инференс
results = trt_model("https://ultralytics.com/images/bus.jpg")Использование NVIDIA Deep Learning Accelerator (DLA)#
NVIDIA Deep Learning Accelerator (DLA) — это специализированный аппаратный компонент, встроенный в устройства NVIDIA Jetson и оптимизирующий инференс глубокого обучения для повышения энергоэффективности и производительности. Перенося задачи с GPU и освобождая его для более ресурсоёмких процессов, DLA позволяет запускать модели с меньшим энергопотреблением и сохранять высокую пропускную способность. Это особенно удобно для встраиваемых систем и приложений ИИ, работающих в реальном времени.
NVIDIA указывает TensorRT 10.7 как последний релиз с поддержкой DLA; TensorRT 11.x не поддерживает DLA. Используй версию TensorRT с поддержкой DLA, совместимую с твоей версией JetPack. TensorRT 11 не поддерживает JetPack, в том числе при экспорте только для GPU.
Следующие устройства Jetson оснащены аппаратным модулем DLA:
| Устройство Jetson | Количество ядер DLA | Максимальная частота DLA |
|---|---|---|
| Серия Jetson AGX Orin | 2 | 1.6 GHz |
| Jetson Orin NX 16GB | 2 | 614 MHz |
| Jetson Orin NX 8GB | 1 | 614 MHz |
| Серия Jetson AGX Xavier | 2 | 1.4 GHz |
| Серия Jetson Xavier NX | 2 | 1.1 GHz |
from ultralytics import YOLO
# Загрузи модель YOLO26n в формате PyTorch
model = YOLO("yolo26n.pt")
# Экспортируй модель в TensorRT с включённым DLA (работает только с FP16 или INT8)
model.export(format="engine", device="dla:0", quantize=16) # dla:0 или dla:1 соответствует ядрам DLA
# Загрузи экспортированную модель TensorRT
trt_model = YOLO("yolo26n.engine")
# Выполнить инференс
results = trt_model("https://ultralytics.com/images/bus.jpg")При экспорте с DLA некоторые слои могут не поддерживаться и запускаться на GPU. Такое переключение может увеличить задержку и снизить общую производительность инференса. Поэтому DLA предназначен не столько для снижения задержки инференса по сравнению с TensorRT, работающим только на GPU, сколько для повышения пропускной способности и энергоэффективности.
Бенчмарки YOLO26 на NVIDIA Jetson#
Команда Ultralytics провела тесты производительности YOLO26 в 11 форматах моделей, сравнив скорость и точность: PyTorch, TorchScript, ONNX, OpenVINO, TensorRT, TF SavedModel, TF GraphDef, TF Lite, MNN, NCNN и ExecuTorch. Тесты выполнялись с точностью FP32 и стандартным размером входного изображения 640 на комплектах разработчика NVIDIA Jetson AGX Thor и NVIDIA Jetson AGX Orin (64 ГБ), комплекте NVIDIA Jetson Orin Nano Super и Seeed Studio reComputer J4012 на базе устройства Jetson Orin NX 16 ГБ.
Сравнительные диаграммы#
Хотя все варианты экспорта моделей работают на NVIDIA Jetson, в сравнительную диаграмму ниже включены только PyTorch, TorchScript и TensorRT. Бенчмарки для всех вариантов экспорта приведены в следующем за диаграммой разделе.
Комплект разработчика NVIDIA Jetson AGX Thor#
Комплект разработчика NVIDIA Jetson AGX Orin (64 ГБ)#
Комплект разработчика NVIDIA Jetson Orin Nano Super#
NVIDIA Jetson Orin NX 16 ГБ#
Подробные сравнительные таблицы#
В таблице ниже приведены результаты тестирования пяти разных моделей YOLO26 (YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x) в 11 форматах (PyTorch, TorchScript, ONNX, OpenVINO, TensorRT, TF SavedModel, TF GraphDef, TF Lite, MNN, NCNN, ExecuTorch). Для каждой комбинации указаны статус, размер, метрика mAP50-95(B) и время инференса.
Комплект разработчика NVIDIA Jetson AGX Thor#
| Формат | Статус | Размер на диске (МБ) | mAP50-95(B) | Время инференса (мс/изобр.) |
|---|---|---|---|---|
| PyTorch | ✅ | 5.3 | 0.4798 | 7.39 |
| TorchScript | ✅ | 9.8 | 0.4789 | 4.21 |
| ONNX | ✅ | 9.5 | 0.4767 | 6.58 |
| OpenVINO | ✅ | 10.1 | 0.4794 | 17.50 |
| TensorRT (FP32) | ✅ | 13.9 | 0.4791 | 1.90 |
| TensorRT (FP16) | ✅ | 7.6 | 0.4797 | 1.39 |
| TensorRT (INT8) | ✅ | 6.5 | 0.4273 | 1.52 |
| TF SavedModel | ✅ | 25.7 | 0.4764 | 47.24 |
| TF GraphDef | ✅ | 9.5 | 0.4764 | 45.98 |
| TF Lite | ✅ | 9.9 | 0.4764 | 182.04 |
| MNN | ✅ | 9.4 | 0.4784 | 21.83 |
Бенчмарк выполнен с Ultralytics 8.4.7
Время инференса не включает пред- и постобработку.
Комплект разработчика NVIDIA Jetson AGX Orin (64 ГБ)#
| Формат | Статус | Размер на диске (МБ) | mAP50-95(B) | Время инференса (мс/изобр.) |
|---|---|---|---|---|
| PyTorch | ✅ | 5.3 | 0.4790 | 11.58 |
| TorchScript | ✅ | 9.8 | 0.4770 | 4.60 |
| ONNX | ✅ | 9.5 | 0.4770 | 9.87 |
| OpenVINO | ✅ | 9.6 | 0.4820 | 28.80 |
| TensorRT (FP32) | ✅ | 11.5 | 0.4770 | 4.18 |
| TensorRT (FP16) | ✅ | 7.9 | 0.4789 | 2.62 |
| TensorRT (INT8) | ✅ | 5.4 | 0.4640 | 2.30 |
| TF SavedModel | ✅ | 24.6 | 0.4760 | 71.10 |
| TF GraphDef | ✅ | 9.5 | 0.4760 | 70.02 |
| TF Lite | ✅ | 9.9 | 0.4760 | 227.94 |
| MNN | ✅ | 9.4 | 0.4760 | 32.46 |
| NCNN | ✅ | 9.3 | 0.4810 | 29.93 |
Бенчмарк выполнен с Ultralytics 8.4.32
Время инференса не включает пред- и постобработку.
Комплект разработчика NVIDIA Jetson Orin Nano Super#
| Формат | Статус | Размер на диске (МБ) | mAP50-95(B) | Время инференса (мс/изобр.) |
|---|---|---|---|---|
| PyTorch | ✅ | 5.3 | 0.4790 | 15.60 |
| TorchScript | ✅ | 9.8 | 0.4770 | 12.60 |
| ONNX | ✅ | 9.5 | 0.4760 | 15.76 |
| OpenVINO | ✅ | 9.6 | 0.4820 | 56.23 |
| TensorRT (FP32) | ✅ | 11.3 | 0.4770 | 7.53 |
| TensorRT (FP16) | ✅ | 8.1 | 0.4800 | 4.57 |
| TensorRT (INT8) | ✅ | 5.3 | 0.4490 | 3.80 |
| TF SavedModel | ✅ | 24.6 | 0.4760 | 118.33 |
| TF GraphDef | ✅ | 9.5 | 0.4760 | 116.30 |
| TF Lite | ✅ | 9.9 | 0.4760 | 286.00 |
| MNN | ✅ | 9.4 | 0.4760 | 68.77 |
| NCNN | ✅ | 9.3 | 0.4810 | 47.50 |
Бенчмарк выполнен с Ultralytics 8.4.33
Время инференса не включает пред- и постобработку.
