快速入门指南：NVIDIA Jetson 与Ultralytics YOLOv8

本综合指南提供了在NVIDIA Jetson 设备上部署 Ultralytics YOLOv8 的详细步骤。此外，它还展示了性能基准，以证明YOLOv8 在这些小巧而强大的设备上的功能。

观看： 如何用NVIDIA Jetson 设置Ultralytics YOLOv8

NVIDIA Jetson 是什么？

NVIDIA Jetson 是一系列嵌入式计算板，旨在为边缘设备带来加速 AI（人工智能）计算。这些小巧且功能强大的设备围绕NVIDIA 的GPU 架构构建，能够直接在设备上运行复杂的人工智能算法和深度学习模型，而无需依赖云计算资源。Jetson 板通常用于机器人、自动驾驶汽车、工业自动化和其他需要在本地以低延迟和高效率执行人工智能推理的应用。此外，这些板卡基于 ARM64 架构，与传统的GPU 计算设备相比，运行功耗更低。

NVIDIA Jetson 系列比较

Jetson Orin是NVIDIA Jetson 系列的最新迭代产品，基于NVIDIA Ampere 架构，与前几代产品相比，人工智能性能大幅提升。下表比较了生态系统中的几款 Jetson 设备。

如需更详细的比较表，请访问 NVIDIA Jetson 官方网页的技术规格部分。

NVIDIA JetPack 是什么？

NVIDIA 支持 Jetson 模块的 JetPack SDK是最全面的解决方案，为构建端到端加速人工智能应用提供了完整的开发环境，缩短了产品上市时间。JetPack 包括带有引导加载器的 Jetson Linux、Linux 内核、Ubuntu 桌面环境以及一整套用于加速GPU 计算、多媒体、图形和计算机视觉的库。它还包括用于主机和开发人员工具包的示例、文档和开发人员工具，并支持更高级别的 SDK，如用于流媒体视频分析的 DeepStream、用于机器人技术的 Isaac 和用于对话式人工智能的 Riva。

Flash JetPack 至NVIDIA Jetson

拿到NVIDIA Jetson 设备后，第一步是将NVIDIA JetPack 闪存到设备上。闪存NVIDIA Jetson 设备有几种不同的方法。

1. 如果您拥有NVIDIA 官方开发套件（如 Jetson Orin Nano Developer Kit），您可以下载镜像，并用 JetPack 准备 SD 卡以启动设备。
2. 如果您拥有其他NVIDIA 开发套件，可以使用 SDK 管理器将 JetPack 闪存到设备上。
3. 如果您拥有 Seeed Studio reComputer J4012 设备，您可以将 JetPack 闪存到随附的 SSD ，如果您拥有 Seeed Studio reComputer J1020 v2 设备，则可以将 JetPack 闪存到 eMMC/SSD。
4. 如果您拥有由NVIDIA Jetson 模块驱动的任何其他第三方设备，建议使用命令行闪存。

在 JetPack 5.x 上运行

如果您拥有支持 JetPack 5.x 的 Jetson Xavier NX、AGX Xavier、AGX Orin、Orin Nano 或 Orin NX，您可以继续遵循本指南。但是，如果您有 Jetson Nano 等旧设备，请跳到 在 JetPack 4.x 上运行。

设置Ultralytics

在NVIDIA Jetson 上设置Ultralytics 软件包以构建下一个计算机视觉项目有两种方法。您可以任选其一。

• 从 Docker 开始
• 不使用 Docker 启动

从 Docker 开始

要在NVIDIA Jetson 上开始使用Ultralytics YOLOv8 ，最快的方法是使用为 Jetson 预制的 docker 镜像。

执行下面的命令调出 Docker 容器并在 Jetson 上运行。这是基于l4t-pytorch的 docker 映像，其中包含 Python3 环境中的PyTorch 和 Torchvision。

t=ultralytics/ultralytics:latest-jetson-jetpack5 && sudo docker pull $t && sudo docker run -it --ipc=host --runtime=nvidia $t

完成此操作后，跳至 NVIDIA Jetson 上的使用TensorRT 部分。

不使用 Docker 启动

安装Ultralytics 软件包

在此，我们将在 Jetson 上安装Ultralytics 软件包和可选依赖项，以便将PyTorch 模型导出为其他不同格式。我们将主要关注NVIDIA TensorRT 导出，因为TensorRT 将确保我们能最大限度地发挥 Jetson 设备的性能。

