当前位置：首页 > article >正文

Jetson AGX Xavier开发套件使用方法

article 2026/1/28 11:35:25

Jetson AGX Xavier是一款由NVIDIA推出的一款强大的嵌入式AI开发平台，适合边缘计算和目标检测任务。如果你手上有一台 Jetson AGX Xavier Developer Kit，就可以使用它进行明火烟雾目标检测实验。以此为例，为了使你能够从零开始设置设备并完成实验，下面是具体的操作步骤：

第1步：熟悉 Jetson AGX Xavier Developer Kit

Jetson AGX Xavier是一款嵌入式系统模块（System-on-Module, SoM），专为自主机器和边缘AI应用设计。它是NVIDIA Jetson TX2的升级版，性能比TX2高出20倍，而能源效率则高出10倍。它支持NVIDIA JetPack和DeepStream SDK以及CUDA®，cuDNN和TensorRT软件库，并提供一系列可立即上手的工具。使用Jetson AGX Xavier可以打造出 AI 助力的自主机器，其运行功率低至 10W，却能实现高达32 TOPS的峰值计算能力和 750 Gbps 的高速 I/O 性能。作为行业领先AI计算平台的一部分，Jetson AGX Xavier得益于NVIDIA整套丰富的 AI工具和工作流程，可帮助开发者快速训练和部署神经网络。
在这里插入图片描述

配备硬件：

GPU：512核Volta GPU，支持Tensor Cores，提供高达32 TOPS（万亿次运算/秒）的AI性能。
CPU：8核64位ARMv8.2处理器，8MB L2+4MB L3 Cache。
内存：32GB 256-bit LPDDR4x (eMMC5.1)，带宽137 GB/s。
功耗：可配置为10W、15W或30W。
应用场景：适合机器人、智能城市、工业检测等任务。
其它参见：https://ask.qcloudimg.com/http-save/yehe-1539448/8jt3lqtm5j.jpeg

第2步：开发前准备工作

使用这款设备前需要先完成硬件和软件的初始化配置。

硬件准备

硬件和配件需求：

Jetson AGX Xavier Developer Kit（包含充电器，原装type-c转usb数据线）。
microSD卡（建议32GB或更大容量，用于存储系统镜像）。
电源适配器（Jetson AGX Xavier附带的电源，通常为19V 4.74A）。
显示器（支持HDMI接口，用于初次设置）。
USB键盘和鼠标（用于交互）。
HDMI线（连接显示器）。
USB-C转USB-A线（用于连接主机和Jetson进行系统烧录）。
一台主机电脑（运行Ubuntu或Windows，用于烧录系统镜像）。
网络连接（以太网线或Wi-Fi，用于下载软件和数据集）。

连接外设：
- 将 Jetson AGX Xavier 连接到显示器（通过HDMI）、键盘、鼠标和电源适配器。
- 确保电源适配器是开发套件提供的，因为设备在高负载下功耗较大。
- 另外还需要一台运行Ubuntu的主机（比如您的笔记本电脑）来协助安装软件。

软件安装

软件需求：

NVIDIA SDK Manager：用于烧录Jetson的系统镜像和安装JetPack SDK。
JetPack SDK：包含Jetson的Linux操作系统（L4T，基于 Ubuntu）、CUDA、cuDNN、TensorRT等工具。推荐使用==JetPack 4.6.1==（最后一个支持Jetson AGX Xavier的版本）。
YOLOv5：目标检测模型。
数据集：用于训练明火烟雾检测的数据集（可以从Roboflow获取公开数据集）。

安装SDKManager
在你自己的主机电脑上，访问 NVIDIA 开发者网站，进行注册或登陆。下载并安装SDK Manager，下载地址：https://developer.nvidia.com/nvidia-sdk-manager，下载.deb后缀的安装包。

# 在Ubuntu系统上安装SDKManager
# 以下示例<version = 1.81>、<build = 10392>
sudo apt install sdkmanager_1.8.1-10392_amd64.deb
# 启动运行SDKManager：
sdkmanager

务必关注兼容性

连接Jetson：
- 用USB数据线将Jetson AGX Xavier连接到主机。开发套件的连接如下图，原装type-c转usb数据线需要连接到led灯旁边的接口。

在这里插入图片描述

连接检测：

需要确保Jetson和主机通过USB-C数据线保持连接。
主机命令行输入lsusb检测，有NVidia Crop表示连接成功（不成功检查线是否有问题以及usb接口是否正常），Target Hardware也连接成功。若是refresh不显示开发板信息，没有关系，后面刷机会重新识别。Host Machine默认勾选。