NVIDIA Jetson Orin NX 16 ГБ#
| Формат | Статус | Размер на диске (МБ) | mAP50-95(B) | Время инференса (мс/изобр.) |
|---|---|---|---|---|
| PyTorch | ✅ | 5.3 | 0.4799 | 13.90 |
| TorchScript | ✅ | 9.8 | 0.4787 | 11.60 |
| ONNX | ✅ | 9.5 | 0.4763 | 14.18 |
| OpenVINO | ✅ | 9.6 | 0.4819 | 40.19 |
| TensorRT (FP32) | ✅ | 11.4 | 0.4770 | 7.01 |
| TensorRT (FP16) | ✅ | 8.0 | 0.4789 | 4.13 |
| TensorRT (INT8) | ✅ | 5.5 | 0.4489 | 3.49 |
| TF SavedModel | ✅ | 24.6 | 0.4764 | 92.34 |
| TF GraphDef | ✅ | 9.5 | 0.4764 | 92.06 |
| TF Lite | ✅ | 9.9 | 0.4764 | 254.43 |
| MNN | ✅ | 9.4 | 0.4760 | 48.55 |
| NCNN | ✅ | 9.3 | 0.4805 | 34.31 |
Бенчмарк выполнен с Ultralytics 8.4.33
Время инференса не включает пред- и постобработку.
Узнай больше о бенчмарках, проведённых Seeed Studio на разных версиях оборудования NVIDIA Jetson.
Воспроизведение наших результатов#
Чтобы воспроизвести приведённые выше бенчмарки Ultralytics во всех форматах экспорта, выполни этот код:
from ultralytics import YOLO
# Загрузи модель YOLO26n в формате PyTorch
model = YOLO("yolo26n.pt")
# Сравнение скорости и точности YOLO26n на наборе данных COCO128 для всех форматов экспорта
results = model.benchmark(data="coco128.yaml", imgsz=640)Учти, что результаты бенчмарков могут различаться в зависимости от конкретной конфигурации оборудования и программного обеспечения системы, а также от текущей нагрузки на систему во время запуска бенчмарков. Для получения наиболее надёжных результатов используй набор данных с большим количеством изображений, например data='coco.yaml' (5000 валидационных изображений).
Рекомендации по использованию NVIDIA Jetson#
Следуй этим рекомендациям, чтобы добиться максимальной производительности YOLO26 на NVIDIA Jetson.
-
Включи режим максимальной мощности
Включи режим максимальной мощности (MAX Power Mode) на Jetson, чтобы задействовать все ядра CPU и GPU.
sudo nvpmodel -m 0 -
Включи Jetson Clocks
Включи Jetson Clocks, чтобы все ядра CPU и GPU работали на максимальной частоте.
sudo jetson_clocks -
Установи приложение Jetson Stats
Используй приложение jetson-stats, чтобы отслеживать температуру компонентов системы, загрузку CPU, GPU и RAM, менять режимы питания, устанавливать максимальные частоты и проверять сведения о JetPack.
sudo apt update sudo pip install jetson-stats sudo reboot jtop
Советы по оптимизации памяти NVIDIA Jetson#
Доступная память часто становится ограничивающим фактором на устройствах Jetson, особенно на моделях с небольшим объёмом памяти, таких как Jetson Orin Nano (8 ГБ) или Orin NX 8 ГБ. Приведённые ниже практические изменения несут небольшой риск, но в совокупности могут освободить несколько сотен мегабайт и позволить запускать более крупные модели YOLO или поддерживать дополнительные параллельные задачи. Подробное руководство см. в блоге NVIDIA об эффективном использовании памяти на Jetson.
1. Переключись на загрузку без графического интерфейса#
Если Jetson подключён по SSH или работает как производственное устройство без подключённого дисплея, отключение среды рабочего стола и дисплейного сервера может освободить до 865 МБ RAM:
sudo systemctl set-default multi-user.target
sudo rebootЧтобы позже восстановить рабочий стол:
sudo systemctl set-default graphical.target
sudo reboot2. Отключи неиспользуемые системные службы#
Несущественные фоновые службы (Bluetooth, менеджеры подключений, неиспользуемые аппаратные демоны) в сумме занимают около 32 МБ. Посмотри список активных служб и отключи всё, что не требуется для твоего развёртывания:
# List running services
systemctl list-units --type=service --state=running
# Disable a service
sudo systemctl disable SERVICE_NAME3. Проанализируй использование памяти#
Прежде чем оптимизировать, выясни, какие процессы действительно потребляют RAM. procrank сортирует процессы по PSS (пропорциональному размеру набора), который точнее отражает фактический объём памяти каждого процесса, чем RSS (размер резидентного набора — общий объём физических страниц RAM, отображённых процессом, включая страницы, используемые совместно с другими процессами):
git clone https://github.com/csimmonds/procrank_linux.git
cd procrank_linux && make
sudo ./procrankЧтобы посмотреть выделение памяти GPU и NvMap (конвейер CUDA/видео) для каждого процесса:
sudo cat /sys/kernel/debug/nvmap/iovmm/clients4. Запускай инференс без дисплея в производственной среде#
Если для конвейера инференса не нужен просмотр в реальном времени, отключение компонентов, связанных с дисплеем (Tiler, OSD, DisplaySink), может освободить 200+ МБ только за счёт конвейера. При работе с Ultralytics YOLO отключи просмотр и сохраняй результаты на диск:
from ultralytics import YOLO
model = YOLO("yolo26n.engine")
# show=False отключает все окна отображения; save=True сохраняет результаты с аннотациями на диск
results = model.predict(source="video.mp4", show=False, save=True)Суммарный эффект#
| Оптимизация | Примерный объём освобождённой памяти |
|---|---|
| Отключение графического интерфейса рабочего стола | ~865 MB |
| Отключение неиспользуемых служб ОС | ~32 MB |
| Конвейер инференса без графического интерфейса (без дисплея) | ~200+ MB |
| Итого (простые улучшения) | ~1 ГБ+ |
Совместное применение этих изменений особенно полезно при запуске моделей TensorRT INT8 на устройствах с ограниченной памятью: это может решить, поместится ли в памяти более крупная версия модели.
Следующие шаги#
Дополнительные материалы и помощь см. в документации Ultralytics YOLO26.
Часто задаваемые вопросы#
Чтобы развернуть Ultralytics YOLO26 на устройствах NVIDIA Jetson, сначала прошей устройство NVIDIA JetPack SDK. Затем для быстрой настройки используй готовый образ Docker или установи необходимые пакеты вручную.
Модели YOLO26 прошли тестирование на устройствах NVIDIA Jetson AGX Thor, AGX Orin, Orin Nano Super и Orin NX; формат TensorRT обеспечивает наилучшую производительность инференса. В разделе Подробные сравнительные таблицы приведены mAP50-95 и время инференса для каждой модели и формата экспорта.
Для развёртывания моделей YOLO26 на NVIDIA Jetson рекомендуется TensorRT: он обеспечивает самый быстрый инференс среди всех форматов экспорта, оптимизируя модель для GPU Jetson.
Чтобы установить PyTorch и Torchvision на NVIDIA Jetson, сначала удали все существующие версии, которые могли быть установлены через pip. Затем вручную установи совместимые версии PyTorch и Torchvision для архитектуры ARM64 Jetson. Подробные инструкции приведены в разделе Установка PyTorch и Torchvision.
Чтобы максимизировать производительность NVIDIA Jetson с YOLO26, следуй этим рекомендациям:
- Включи режим максимальной мощности, чтобы задействовать все ядра CPU и GPU.
- Включи Jetson Clocks, чтобы все ядра работали на максимальной частоте.
- Установи приложение Jetson Stats для мониторинга системных показателей.
Команды и дополнительные сведения см. в разделе Рекомендации по использованию NVIDIA Jetson.
Доступная RAM часто становится узким местом на устройствах Jetson с небольшим объёмом памяти. Три простых способа, которые вместе могут освободить более 1 ГБ:
- Переключись на загрузку без графического интерфейса (
sudo systemctl set-default multi-user.target), чтобы отключить графический интерфейс рабочего стола (экономия ~865 МБ). - Отключи неиспользуемые службы, например Bluetooth или менеджеры подключений (экономия ~32 МБ).
- Запускай инференс без дисплея, указав
show=Falseв вызове YOLOpredict, чтобы не выделять память для дисплейного конвейера (экономия ~200+ МБ).