1. 更新软件包列表，安装 pip 并升级到最新版本

   sudo apt update
   sudo apt install python3-pip -y
   pip install -U pip
   

2. 安装 ultralytics pip 软件包与可选依赖项

   pip install ultralytics[export]
   

3. 重启设备

   sudo reboot
   

安装PyTorch 和 Torchvision

上述ultralytics 安装程序将安装Torch 和 Torchvision。但是，通过 pip 安装的这两个软件包无法在基于 ARM64 架构的 Jetson 平台上兼容运行。因此，我们需要手动安装预编译的PyTorch pip wheel，并从源代码编译/安装 Torchvision。

1. 卸载当前安装的PyTorch 和 Torchvision

   pip uninstall torch torchvision
   

2. 根据 JP5.1.3 安装PyTorch 2.1.0

   sudo apt-get install -y libopenblas-base libopenmpi-dev
   wget https://developer.download.nvidia.com/compute/redist/jp/v512/pytorch/torch-2.1.0a0+41361538.nv23.06-cp38-cp38-linux_aarch64.whl -O torch-2.1.0a0+41361538.nv23.06-cp38-cp38-linux_aarch64.whl
   pip install torch-2.1.0a0+41361538.nv23.06-cp38-cp38-linux_aarch64.whl
   

3. 根据PyTorch v2.1.0 安装 Torchvision v0.16.2

   sudo apt install -y libjpeg-dev zlib1g-dev
   git clone https://github.com/pytorch/vision torchvision
   cd torchvision
   git checkout v0.16.2
   python3 setup.py install --user
   

请访问PyTorch for Jetson 页面，访问针对不同 JetPack 版本的所有不同版本的PyTorch 。有关PyTorch和 Torchvision 兼容性的更详细列表，请访问PyTorch 和 Torchvision 兼容性页面。

安装 onnxruntime-gpu

"(《世界人权宣言》) onnxruntime-gpu 在 PyPI 中托管的软件包没有 aarch64 二进制文件。因此，我们需要手动安装这个软件包。某些输出需要这个软件包。

所有不同 onnxruntime-gpu 对应于不同 JetPack 和 Python 版本已列出 这里.不过，在这里我们将下载并安装 onnxruntime-gpu 1.17.0 与 Python3.8 支持我们在本指南中使用的 JetPack。

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.whl

在 JetPack 4.x 上运行

这里我们支持运行 Ultralytics 在 Jetson Nano 等传统硬件上。目前，我们使用 Docker 来实现这一点。

执行以下命令调出 Docker 容器并在 Jetson 上运行。这是基于l4t-cudadocker 镜像，其中包含 L4T 环境中的CUDA 。

t=ultralytics/ultralytics:latest-jetson-jetpack4 && sudo docker pull $t && sudo docker run -it --ipc=host --runtime=nvidia $t

在NVIDIA Jetson 上使用TensorRT

在Ultralytics 支持的所有模型导出格式中，TensorRT 在使用NVIDIA Jetson 设备时推理性能最佳，我们建议在使用 Jetson 时使用TensorRT 。我们还在此处提供了有关TensorRT 的详细文档。

将模型转换为TensorRT 并运行推理

PyTorch 格式的YOLOv8n 模型转换为TensorRT 格式，以便使用导出的模型进行推理。

from ultralytics import YOLO

# Load a YOLOv8n PyTorch model
model = YOLO("yolov8n.pt")

# Export the model
model.export(format="engine")  # creates 'yolov8n.engine'

# Load the exported TensorRT model
trt_model = YOLO("yolov8n.engine")

# Run inference
results = trt_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLOv8n PyTorch model to TensorRT format
yolo export model=yolov8n.pt format=engine  # creates 'yolov8n.engine'

# Run inference with the exported model
yolo predict model=yolov8n.engine source='https://ultralytics.com/images/bus.jpg'

NVIDIA Jetson OrinYOLOv8 基准测试

YOLOv8 基准测试由 Ultralytics 团队研究了 10 种不同的模型格式来测量速度和精度： PyTorch, TorchScript, ONNX, OpenVINO, TensorRT, TF SavedModel, TF GraphDef, TF 建兴 PaddlePaddle, NCNN.基准测试在 Seeed Studio reComputer J4012 上运行，该计算机由 Jetson Orin NX 16GB 设备提供支持，精度为 FP32，默认输入图像大小为 640。

对比图表

尽管所有导出模型都使用NVIDIA Jetson，但我们只将PyTorch, TorchScript, TensorRT 列入下面的比较图表中，因为它们使用了 Jetson 上的 GPU ，并保证产生最佳效果。其他所有导出都只使用CPU ，性能不如上述三个。你可以在本图表后的部分找到所有输出的基准。

