4、NVIDIA Jetson平台详解：Jetson Nano/Orin/TX2的硬件规格、JetPack SDK安装、CUDA环境配置
做边缘端模型部署，绕不开NVIDIA Jetson系列。说实话，这几年我经手的项目里，Jetson占了六成以上。从早期的TX2，到后来性价比极高的Nano，再到现在的Orin，每一代都有它的脾气。
今天咱们就把这三款主流型号掰开揉碎聊一聊。硬件规格、SDK安装、CUDA环境配置，一条龙讲清楚。
4.1 三款主流Jetson硬件规格对比
先看一张表，心里有个底。
| 参数 | Jetson Nano (4GB) | Jetson TX2 | Jetson Orin NX (16GB) |
|---|---|---|---|
| GPU | 128核 Maxwell | 256核 Pascal | 1024核 Ampere |
| CPU | 4核 Cortex-A57 | 4核 A57 + 2核 Denver2 | 8核 Cortex-A78AE |
| 内存 | 4GB LPDDR4 | 8GB LPDDR4 | 16GB LPDDR5 |
| AI算力 | 0.5 TOPS (FP16) | 1.3 TOPS (FP16) | 70 TOPS (INT8) |
| 功耗 | 5W / 10W | 7.5W / 15W | 10W ~ 25W |
| 存储 | MicroSD / 16GB eMMC | 32GB eMMC | 64GB eMMC |
| 视频编码 | 4K30 H.264/H.265 | 4K60 H.264/H.265 | 8K30 H.264/H.265 |
这张表我建议你收藏。选型的时候，直接对着看就行。
Jetson Nano：入门级首选。我最早用它跑过MobileNetV3，帧率能到30fps以上。缺点也很明显——内存只有4GB，稍微大点的模型就爆显存。适合做原型验证，或者对成本敏感的场景。
Jetson TX2：老将了。我2019年做巡检机器人项目用的就是它。双CPU架构有点意思，Denver2核心在特定场景下能提性能。但说实话，现在看算力有点跟不上，跑YOLOv5s都费劲。
Jetson Orin NX：这才是现在的王牌。70 TOPS的INT8算力，什么概念？跑YOLOv8x都能实时。我去年做智慧零售项目，直接用它做多路视频分析，稳得很。
选型建议：
- 预算有限、做轻量模型 → Nano
- 需要稳定、有存量项目 → TX2
- 追求性能、做复杂模型 → Orin NX
4.2 JetPack SDK安装——别踩这些坑
JetPack是NVIDIA为Jetson定制的SDK。里面包含了Linux系统、CUDA、cuDNN、TensorRT、OpenCV等全套工具链。
安装方式有两种：SDK Manager图形化安装，或者命令行刷机。我个人习惯用SDK Manager，省心。
4.2.1 准备工作
- 一台Ubuntu主机（18.04或20.04，我推荐20.04）
- Jetson开发板 + 原装电源
- MicroSD卡（至少64GB，Class 10以上）
- USB数据线（用于连接主机和Jetson）
注意：我曾经因为用了劣质USB线，刷机时反复断连，折腾了一下午。后来换了根带屏蔽的线，一次成功。别省这根线的钱。
4.2.2 安装步骤
- 从NVIDIA官网下载SDK Manager（需要注册账号）
- 将Jetson板子进入恢复模式：
- 按住RECOVERY键不松
- 按一下RESET键
- 保持2秒后松开RECOVERY键
- 用USB线连接Jetson和主机
- 打开SDK Manager，选择对应的Jetson型号和JetPack版本
- 勾选需要安装的组件（建议全选）
- 点击安装，等30分钟到1小时
嗯，这里要注意：安装过程中会提示你设置Jetson的用户名和密码。默认是nvidia/nvidia，我建议改成自己的，安全一些。
4.2.3 验证安装
刷完机后，连上Jetson的显示器，或者通过SSH登录。跑几个命令确认一下：
# 查看系统版本
cat /etc/nv_tegra_release
# 查看JetPack版本
apt list --installed | grep nvidia-jetpack
# 查看CUDA版本
nvcc --version
# 查看GPU信息
tegrastats如果能看到CUDA版本号，说明安装成功了。我习惯先跑一个tegrastats，看看GPU温度和频率，心里有个底。
4.3 CUDA环境配置——让GPU跑起来
JetPack安装时已经自带了CUDA，但环境变量需要手动配一下。不然你编译程序时，系统找不到nvcc编译器。
4.3.1 配置环境变量
编辑~/.bashrc文件：
sudo nano ~/.bashrc在文件末尾添加：
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
export CUDA_HOME=/usr/local/cuda保存后执行：
source ~/.bashrc然后验证：
nvcc -V如果显示CUDA版本号，比如Cuda compilation tools, release 10.2, V10.2.89，那就对了。
小技巧：我习惯把这三行环境变量也加到/etc/profile里，这样所有用户都能用。特别是团队协作的项目，省得每个人都要配一遍。
4.3.2 编译一个CUDA示例
JetPack自带了CUDA示例代码，在/usr/local/cuda/samples目录下。咱们编译一个最简单的deviceQuery试试：
cd /usr/local/cuda/samples/1_Utilities/deviceQuery
sudo make
./deviceQuery如果输出类似下面这样，说明CUDA环境完全OK：
Detected 1 CUDA Capable device(s)
Device 0: "NVIDIA Tegra X2"
CUDA Capability Major/Minor version number: 6.2
Total amount of global memory: 7852 MBytes
(2) Multiprocessors, (128) CUDA Cores/MP: 256 CUDA Cores我第一次在TX2上跑这个命令时，看到256个CUDA核心，心里还挺激动。虽然现在看不算多，但当时觉得「终于能在嵌入式上玩CUDA了」。
4.3.3 常见问题排查
- nvcc找不到：检查环境变量是否配置正确，或者CUDA是否真的安装了
- 编译报错：多半是权限问题，用
sudo make试试 - 运行时报错：检查GPU驱动是否加载，用
lsmod | grep nvidia查看
避坑指南：我曾经在Orin上遇到一个怪问题——CUDA程序编译通过，但运行时提示「CUDA driver version is insufficient」。折腾了半天，发现是JetPack版本和CUDA版本不匹配。后来重新刷了对应版本的JetPack才解决。所以，刷机时一定要选对版本号。
4.4 小结
这一章咱们把Jetson三款主流型号的硬件规格捋了一遍，也走通了JetPack安装和CUDA配置的全流程。说白了，Jetson平台的核心优势就是「嵌入式设备 + 完整CUDA生态」。你想想看，能在巴掌大的板子上跑GPU加速的深度学习模型，这在几年前是不敢想的。
下一章，咱们会深入TensorRT的安装和模型优化。到时候我会分享一些实际项目中的调优经验，比如怎么把模型从FP32压缩到INT8，精度损失控制在1%以内。嗯，那才是真正有意思的部分。