Используй
procrankдля анализа потребления RAM отдельными процессами, аsudo cat /sys/kernel/debug/nvmap/iovmm/clients— для проверки выделения памяти GPU. Подробности см. в разделе Советы по оптимизации памяти.- Переключись на загрузку без графического интерфейса (
В TensorRT 10.3.0, поставляемом с JetPack 6, есть известная проблема, из-за которой не удаётся создавать INT8-движки с выходами без NMS (
nms=False) или со встроенным NMS (nms=True). При обнаружении такой комбинации Ultralytics выбирает голову one-to-many для экспорта без NMS и останавливает экспортnms=Trueс ошибкой.Чтобы снова выполнять такой экспорт в INT8, обнови TensorRT до более новой версии (например, 10.7.0+):
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/arm64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt-get update sudo apt-get install -y tensorrtПосле обновления запусти экспорт ещё раз. Подробнее см. в обсуждении GitHub #23841 и обсуждении #26655.
Комментарии194
Задай вопрос, поделись результатами или помоги кому-нибудь.
LG973641114
您好,如何用c++在jetson上部署YOLO26,有相关例子吗
1pknowler
Struggling with this on a new Jetson Orin Nano JP6.1. All good following the steps and installs to give torch.cuda.is_available as TRUE. The TensorRT export fails though with a number of dependency errors and I can’t re-install it with anything. Any pointers please?
1
Glenn JocherUltralytics@pknowler it seems like the dependency errors during TensorRT export might stem from compatibility issues. Please ensure you’ve installed the required JetPack-compatible versions of PyTorch, Torchvision, and TensorRT as outlined in the Jetson Quick Start Guide. Additionally, verify that
onnxruntime-gpuandcuSPARSELtare correctly installed per the guide. If the issue persists, you can try reinstalling TensorRT using the NVIDIA SDK Manager for your JetPack version. Let me know if you need further clarification!pknowler
Thank you. I will try again working through all of the steps and let you know how it goes!
pknowler
I’ve tried again but this as far as I get… I have followed everything carefully.
WARNING ⚠️ TensorRT requires GPU export, automatically assigning device=0 Ultralytics 8.3.57 🚀 Python-3.10.16 torch-2.5.0a0+872d972e41.nv24.08 CUDA:0 (Orin, 7620MiB) YOLO11n summary (fused): 238 layers, 2,616,248 parameters, 0 gradients, 6.5 GFLOPs
PyTorch: starting from 'yolo11n.pt' with input shape (1, 3, 640, 640) BCHW and output shape(s) (1, 84, 8400) (5.4 MB)
ONNX: starting export with onnx 1.17.0 opset 19... ONNX: slimming with onnxslim 0.1.46... ONNX: export success ✅ 3.1s, saved as 'yolo11n.onnx' (10.2 MB) requirements: Ultralytics requirement ['tensorrt>7.0.0,!=10.1.0'] not found, attempting AutoUpdate... error: subprocess-exited-with-error
× python setup.py egg_info did not run successfully. │ exit code: 1 ╰─> [6 lines of output] Traceback (most recent call last): File "", line 2, in File "", line 34, in File "/tmp/pip-install-d0ljzl60/tensorrt-cu12_db0552ac431148489703f6f75df6764f/setup.py", line 71, in raise RuntimeError("TensorRT does not currently build wheels for Tegra systems") RuntimeError: TensorRT does not currently build wheels for Tegra systems [end of output]
note: This error originates from a subprocess, and is likely not a problem with pip. error: metadata-generation-failed
× Encountered error while generating package metadata. ╰─> See above for output.
note: This is an issue with the package mentioned above, not pip. hint: See above for details. Retry 1/2 failed: Command 'pip install --no-cache-dir "tensorrt>7.0.0,!=10.1.0" ' returned non-zero exit status 1. error: subprocess-exited-with-error
× python setup.py egg_info did not run successfully. │ exit code: 1 ╰─> [6 lines of output] Traceback (most recent call last): File "", line 2, in File "", line 34, in File "/tmp/pip-install-782zjqf9/tensorrt-cu12_44d261aea7c5489db3e9ce15cec8ee64/setup.py", line 71, in raise RuntimeError("TensorRT does not currently build wheels for Tegra systems") RuntimeError: TensorRT does not currently build wheels for Tegra systems [end of output]
note: This error originates from a subprocess, and is likely not a problem with pip. error: metadata-generation-failed
× Encountered error while generating package metadata. ╰─> See above for output.
note: This is an issue with the package mentioned above, not pip. hint: See above for details.
pknowler
And I have TensorRT 10.7.0.23-1+cuda12.6
Glenn JocherUltralytics@pknowler it seems your TensorRT version is not compatible with the Jetson's ARM64 architecture. TensorRT does not provide pre-built Python wheels for Tegra systems. Please ensure you have TensorRT installed via the NVIDIA SDK Manager as part of the JetPack installation, and confirm compatibility with your JetPack version. The Jetson Quick Start Guide might also help clarify setup specifics. Let me know if further assistance is needed!
pknowler
@glenn-jocher thank you. I have found the issue now. I am using miniconda and for some reason TensorRT Python bindings are not available in conda envs. So I can import Torch with no problem but the import TensorRT fails. I have re-installed without conda and all works as expected! 👍🏻
RasoulZardeyni
Which one reduce inference time using TensorRT or deepstream?
1
Paula DerrengerUltralytics(изменено)In terms of reducing inference time on your NVIDIA Jetson device, using TensorRT is generally recommended. TensorRT is specifically designed to provide high performance for NVIDIA hardware by optimizing deep learning models for inference. It accelerates models by fusing layers, pruning unused layers, and quantizing variables, among other optimizations. 🚀
DeepStream, on the other hand, is more focused on streaming analytics and can utilize TensorRT-optimized models. For most cases, directly using TensorRT for model optimization is your go-to for minimizing inference times.
Here's a quick example of exporting a YOLO model to TensorRT and running inference, tailored for your convenience:
from ultralytics import YOLO # Load your YOLO model model = YOLO('yolo26n.pt') # Export to TensorRT format model.export(format='engine') # Load the TensorRT model trt_model = YOLO('yolo26n.engine') # Run inference using the TensorRT model results = trt_model('your_image_or_video.jpg')Feel free to explore more about deploying on NVIDIA Jetson with our Quick Start Guide for NVIDIA Jetson. Happy inferencing! 🌟
2RasoulZardeyni
Thanks!
1
Paula DerrengerUltralytics(изменено)Hey there! 😊 It looks like you're interested in speeding up your inference times. Between TensorRT and DeepStream on NVIDIA Jetson devices, TensorRT typically offers more direct optimization for reducing inference time for individual models by providing lower-level optimizations and quantization options.
DeepStream is a comprehensive framework for building end-to-end video analytics applications, which utilizes TensorRT under the hood for model inference. DeepStream excels in scenarios involving video streams, multi-stream input, and complex pipelines involving multiple AI models and analytics. If your primary goal is solely to minimize inference time for a specific model, direct optimization via TensorRT can provide more focused improvements.
A quick example of exporting a YOLO model to TensorRT:
from ultralytics import YOLO # Load your YOLO model model = YOLO('yolo26n.pt') # Export to TensorRT format model.export(format='engine') # This creates 'yolo26n.engine' # Done! Now you can use 'yolo26n.engine' for faster inference.However, if your application benefits from a broader video analytics pipeline, incorporating DeepStream into your workflow can optimize and streamline these processes on top of efficiently handling inference with TensorRT optimized models. 🚀
Hope this gives you a clearer picture! If you have more questions, feel free to ask.
1
Yufeng Wu(изменено)Hi, ultralytics team. I'm trying yolo26n-pose on Jetson orin agx 64gb and have this problem: I tried building engine with dynamic=true but failed, with the log saying ForeignNode[/model.23/Sigmoid.../model.23/Flatten] (Myelin) Skipping tactic ... Incompatible effective shapes in operation /model_23/Sub between: Unsqueeze_18_output_0 f32[1,2,33600] and Slice_output_0 f32[1,2,21504] Could not find any implementation for node {ForeignNode[/model.23/Sigmoid.../model.23/Flatten]} Is there a way to fix it?
Glenn JocherUltralyticsThis indicates a TensorRT dynamic-shape profile failure in the pose head. As a workaround, export a fixed-resolution engine, e.g.
yolo export model=yolo26n-pose.pt format=engine imgsz=640 batch=1 dynamic=False; build separate engines if multiple resolutions are required. If dynamic shapes are essential, please open a new issue with the full text log,yolo checksoutput, and JetPack/TensorRT/Ultralytics versions so we can reproduce it; see the TensorRT export guide.
