1、Jetson平台概览：从硬件选型到环境初始化
做嵌入式AI开发这些年，我接触过不少硬件平台。但说实话，Jetson系列是我用得最顺手的。为什么？因为它把桌面级的GPU能力塞进了一个巴掌大的板子里。今天这一章，咱们就从头捋一遍Jetson的家族成员、生态场景，以及怎么把开发环境搭起来。
1.1 Jetson系列硬件对比：Nano / Orin / AGX
先看一张表，把几个主流型号的参数摆出来。我个人习惯是，选型前先看这张表，心里就有数了。
| 型号 | AI算力 | GPU架构 | 内存 | 功耗 | 典型场景 |
|---|---|---|---|---|---|
| Jetson Nano | 472 GFLOPS | Maxwell 128核 | 4GB LPDDR4 | 5W / 10W | 入门学习、轻量推理 |
| Jetson Orin NX | 70 TOPS | Ampere 1024核 | 8GB / 16GB LPDDR5 | 10W ~ 25W | 边缘计算、机器人 |
| Jetson AGX Orin | 275 TOPS | Ampere 2048核 | 32GB / 64GB LPDDR5 | 15W ~ 60W | 自动驾驶、高端AI |
你可能会问，TOPS和GFLOPS有什么区别？说白了，TOPS是整数运算的指标，GFLOPS是浮点运算的。做深度学习推理时，TOPS更实用。我在项目中遇到过用Nano跑YOLOv5的情况，帧率大概在15fps左右。换成Orin NX后，直接飙到60fps。嗯，差距就是这么明显。
选型建议：
- 如果你刚入门，预算有限，Nano完全够用。我最早就是从Nano开始的。
- 如果要做实时视频分析或机器人控制，Orin NX是性价比之选。
- 如果项目要求高精度、高帧率，比如自动驾驶，直接上AGX Orin。
1.2 Jetson生态与AI应用场景
Jetson的生态，说白了就是NVIDIA给你搭好的一套工具链。你想想看，从刷机到部署，几乎每一步都有官方支持。我个人最常用的几个组件：
- JetPack SDK：包含L4T内核、CUDA、cuDNN、TensorRT。刷机时选这个就行。
- DeepStream：做视频流分析的神器。我做过一个智慧安防项目，用DeepStream接8路摄像头，CPU占用不到30%。
- Isaac SDK：机器人开发套件。如果你做SLAM或路径规划，这个很香。
应用场景方面，我总结了三类：
- 边缘AI推理：比如在工厂里做缺陷检测。模型训练在PC上，推理放在Jetson上。
- 机器人控制：Jetson作为主控，接传感器和执行器。我记得有个项目用Orin NX做四足机器人，实时性很好。
- 智能视频分析：安防、零售、交通。DeepStream + TensorRT，一套组合拳。
小技巧： 做边缘部署时，建议先用NVIDIA的tao工具链训练模型，然后导出为TensorRT引擎。这样推理速度能提升2-3倍。我试过，效果立竿见影。
1.3 Jetson开发环境初始化
环境初始化，说白了就是刷机。嗯，这一步很多人觉得麻烦，但其实流程很固定。我按步骤来：
1.3.1 准备工作
- 一台Jetson开发板（以Orin NX为例）
- 一台Ubuntu主机（18.04或20.04）
- Micro-USB线（用于Recovery模式）
- 电源适配器（注意功率，Nano用5V/4A，Orin用19V/6.74A）
警告： 我曾经因为用了不匹配的电源，导致Jetson频繁重启。后来才发现是电流不够。所以电源一定要按官方规格来，别省这个钱。
1.3.2 刷机步骤
刷机用的是NVIDIA SDK Manager。流程如下：
- 在主机上安装SDK Manager（官网下载deb包）。
- 将Jetson进入Recovery模式：按住Recovery键，再按Reset键，保持2秒后松开。
- 用Micro-USB线连接Jetson和主机。
- 打开SDK Manager，选择目标硬件和JetPack版本。
- 点击安装，等待约30分钟。
这里有个坑：SDK Manager默认会下载全部组件，大概10GB。如果你网络不好，可以只选必要的。我个人习惯只选L4T、CUDA、cuDNN和TensorRT。其他的后面再装。
1.3.3 验证环境
刷机完成后，用SSH连上Jetson。跑几个命令确认一下：
# 查看系统信息
uname -a
# 检查CUDA版本
nvcc --version
# 检查TensorRT版本
dpkg -l | grep tensorrt
# 跑一个简单的GPU测试
python3 -c "import torch; print(torch.cuda.is_available())"如果输出都是正常的，恭喜你，环境搭好了。我一般还会跑一个简单的推理测试，确保TensorRT能正常工作。比如用官方提供的sample：
cd /usr/src/tensorrt/samples/sampleMNIST
make
./sample_mnist看到输出结果，心里就踏实了。
避坑指南： 我曾经在刷机时遇到一个问题——SDK Manager提示“No Jetson device found”。折腾了半天，发现是Micro-USB线的问题。有些线只能充电，不能传数据。换一根数据线就好了。所以，刷机前先确认线缆是数据线。
小结
这一章咱们聊了Jetson的硬件选型、生态场景和环境初始化。说白了，选对硬件是第一步，搭好环境是第二步。后面几章，我会带你深入SSH远程开发和调试技巧。你想想看，当你能在电脑前远程操控Jetson，实时调试代码，那种感觉还是很爽的。
下一章，咱们聊聊SSH连接与密钥配置。到时候见。