详细对照表

下表显示了五种不同模型的基准测试结果（YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, YOLOv8x） 跨越十种不同的格式 （PyTorch, TorchScript, ONNX, OpenVINO, TensorRT, TF SavedModel, TF GraphDef, TF 建兴 PaddlePaddle, NCNN），为我们提供了每个组合的状态、大小、mAP50-95（B） 指标和推理时间。

探索 Seeed Studio在不同版本的NVIDIA Jetson 硬件上运行的更多基准测试工作。

复制我们的结果

要在所有导出格式上重现上述Ultralytics 基准，请运行此代码：

from ultralytics import YOLO

# Load a YOLOv8n PyTorch model
model = YOLO("yolov8n.pt")

# Benchmark YOLOv8n speed and accuracy on the COCO8 dataset for all all export formats
results = model.benchmarks(data="coco8.yaml", imgsz=640)

# Benchmark YOLOv8n speed and accuracy on the COCO8 dataset for all all export formats
yolo benchmark model=yolov8n.pt data=coco8.yaml imgsz=640

使用NVIDIA Jetson 时的最佳做法

在使用NVIDIA Jetson 时，有几个最佳实践需要遵循，以便在运行YOLOv8 的NVIDIA Jetson 上实现最高性能。

1. 启用 MAX 功率模式

   在 Jetson 上启用 MAX Power Mode（最大功率模式）将确保打开所有CPU 、GPU 内核。

   sudo nvpmodel -m 0
   

2. 启用 Jetson 时钟

   启用 Jetson Clocks 将确保所有CPU,GPU 内核都以最大频率运行。

   sudo jetson_clocks
   

3. 安装 Jetson Stats 应用程序

   我们可以使用 jetson stats 应用程序监控系统组件的温度，并检查其他系统细节，如查看CPU,GPU, 内存利用率、更改电源模式、设置为最大时钟、检查 JetPack 信息等。

   sudo apt update
   sudo pip install jetson-stats
   sudo reboot
   jtop
   

下一步工作

恭喜您在NVIDIA Jetson 上成功设置YOLOv8 ！如需进一步学习和支持，请访问Ultralytics YOLOv8 Docs 获取更多指南！

常见问题

如何在NVIDIA Jetson 设备上部署Ultralytics YOLOv8 ？

在NVIDIA Jetson 设备上部署Ultralytics YOLOv8 的过程非常简单。首先，使用NVIDIA JetPack SDK 闪存 Jetson 设备。然后，使用预置的 Docker 镜像进行快速设置，或者手动安装所需的软件包。每种方法的详细步骤可参见 "使用 Docker启动 "和"不使用 Docker 启动"部分。

YOLOv8 型号在NVIDIA Jetson 设备上的性能基准是什么？

YOLOv8 模型在各种NVIDIA Jetson 设备上进行了基准测试，显示性能有了显著提高。例如，TensorRT 格式的推理性能最佳。详细对比表部分的表格全面展示了不同模型格式的 mAP50-95 和推理时间等性能指标。

为什么要使用TensorRT 在NVIDIA Jetson 上部署YOLOv8 ？

TensorRT 由于其最佳性能，强烈推荐在NVIDIA Jetson 上部署YOLOv8 模型。它利用 Jetson 的GPU 功能加速推理，确保最高效率和速度。有关如何转换为TensorRT 并在 NVIDIA Jetson 上使用TensorRT 部分运行推理的更多信息，请参阅。

如何在NVIDIA Jetson 上安装PyTorch 和 Torchvision？

要在NVIDIA Jetson 上安装PyTorch 和 Torchvision，首先要卸载可能已通过 pip 安装的任何现有版本。然后，针对 Jetson 的 ARM64 架构手动安装兼容的PyTorch 和 Torchvision 版本。安装PyTorch 和 Torchvision部分提供了此过程的详细说明。

在NVIDIA Jetson 上使用YOLOv8 时，最大限度提高性能的最佳做法是什么？

要在NVIDIA Jetson 上最大限度地提高性能，YOLOv8 ，请遵循以下最佳实践：

1. 启用 MAX Power 模式，以利用所有CPU 和GPU 内核。
2. 启用 Jetson Clocks，以最大频率运行所有内核。
3. 安装用于监控系统指标的 Jetson Stats 应用程序。

有关命令和其他详细信息，请参阅使用NVIDIA Jetson时的最佳实践部分。

评论