Haotian Gong(изменено)Hi, everyone,
I'd like to flag two issues with the Jetson installation guide that may need updating.
1. PyTorch 2.10.0 / Torchvision 0.25.0 doesn't work on JetPack 6.1
Following the "Start with naive installation" and "Run on JetPack 6.1" sections, I installed Pytorch 2.10.0 and Torchvision 0.25.0 as instructed.
Running my script then throws:
ImportError: libcublas.so.13: cannot open shared object file: No such file or directorySo I have to install Pytorch 2.8.0 with the guide:
https://forums.developer.nvidia.com/t/jetson-orin-nano-issues-running-yolo-ultralytics-due-to-pytorch-torchvision-compatibility-jetpack-6-x-cuda-12-6/365683/9And this version of Pytorch works. So maybe is the guide on Jetson obsolete or mistaken?
2. CSI camera requires the JetPack-bundled OpenCV, not the PyPI one
On Jetson, using a CSI camera (via
nvarguscamerasrc) requires the OpenCV that ships with JetPack, because the PyPIopencv-pythonwheel on aarch64 is built without GStreamer support.However,
pip install ultralyticspulls inopencv-pythonas a dependency, which shadows the JetPack-bundled version and silently breaks CSI camera pipelines.pip uninstall -y opencv-python opencv-python-headless sudo apt install -y python3-opencv # JetPack-bundled OpenCV with GStreamerThanks!
Lakshantha DissanayakeUltralyticsHi @ZephyrKeXiner Could you please double check whether you are using JetPack 6.1 system with CUDA 12.6? I have just verified on my JetPack 6.1 system with CUDA 12.6 with
torch-2.10.0andtorchvision-0.25.0as mentioned in the Ultralytics Jetson Guide and it works well.For JetPack 6.1, output of
cat /etc/nv_tegra_releaseshould look like below:(env) nvidia@ubuntu:~/yolo26/ultralytics$ cat /etc/nv_tegra_release # R36 (release), REVISION: 4.3, GCID: 38968081, BOARD: generic, EABI: aarch64, DATE: Wed Jan 8 01:49:37 UTC 2025 # KERNEL_VARIANT: oot TARGET_USERSPACE_LIB_DIR=nvidia TARGET_USERSPACE_LIB_DIR_PATH=usr/lib/aarch64-linux-gnu/nvidiaCould you also share yours please? Thanks!
cc: @raimbekovm
1
Haotian GongHi @lakshanthad,
My output of
cat /etc/nv_tegra_releaseis below:$ cat /etc/nv_tegra_release # R36 (release), REVISION: 5.0, GCID: 43688277, BOARD: generic, EABI: aarch64, DATE: Fri Jan 16 03:50:45 UTC 2026 # KERNEL_VARIANT: oot TARGET_USERSPACE_LIB_DIR=nvidia TARGET_USERSPACE_LIB_DIR_PATH=usr/lib/aarch64-linux-gnu/nvidiaI notice that the revision is 5.0 not 4.3. Maybe does it cause the error?
smbunn(изменено)
I would have thought the Jetson Orin Nano could do more than 5 streams, the deepstream examples with cars handles 16 streams of 1080p at what appears to be full framerate.
As a control systems engineer by training, edge devices seem a much better way to go so I prefer your jetson design. Even if one Jetson has an issue you are still processing 45 streams whereas a problem on your centralised server in option 2 takes everything down.
Are you going to set up an MQTT feed for alerts from each stream? Maybe consider secondary processing and a buffer, so the edge device detects what it thinks is an issue and a centralised server grabs 5 seconds of video of the incident and double checks.
Simon BUNN
General
From: Yash Patel @.> Sent: Friday, 22 May 2026 4:00 am To: ultralytics/ultralytics @.> Cc: Bunn, Simon @.>; Mention @.> Subject: Re: [ultralytics/ultralytics] guides/nvidia-jetson/ (Discussion #9942)
Hi, I am designing an AI-based CCTV surveillance system for a residential society with 50 RTSP camera streams. My current architecture uses multiple NVIDIA Jetson Orin Nano Super Developer Kit devices for distributed inference processing. I ZjQcmQRYFpfptBannerStart Attention The sender's identity could not be verified and someone may be impersonating the sender. L'identité de l'expéditeur n'a pas pu être vérifiée et quelqu'un pourrait se faire passer pour l'expéditeur.
ZjQcmQRYFpfptBannerEnd
Hi, I am designing an AI-based CCTV surveillance system for a residential society with 50 RTSP camera streams. My current architecture uses multiple NVIDIA Jetson Orin Nano Super Developer Kit devices for distributed inference processing. I estimate that one Jetson Orin Nano Super (8GB) can process around 5 RTSP streams at usable real-time FPS. This requires approximately 10 Jetson devices for the full deployment. Each device costs around ₹33,000 (~USD 395). The total estimated hardware cost is ₹330,000 (~USD 3,950). I want to compare this setup against a centralized Linux-based custom PC/server with NVIDIA GPU acceleration under the same budget. The comparison focuses on AI inference performance, scalability, reliability, and 24/7 operational efficiency. The workload mainly includes multi-stream YOLO/object detection inference on live RTSP feeds. I want to determine which architecture provides the best computation-to-cost ratio for this surveillance use case.
— Reply to this email directly, view it on GitHubhttps://urldefense.com/v3/__https://github.com/orgs/ultralytics/discussions/9942*discussioncomment-17006943__;Iw!!ElGdukoduuk!URiPjKkgDoMT_k2Y6pEd3XMEBGMDjhwgtQmwWXR9F4R4L7ymNloZD79NanOjYVg9YYmaARqyZGbgFv7U15KzgdcU$, or unsubscribehttps://urldefense.com/v3/__https://github.com/notifications/unsubscribe-auth/ABAAMILYUP7PPODNHDR3HC3434RYLAVCNFSM6AAAAABGAK2IGGVHI2DSMVQWIX3LMV43URDJONRXK43TNFXW4Q3PNVWWK3TUHMYTOMBQGY4TIMY__;!!ElGdukoduuk!URiPjKkgDoMT_k2Y6pEd3XMEBGMDjhwgtQmwWXR9F4R4L7ymNloZD79NanOjYVg9YYmaARqyZGbgFv7U1zjhi4YU$. Triage notifications on the go with GitHub Mobile for iOShttps://urldefense.com/v3/__https://apps.apple.com/app/apple-store/id1477376905?ct=notification-email&mt=8&pt=524675__;!!ElGdukoduuk!URiPjKkgDoMT_k2Y6pEd3XMEBGMDjhwgtQmwWXR9F4R4L7ymNloZD79NanOjYVg9YYmaARqyZGbgFv7U13gOq1qb$ or Androidhttps://urldefense.com/v3/__https://play.google.com/store/apps/details?id=com.github.android&referrer=utm_campaign*3Dnotification-email*26utm_medium*3Demail*26utm_source*3Dgithub__;JSUlJSU!!ElGdukoduuk!URiPjKkgDoMT_k2Y6pEd3XMEBGMDjhwgtQmwWXR9F4R4L7ymNloZD79NanOjYVg9YYmaARqyZGbgFv7U1zOl3XaF$. You are receiving this because you were mentioned.Message ID: @.***>
Glenn JocherUltralytics5streams on an Orin Nano Super is just a conservative YOLO/Python estimate; with a headless TensorRT or DeepStream pipeline, MAX power mode, andjetson_clocks, higher 1080p stream counts are definitely possible and depend heavily on the model size, input resolution, decode/encode, and any tracking or alert logic you add, so please drop your exactmodel,imgsz, FPS target, and RTSP resolution here and we can help size it more accurately using the Jetson deployment guide and DeepStream Jetson guide.
yashpatel2010
Hi, I am designing an AI-based CCTV surveillance system for a residential society with 50 RTSP camera streams. My current architecture uses multiple NVIDIA Jetson Orin Nano Super Developer Kit devices for distributed inference processing. I estimate that one Jetson Orin Nano Super (8GB) can process around 5 RTSP streams at usable real-time FPS. This requires approximately 10 Jetson devices for the full deployment. Each device costs around ₹33,000 (~USD 395). The total estimated hardware cost is ₹330,000 (~USD 3,950). I want to compare this setup against a centralized Linux-based custom PC/server with NVIDIA GPU acceleration under the same budget. The comparison focuses on AI inference performance, scalability, reliability, and 24/7 operational efficiency. The workload mainly includes multi-stream YOLO/object detection inference on live RTSP feeds. I want to determine which architecture provides the best computation-to-cost ratio for this surveillance use case.
RotatingGiraffe
Hi there, I am trying to run a fine-tuned YOLO26 based model for an OBB task on a Xavier NX running JetPack 5. I am using your container (ultralytics/ultralytics:latest-jetson-jetpack5) and trying to compile from PyTorch to TensorRT. I get the error: "mymodel.pt requires numpy>=1.26.1, however numpy==1.23.5 is installed."
Previously I have successfully the file on my host machine from PT to ONNX, copied ONNX to Jetson and then used tensorrtexec to compile to Engine. But the resulting models did not create any bounding boxes.
I wanted to ask if JetPack 5 even supports Yolo26 or if the model contains some incompatible layers? YOLO11 OBB works fine which I find extra-weird. Or is there likely an error somewhere else in my script?
Glenn JocherUltralyticsThanks for posting this here—JetPack 5 on Xavier NX is supported for YOLO26/TensorRT in our Jetson guide, so the
numpy>=1.26.1error points more to an environment/checkpoint mismatch than unsupported OBB layers; please paste the full text traceback andyolo checksoutput, and note that an engine built withtensorrtexeccan still produce empty OBB results if the Ultralytics export metadata/postprocessing is not preserved.RotatingGiraffe
Hi there, I tried to create a minimal reproducible example for you, based on what I am doing. I hope it helps with debugging.
The yolo checks you asked for is in the script output, along with the export script. I've also included the bit where I export via trtexex just for the sake of completion - it might very well be possible that I omit required metadata with this. My prefered goal would be that everything works via the Ultralytics Python API, but I had to search for workaround due to the NumPy error when compiling PT files.
I am now using the Ultralytics base image in the MRE which I hoped would be easier to debug for us. The NumPy error persists on the new image. Previously I was using something built upon l4t-ml.
Additionally, ONNX fails with an error ( `GLIBCXX_3.4.29' not found I think it was) but that is not a concern to me since I engine would be my prefered way to go. I have not installed any additional packages and kept it very vanilla (see dockerfile). The MRE also weirdly produced a new error during engine inference, but I'd say lets just focus on getting the Ultralytics native pipeline to work and then maybe all the other issues were just from my workarounds and disappear.
Execution Command
sudo docker compose up --buildDirectory Structure
obb-test-repro/ ┣ 📂data/ ┃ ┗ 📜mydataset.yaml ┣ 📂models/ ┃ ┣ 📜my-yolo26m-model.onnx ┃ ┗ 📜my-yolo26m-model.pt ┣ 📂src/ ┃ ┗ 📜main.py ┣ 📜docker-compose.yml ┣ 📜Dockerfile ┗ 📜requirements.txtDockerfile
FROM ultralytics/ultralytics:latest-jetson-jetpack5 WORKDIR /app # Copy the test app COPY src/ ./src/ # Run the test CMD ["python3", "src/main.py"]docker-compose.yml
version: '3.8' services: obb-test-jp5: image: obb-test:latest container_name: obb_test_jp5 build: context: . dockerfile: Dockerfile runtime: nvidia network_mode: host ipc: host restart: "no" volumes: - ./models:/app/models - ./data:/app/data environment: - NVIDIA_VISIBLE_DEVICES=all - NVIDIA_DRIVER_CAPABILITIES=allmain.py
""" Minimal OBB model test script. Behavior: - Runs `yolo checks` to output environment details. - Uses files in `/app/models` (container path mapped from `obb-test/models`). - Expects two files (hard-coded): - `/app/models/my-yolo26m-model.pt` (optional) — used for Ultralytics native export - `/app/models/my-yolo26m-model.onnx` (optional) — used for trtexec compilation - Runs both export methods (if files exist) and validates inference on each compiled engine using mydataset dataset. """ import logging import sys import subprocess import os from pathlib import Path from ultralytics import YOLO # Configure logging logging.basicConfig( level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s' ) logger = logging.getLogger(__name__) def run_yolo_checks(): """Execute yolo checks via CLI to log environment details.""" logger.info("=" * 60) logger.info("Environment Verification (yolo checks)") logger.info("=" * 60) try: res = subprocess.run(["yolo", "checks"], capture_output=True, text=True, check=True) logger.info("\n" + res.stdout.strip()) except subprocess.CalledProcessError as e: logger.error(f"yolo checks failed:\n{e.stderr}") except FileNotFoundError: logger.error("yolo CLI command not found. Ensure ultralytics is installed in this environment.") def test_export_to_engine(): models_dir = Path("/app/models") pt_path = models_dir / "my-yolo26m-model.pt" onnx_path = models_dir / "my-yolo26m-model.onnx" dataset_yaml = "/app/data/mydataset.yaml" logger.info("=" * 60) logger.info("Minimal OBB Test - Export & Validation") logger.info("=" * 60) engines_tested = [] # Part 1: Ultralytics native export (PT -> Engine) if pt_path.exists(): try: logger.info(f"\nRunning Ultralytics native export for: {pt_path.name}") model = YOLO(str(pt_path)) exported = model.export(format="engine", imgsz=1024, device=0, half=True) # Resolve the exported engine path native_engine = str(exported) if isinstance(exported, (str, Path)) else str(pt_path.with_suffix('.engine')) if os.path.exists(native_engine): logger.info(f"Ultralytics export successfully produced: {native_engine}") engines_tested.append(native_engine) else: logger.error(f"Ultralytics export completed, but engine file was not found at {native_engine}") except Exception as e: logger.error(f"Ultralytics native export failed: {e}", exc_info=True) else: logger.info(f"PT file not found ({pt_path}); skipping Ultralytics native export.") # Part 2: trtexec compilation (ONNX -> Engine) if onnx_path.exists(): try: logger.info(f"\nRunning trtexec to compile ONNX: {onnx_path.name}") trt_engine = str(onnx_path.with_suffix('.trt.engine')) cmd = [ "/usr/src/tensorrt/bin/trtexec", f"--onnx={onnx_path}", f"--saveEngine={trt_engine}", "--fp16", "--memPoolSize=workspace:768", # Prevents Out of Memory ] logger.info(f"Running command: {' '.join(cmd)}") res = subprocess.run(cmd, capture_output=True, text=True) if res.returncode != 0: logger.error("trtexec compilation failed.") logger.error(f"trtexec stderr:\n{res.stderr}") else: if os.path.exists(trt_engine): logger.info(f"trtexec successfully saved engine to {trt_engine}") engines_tested.append(trt_engine) else: logger.error(f"trtexec returned success, but engine file was not found at {trt_engine}") except Exception as e: logger.error(f"trtexec execution failed: {e}", exc_info=True) else: logger.info(f"ONNX file not found ({onnx_path}); skipping trtexec compilation.") if not engines_tested: logger.error("\nNo engines are available to test. Exiting validation phase.") return False # Part 3: Inference Validation validation_success = True for eng in engines_tested: try: logger.info(f"\nValidating inference with engine: {eng}") model = YOLO(eng, task="obb") metrics = model.val(data=dataset_yaml, imgsz=1024, batch=1, verbose=False) logger.info(f"Validation metrics for {eng}: mAP50-95={metrics.box.map:.4f}, mAP50={metrics.box.map50:.4f}") except Exception as e: logger.error(f"Validation failed on {eng}: {e}", exc_info=True) validation_success = False logger.info("\nExecution complete.") return validation_success if __name__ == "__main__": run_yolo_checks() try: success = test_export_to_engine() logger.info("\n" + "=" * 60) if success: logger.info("✓ Test passed") else: logger.info("✗ Test failed") logger.info("=" * 60) sys.exit(0 if success else 1) except Exception as e: logger.error(f"Unhandled script exception: {e}", exc_info=True) sys.exit(1)Output
obb_test_jp5 | Creating new Ultralytics Settings v0.0.6 file ✅ obb_test_jp5 | View Ultralytics Settings with 'yolo settings' or at '/root/.config/Ultralytics/settings.json' obb_test_jp5 | Update Settings with 'yolo settings key=value', i.e. 'yolo settings runs_dir=path/to/dir'. For help see https://docs.ultralytics.com/quickstart/#ultralytics-settings. obb_test_jp5 | 2026-05-14 12:51:35,392 - INFO - ============================================================ obb_test_jp5 | 2026-05-14 12:51:35,392 - INFO - Environment Verification (yolo checks) obb_test_jp5 | 2026-05-14 12:51:35,392 - INFO - ============================================================ obb_test_jp5 | 2026-05-14 12:51:50,554 - INFO - obb_test_jp5 | Ultralytics 8.4.50 🚀 Python-3.8.10 torch-2.1.0a0+41361538.nv23.06 CUDA:0 (Xavier, 6833MiB) obb_test_jp5 | Setup complete ✅ (2 CPUs, 6.7 GB RAM, 91.7/107.6 GB disk) obb_test_jp5 | obb_test_jp5 | OS Linux-5.10.216-tegra-aarch64-with-glibc2.29 obb_test_jp5 | Environment Docker obb_test_jp5 | Python 3.8.10 obb_test_jp5 | Install git obb_test_jp5 | Path /ultralytics/ultralytics obb_test_jp5 | RAM 6.67 GB obb_test_jp5 | Disk 91.7/107.6 GB obb_test_jp5 | CPU ARMv8 Processor rev 0 (v8l) obb_test_jp5 | CPU count 2 obb_test_jp5 | GPU Xavier, 6833MiB obb_test_jp5 | GPU count 1 obb_test_jp5 | CUDA 11.4 obb_test_jp5 | obb_test_jp5 | numpy ✅ 1.23.5>=1.23.0 obb_test_jp5 | matplotlib ✅ 3.7.5>=3.3.0 obb_test_jp5 | opencv-python-headless ✅ 4.13.0.92>=4.6.0 obb_test_jp5 | pillow ✅ 10.4.0>=7.1.2 obb_test_jp5 | pyyaml ✅ 6.0.3>=5.3.1 obb_test_jp5 | requests ✅ 2.32.4>=2.23.0 obb_test_jp5 | scipy ✅ 1.10.1>=1.4.1 obb_test_jp5 | torch ✅ 2.1.0a0+41361538.nv23.6>=1.8.0 obb_test_jp5 | torchvision ✅ 0.16.2+c6f3977>=0.9.0 obb_test_jp5 | psutil ✅ 7.2.2>=5.8.0 obb_test_jp5 | polars ✅ 1.8.2>=0.20.0 obb_test_jp5 | ultralytics-thop ✅ 2.0.19>=2.0.18 obb_test_jp5 | torch ✅ 2.1.0a0+41361538.nv23.6!=2.4.0,>=1.8.0; sys_platform == "win32" obb_test_jp5 | 2026-05-14 12:51:50,562 - INFO - ============================================================ obb_test_jp5 | 2026-05-14 12:51:50,563 - INFO - Minimal OBB Test - Export & Validation obb_test_jp5 | 2026-05-14 12:51:50,564 - INFO - ============================================================ obb_test_jp5 | 2026-05-14 12:51:50,565 - INFO - obb_test_jp5 | Running Ultralytics native export for: my-yolo26m-model.pt obb_test_jp5 | 2026-05-14 12:51:51,353 - ERROR - Ultralytics native export failed: ERROR ❌️ /app/models/my-yolo26m-model.pt requires numpy>=1.26.1, however numpy==1.23.5 is installed. obb_test_jp5 | Traceback (most recent call last): obb_test_jp5 | File "/ultralytics/ultralytics/nn/tasks.py", line 1466, in torch_safe_load obb_test_jp5 | ckpt = _load() obb_test_jp5 | File "/ultralytics/ultralytics/nn/tasks.py", line 1463, in _load obb_test_jp5 | return torch_load(file, map_location="cpu") obb_test_jp5 | File "/ultralytics/ultralytics/utils/patches.py", line 181, in torch_load obb_test_jp5 | return torch.load(*args, **kwargs) obb_test_jp5 | File "/usr/local/lib/python3.8/dist-packages/torch/serialization.py", line 877, in load obb_test_jp5 | return _load(opened_zipfile, map_location, pickle_module, **pickle_load_args) obb_test_jp5 | File "/usr/local/lib/python3.8/dist-packages/torch/serialization.py", line 1253, in _load obb_test_jp5 | result = unpickler.load() obb_test_jp5 | File "/usr/local/lib/python3.8/dist-packages/torch/serialization.py", line 1246, in find_class obb_test_jp5 | return super().find_class(mod_name, name) obb_test_jp5 | ModuleNotFoundError: No module named 'numpy._core' obb_test_jp5 | obb_test_jp5 | The above exception was the direct cause of the following exception: obb_test_jp5 | obb_test_jp5 | Traceback (most recent call last): obb_test_jp5 | File "src/minimal.py", line 58, in test_export_to_engine obb_test_jp5 | model = YOLO(str(pt_path)) obb_test_jp5 | File "/ultralytics/ultralytics/models/yolo/model.py", line 76, in __init__ obb_test_jp5 | super().__init__(model=model, task=task, verbose=verbose) obb_test_jp5 | File "/ultralytics/ultralytics/engine/model.py", line 144, in __init__ obb_test_jp5 | self._load(model, task=task) obb_test_jp5 | File "/ultralytics/ultralytics/engine/model.py", line 283, in _load obb_test_jp5 | self.model, self.ckpt = load_checkpoint(weights) obb_test_jp5 | File "/ultralytics/ultralytics/nn/tasks.py", line 1537, in load_checkpoint obb_test_jp5 | ckpt, weight = torch_safe_load(weight) # load ckpt obb_test_jp5 | File "/ultralytics/ultralytics/nn/tasks.py", line 1489, in torch_safe_load obb_test_jp5 | raise ModuleNotFoundError( obb_test_jp5 | ModuleNotFoundError: ERROR ❌️ /app/models/my-yolo26m-model.pt requires numpy>=1.26.1, however numpy==1.23.5 is installed. obb_test_jp5 | 2026-05-14 12:51:51,382 - INFO - obb_test_jp5 | Running trtexec to compile ONNX: my-yolo26m-model.onnx obb_test_jp5 | 2026-05-14 12:51:51,382 - INFO - Running command: /usr/src/tensorrt/bin/trtexec --onnx=/app/models/my-yolo26m-model.onnx --saveEngine=/app/models/my-yolo26m-model.trt.engine --fp16 --memPoolSize=workspace:768 obb_test_jp5 | 2026-05-14 13:21:39,214 - INFO - trtexec successfully saved engine to /app/models/my-yolo26m-model.trt.engine obb_test_jp5 | 2026-05-14 13:21:39,217 - INFO - obb_test_jp5 | Validating inference with engine: /app/models/my-yolo26m-model.trt.engine obb_test_jp5 | Ultralytics 8.4.50 🚀 Python-3.8.10 torch-2.1.0a0+41361538.nv23.06 CUDA:0 (Xavier, 6833MiB) obb_test_jp5 | Loading /app/models/my-yolo26m-model.trt.engine for TensorRT inference... obb_test_jp5 | [05/14/2026-13:21:41] [TRT] [I] Loaded engine size: 43 MiB obb_test_jp5 | [05/14/2026-13:21:45] [TRT] [I] [MemUsageChange] Init cuBLAS/cuBLASLt: CPU +260, GPU +306, now: CPU 648, GPU 5277 (MiB) obb_test_jp5 | [05/14/2026-13:21:46] [TRT] [I] [MemUsageChange] Init cuDNN: CPU +82, GPU +156, now: CPU 730, GPU 5433 (MiB) obb_test_jp5 | [05/14/2026-13:21:46] [TRT] [I] [MemUsageChange] TensorRT-managed allocation in engine deserialization: CPU +0, GPU +41, now: CPU 0, GPU 41 (MiB) obb_test_jp5 | [05/14/2026-13:21:46] [TRT] [I] [MemUsageChange] Init cuBLAS/cuBLASLt: CPU +0, GPU +28, now: CPU 687, GPU 5422 (MiB) obb_test_jp5 | [05/14/2026-13:21:46] [TRT] [I] [MemUsageChange] Init cuDNN: CPU +0, GPU +32, now: CPU 687, GPU 5454 (MiB) obb_test_jp5 | [05/14/2026-13:21:46] [TRT] [I] [MemUsageChange] TensorRT-managed allocation in IExecutionContext creation: CPU +0, GPU +92, now: CPU 0, GPU 133 (MiB) obb_test_jp5 | Setting batch=1 input of shape (1, 3, 1024, 1024) obb_test_jp5 | 2026-05-14 13:21:54,562 - INFO - generated new fontManager obb_test_jp5 | val: Fast image access ✅ (ping: 1.1±0.9 ms, read: 479.2±146.1 MB/s, size: 2563.4 KB) val: Scanning /app/data/labels/rec26.cache... 2940 images, 26 backgrounds, 0 corrupt: 100% ━━━━━━━━━━━━ 2940/2940 14.4Mit/s 0.0s obb_test_jp5 | 2026-05-14 13:22:01,033 - ERROR - Validation failed on /app/models/my-yolo26m-model.trt.engine: CUDA error: no kernel image is available for execution on the device obb_test_jp5 | CUDA kernel errors might be asynchronously reported at some other API call, so the stacktrace below might be incorrect. obb_test_jp5 | For debugging consider passing CUDA_LAUNCH_BLOCKING=1. obb_test_jp5 | Compile with `TORCH_USE_CUDA_DSA` to enable device-side assertions. obb_test_jp5 | Traceback (most recent call last): obb_test_jp5 | File "src/minimal.py", line 114, in test_export_to_engine obb_test_jp5 | metrics = model.val(data=dataset_yaml, imgsz=1024, batch=1, verbose=False) obb_test_jp5 | File "/ultralytics/ultralytics/engine/model.py", line 615, in val obb_test_jp5 | validator(model=self.model) obb_test_jp5 | File "/usr/local/lib/python3.8/dist-packages/torch/utils/_contextlib.py", line 115, in decorate_context obb_test_jp5 | return func(*args, **kwargs) obb_test_jp5 | File "/ultralytics/ultralytics/engine/validator.py", line 210, in __call__ obb_test_jp5 | model.warmup(imgsz=(1 if pt else self.args.batch, self.data["channels"], imgsz, imgsz)) # warmup obb_test_jp5 | File "/ultralytics/ultralytics/nn/autobackend.py", line 313, in warmup obb_test_jp5 | non_max_suppression(warmup_boxes) # warmup NMS obb_test_jp5 | File "/ultralytics/ultralytics/utils/nms.py", line 154, in non_max_suppression obb_test_jp5 | i = torchvision.ops.nms(boxes, scores, iou_thres) obb_test_jp5 | File "/usr/local/lib/python3.8/dist-packages/torchvision/ops/boxes.py", line 41, in nms obb_test_jp5 | return torch.ops.torchvision.nms(boxes, scores, iou_threshold) obb_test_jp5 | File "/usr/local/lib/python3.8/dist-packages/torch/_ops.py", line 646, in __call__ obb_test_jp5 | return self._op(*args, **kwargs or {}) obb_test_jp5 | RuntimeError: CUDA error: no kernel image is available for execution on the device obb_test_jp5 | CUDA kernel errors might be asynchronously reported at some other API call, so the stacktrace below might be incorrect. obb_test_jp5 | For debugging consider passing CUDA_LAUNCH_BLOCKING=1. obb_test_jp5 | Compile with `TORCH_USE_CUDA_DSA` to enable device-side assertions. obb_test_jp5 | obb_test_jp5 | 2026-05-14 13:22:01,521 - INFO - obb_test_jp5 | Execution complete. obb_test_jp5 | 2026-05-14 13:22:01,524 - INFO - obb_test_jp5 | ============================================================ obb_test_jp5 | 2026-05-14 13:22:01,526 - INFO - ✗ Test failed obb_test_jp5 | 2026-05-14 13:22:01,529 - INFO - ============================================================ obb_test_jp5 exited with code 1Export Device
This is a bit of info on where my ONNX files come from and what my PC environment looks like where I compiled them.
Yolo Checks on the ONNX Export Device
Ultralytics 8.4.48 🚀 Python-3.13.9 torch-2.11.0+cu130 CPU (AMD Ryzen 5 5600G with Radeon Graphics) Setup complete ✅ (12 CPUs, 15.0 GB RAM, 744.1/878.1 GB disk) OS Linux-6.17.0-23-generic-x86_64-with-glibc2.39 Environment Linux Python 3.13.9 Install git Path /home/myuser/projects/myproject/.venv/lib/python3.13/site-packages/ultralytics RAM 15.01 GB Disk 744.1/878.1 GB CPU AMD Ryzen 5 5600G with Radeon Graphics CPU count 12 GPU None GPU count None CUDA None numpy ✅ 2.4.4>=1.23.0 matplotlib ✅ 3.10.9>=3.3.0 opencv-python ✅ 4.13.0.92>=4.6.0 pillow ✅ 12.2.0>=7.1.2 pyyaml ✅ 6.0.3>=5.3.1 requests ✅ 2.33.1>=2.23.0 scipy ✅ 1.17.1>=1.4.1 torch ✅ 2.11.0>=1.8.0 torch ✅ 2.11.0!=2.4.0,>=1.8.0; sys_platform == "win32" torchvision ✅ 0.26.0>=0.9.0 psutil ✅ 7.2.2>=5.8.0 polars ✅ 1.40.1>=0.20.0 ultralytics-thop ✅ 2.0.19>=2.0.18Export Code
from ultralytics import YOLO # 1. Load the model weights model_path = "my-yolo26m-model.pt" model = YOLO(model_path) # 2. Export the model # Configured for OBB (Oriented Bounding Boxes) and legacy TensorRT compatibility success = model.export( format="onnx", imgsz=1024, # Target resolution opset=13, # ONNX operator set version, also tried 12 simplify=True, # I hoped this would help task="obb", half=False, # I tried this with True and False end2end=False # For legacy TensorRT support...? ) print(f"Export successful: {success}")YOLO26m-obb summary (fused): 175 layers, 23,443,236 parameters, 0 gradients, 71.5 GFLOPs PyTorch: starting from 'my-yolo26m-model.pt' with input shape (1, 3, 1024, 1024) BCHW and output shape(s) (1, 6, 21504) (90.8 MB) ONNX: starting export with onnx 1.21.0 opset 13... ONNX: slimming with onnxslim 0.1.93... ONNX: export success ✅ 2.5s, saved as 'my-yolo26m-model.onnx' (81.3 MB) Export complete (4.3s)Old Container
Jut in case it is relevant, this is the yolo checks of my self-made container which is based on l4t-ml.
root@xaviernx-desktop:/app# yolo checks WARNING ⚠️ user config directory '/root/.config/Ultralytics' is not writable, using '/tmp/Ultralytics'. Set YOLO_CONFIG_DIR to override. Creating new Ultralytics Settings v0.0.6 file ✅ View Ultralytics Settings with 'yolo settings' or at '/tmp/Ultralytics/settings.json' Update Settings with 'yolo settings key=value', i.e. 'yolo settings runs_dir=path/to/dir'. For help see https://docs.ultralytics.com/quickstart/#ultralytics-settings. Ultralytics 8.4.49 🚀 Python-3.8.10 torch-2.0.0+nv23.05 CUDA:0 (Xavier, 6833MiB) Setup complete ✅ (2 CPUs, 6.7 GB RAM, 84.9/107.6 GB disk) OS Linux-5.10.216-tegra-aarch64-with-glibc2.29 Environment Docker Python 3.8.10 Install pip Path /usr/local/lib/python3.8/dist-packages/ultralytics RAM 6.67 GB Disk 84.9/107.6 GB CPU ARMv8 Processor rev 0 (v8l) CPU count 2 GPU Xavier, 6833MiB GPU count 1 CUDA 11.4 numpy ✅ 1.23.5>=1.23.0 matplotlib ✅ 3.7.5>=3.3.0 opencv-python ❌ (not installed)>=4.6.0 pillow ✅ 10.2.0>=7.1.2 pyyaml ✅ 5.3.1>=5.3.1 requests ✅ 2.32.4>=2.23.0 scipy ✅ 1.10.1>=1.4.1 torch ✅ 2.0.0+nv23.5>=1.8.0 torch ✅ 2.0.0+nv23.5!=2.4.0,>=1.8.0; sys_platform == "win32" torchvision ✅ 0.15.1a0+42759b1>=0.9.0 psutil ✅ 5.9.6>=5.8.0 polars ❌ (not installed)>=0.20.0 ultralytics-thop ❌ (not installed)>=2.0.18
Murat RaimbekovThanks for the detailed MRE. I reproduced the numpy failure end-to-end with
torch.save/torch.loadand have a verified fix. There are two independent issues here.1.
numpy._core/ "requires numpy>=1.26.1" — root cause and fixYour
.ptwas saved on your PC with numpy 2.x / Python 3.13, so the checkpoint pickle embeds the numpy-2numpy._coremodule path. JetPack 5 on Xavier NX runs Python 3.8, whose maximum numpy is 1.24.x, and Xavier cannot move to JetPack 6 (Orin-only). I verified that even numpy 1.26.x does not fully read such a checkpoint, so "upgrade numpy" is not a real option on JP5.The reliable fix is a small compatibility shim that aliases
numpy._coreto the legacynumpy.core, injected before the model is loaded. I confirmed this loads a numpy-2torch.savecheckpoint correctly under numpy 1.23.5 with the model and all fields intact. Put this at the very top of yourmain.py, beforefrom ultralytics import YOLO:import sys, numpy, numpy.core sys.modules["numpy._core"] = numpy.core for _s in ("multiarray", "numeric", "umath", "_multiarray_umath"): try: sys.modules[f"numpy._core.{_s}"] = __import__(f"numpy.core.{_s}", fromlist=[_s]) except Exception: passAlternatively, fix the checkpoint once on the PC (where numpy 2.x can read it) so the device never needs the shim — load it and re-save it after converting the auxiliary numpy fields, then copy the new
.ptto the Jetson.2. Empty boxes /
CUDA error: no kernel image is available for execution on the deviceThese are separate from numpy:
- The
trtexec-built engine produces no detections because a rawtrtexecengine carries none of the Ultralytics export metadata, so the OBB decoding/post-processing is never applied. Build the engine on the Jetson with Ultralytics directly from the.pt(after applying the shim above) so metadata is embedded:YOLO("model.pt").export(format="engine", imgsz=1024, half=True, device=0). no kernel image is availableis raised insidetorchvision.ops.nmson the GPU: the PyTorch/torchvision inultralytics/ultralytics:latest-jetson-jetpack5is built for Orin (SM 8.7), while Xavier NX is SM 7.2. That is exactly why YOLO11 OBB works in your older l4t-ml-based container (torch 2.0.0+nv23.5) but the official image fails. Recommended path: stay on the container that already works on your Xavier,pip install ultralytics opencv-python-headlessthere, and run the Ultralyticsexport(format="engine")+val()entirely on-device.
TL;DR: the numpy error is a pickle module-path mismatch from the numpy-2 export PC (fix with the shim above — verified), and the empty/CUDA errors are a raw-
trtexecmetadata loss plus a torch/torchvision build that doesn't target Xavier's SM 7.2.1- The
RotatingGiraffe
Hi there, thank you for the help! I just recently got around to trying out the shim and now everything works just fine, thank you for your help!
yashpatel2010
How to run deepstream for YOLO26 models in my jetson orin nano developer kit?
Is there any documentation for deepstream on jetson? I don't want any installation errors of version missmatch.
So give me any perfect guide link so that I will not miss anything while installation and run inference on live RTSP streams
githubwalt(изменено)
Here you go: https://docs.ultralytics.com/guides/deepstream-nvidia-jetson/
Have a look in jtop (info) for your board compute capability (CUDA Arch BIN). If it's also 8.7, then see my posts here above to avoid problems with torch.
Glenn JocherUltralyticsAdding one detail for
Jetson Orin Nano: keep the versions paired asJetPack 6.1+DeepStream 7.1from the Jetson quick-start and NVIDIA DeepStream getting started; for live RTSP, set theuriindeepstream_app_config.txtto your stream, and if you hit any mismatch please post the full text traceback plusyolo checksoutput here so the team can help.yashpatel2010
Thanks for your reply. Just onemore doubt to clear. docker pull nvcr.io/nvidia/deepstream:7.1-triton-multiarch
if I use above docker container for my jetpack6.1 so it there is no issue of version missmatch of deepstream right?
is it works very well with Yolo26 deepstream settings which is showing in this doc? https://docs.ultralytics.com/guides/deepstream-nvidia-jetson/
what is your recommendation to run Multiple RTSP streams with deepstream with docker containers or without docker containers manual installation?
Glenn JocherUltralyticsYes,
nvcr.io/nvidia/deepstream:7.1-triton-multiarchis the correct DeepStream 7.1 Jetson container forJetPack 6.1, but it still depends on the host having the JetPack BSP and NVIDIA container runtime installed, so it lowers mismatch risk rather than removing it completely; for YOLO26 + RTSP, the DeepStream multi-stream section is the right reference, and I’d suggest native setup first since that’s the install path used in the guide, then move to Docker once your pipeline is stable. (docs.ultralytics.com)yashpatel2010(изменено)
Thanks. For native setup Is it good to install deepstream 7.1 while installing jetpack6.1 only?
Glenn JocherUltralyticsYes—on
Jetson Orin Nanonative setup,JetPack 6.1+DeepStream 7.1is the correct pairing; installJetPack 6.1first, boot and verify the system, then installDeepStream 7.1separately using the versions listed in the Jetson + YOLO26 guide and the DeepStream on Jetson guide to avoid mismatches.
githubwalt
Installing torch 2.11.0 from the official website pytorch.org on an AGX Orin 64Gb (dev kit) with JP6.2.2 or installing torch 2.10.0 and torchvision 0.25.0 following this page, give complaints about not being compatible with the Compute Capability (CC) of my machine which has 8.7, whatever that means. Only installing the previous versions torch 2.8.0 and torchvision 0.23.0 do work.
I understand that torch needs to be tailored specifically for the Jetson family and that is what this page is all about, so why do I have this issue if I follow the instructions given here? Is it because I am on Jetpack 6.2.2 and here it's 6.1?
githubwalt
I forgot the warning and error output when running a python test script:
UserWarning: Found GPU0 Orin which is of compute capability (CC) 8.7.The following list shows the CCs this version of PyTorch was built for and the hardware CCs it supports:- 8.0 which supports hardware CC >=8.0,<9.0 except {8.7}- 9.0 which supports hardware CC >=9.0,<10.0
torch.AcceleratorError CUDA error: no kernel image is available for execution on the device
Glenn JocherUltralyticsThanks, that traceback helps —
CC 8.7is the AGX Orin GPU architecture, andno kernel image is availablemeans the installed PyTorch wheel was built withoutsm_87support. So yes, this is most likely a JetPack/PyTorch wheel mismatch: the native steps in the JetPack 6.1 section don’t necessarily map cleanly toJP6.2.2, even though the page includesJP6.2benchmark coverage. For now I’d stick with the workingtorch 2.8.0+torchvision 0.23.0pair or use the JetPack 6 Docker setup; if you want us to check your exact environment, please postyolo checksand the full text traceback here in the discussion.githubwalt
Thanks, will stick to 2.8 🙂 👍 (I also posted on the guide page https://docs.ultralytics.com/guides/nvidia-jetson/#what-are-the-best-practices-for-maximizing-performance-on-nvidia-jetson-when-using-yolo26 , so you could ignore that if you like, can't delete my post there 😏 )
Glenn JocherUltralyticsNo worries — the duplicate is fine, and if you later confirm a stable
JP6.2.2+ PyTorch pairing on AGX Orin, please add it here so we can reflect it in the Jetson guide.githubwalt
Will do. Now trying to get the most out of the AGX. Experimenting with number of workers on a batch size of 16. So far 12 workers gave memory issues ... I chose 12 because of 12 cores, but that was a little too much. Now running with 8 workers ... so far so good. To be continued 🙂
githubwalt
Hi Glenn, I can confirm a stable JP6.2.2 + Pytorch (torch 2.8.0 and torchvision 0.23.0) on the AGX Orin.