进入恢复模式：
- 关闭Jetson电源，按住“恢复”（Recovery）按钮，然后接通电源，松开按钮，使其进入恢复模式。
需要登陆Nvidia账号，让sdk manager作为客户端软件连到NVIDIA的云服务器上去，为后面的下载安装软件做准备。
STEP01中选择最新版本的JetPack（选择==JetPack 4.6.1==作为目标硬件），勾选“Jetson OS”和“Jetson SDK Components”。
STEP02中安装内容保持默认，点接受，我下载完就安装了，没有选择后面的以后安装，这样可以查看下载细节，检查是否全部下载成功。也可以勾选，下载完后第二天再次启动sdkmanager。CONTINUE后输入电脑密码。
STEP03中选择手动安装（Manual Steup）进行JETSON AGX XAVIER的系统镜像烧录，自动安装会出现错误。

手动安装步骤译文：

选择手动安装
确保设备（JETSON AGX XAVIER）已连接电源适配器，但处于关机状态；
将主机与设备使用type-c转usb数据线进行连接；
按住AGX中间的按键（Force Recovery）不松手；
按住AGX左边的电源（Power）不松手；
释放按钮，过一两秒，同时松手。
此时这个画面中设备会显示连接成功，输入JETSON AGX XAVIER系统的登陆账号和密码，记住这个，后面用得上。此时要提前保证显示屏、键盘、鼠标和设备连接成功，后续系统安装过程会显示，可能需要操作，我是没有操作，直接安装成功进入了设备的Ubuntu系统，这里SDK给我烧录的是Ubuntu20.04系统。
（我已经flash成功，所以没有连接设备，图片只是提供参考）
一定要保证你电脑上面我图片红色位置是显示绿色连接后再进行Flash。

STEP04中Flash成功后会弹出安装界面，保证主机和设备连接正常。此时设备显示屏进入Ubuntu系统，设备系统需要先更新，才能保证后续安装成功。

注意换源!!!
先换源，需要根据设备上的Ubuntu系统版本进行更换，清华，阿里，中科大的镜像源都可以。
以使用阿里云镜像源为例：

备份sources.list文件

sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak

打开sources.list文件

sudo gedit /etc/apt/sources.list

删除原内容，添加以下内容

# 阿里云
deb http://mirrors.aliyun.com/ubuntu/ focal main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ focal-security main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ focal-updates main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ focal-backports main restricted universe multiverse# deb-src http://mirrors.aliyun.com/ubuntu/ focal main restricted universe multiverse
# deb-src http://mirrors.aliyun.com/ubuntu/ focal-security main restricted universe multiverse
# deb-src http://mirrors.aliyun.com/ubuntu/ focal-updates main restricted universe multiverse
# deb-src http://mirrors.aliyun.com/ubuntu/ focal-backports main restricted universe multiverse## Pre-released source, not recommended.
# deb http://mirrors.aliyun.com/ubuntu/ focal-proposed main restricted universe multiverse
# deb-src http://mirrors.aliyun.com/ubuntu/ focal-proposed main restricted universe multiverse

保存sources.list文件后需要更新apt-get

sudo apt-get update

其他镜像源链接：

https://mirrors.tuna.tsinghua.edu.cn/help/ubuntu/
https://developer.aliyun.com/mirror/
http://t.csdn.cn/CMvQs

点击“Download”开始下载系统镜像和组件。
- 按照提示完成JetPack的安装（刷写过程），SDK Manager将自动烧录系统镜像到Jetson的内部eMMC存储，并安装SDK Components（包括CUDA、cuDNN、TensorRT等）。
- 下载完成后，镜像会保存在指定目录（默认是 ~/nvidia/nvidia_sdk）。
启动并初始化：
- 刷写完成后，在主机电脑的SDK Manager中，输入Jetson的用户名和密码。
- SDK Manager将继续安装剩余的SDK Components到Jetson上。
- 启动Jetson，按照屏幕提示完成Ubuntu的初始设置（如选择语言、设置用户名和密码）。

第3步：明火烟雾检测实验

Step 1：安装YOLOv5环境

访问Jetson终端：
- 打开Jetson的终端（可以通过显示器直接操作，或通过SSH远程访问）：

ssh 用户名@Jetson的IP地址

例如：

ssh jetson@192.168.1.100

更新系统并安装必要工具：

 sudo apt update sudo apt install -y python3-pip pip3 install --upgrade pip

克隆YOLOv5仓库：

git clone https://github.com/ultralytics/yolov5.git cd yolov5

安装YOLOv5依赖：
- 编辑 requirements.txt 文件，注释掉不兼容的版本（Jetson的PyTorch版本需要匹配JetPack 提供的版本，通常是torch>=1.7.0和torchvision>=0.8.1）。
- 运行：

pip3 install -r requirements.txt

如果遇到依赖问题，可以手动安装PyTorch和torchvision（JetPack 4.6.1预装了PyTorch 1.8.0和torchvision 0.9.0）。

Step 2：准备明火烟雾数据集

为了检测明火和烟雾，我们需要一个标注好的数据集。推荐使用现成的公开数据集，以节省时间。

获取数据集：
- 推荐使用 Roboflow平台的公开数据集，例如搜索“Fire and Smoke Detection”（火与烟检测）数据集。
- 选择一个包含“火”和“烟”两种类别的标注数据集，并以YOLOv5 PyTorch格式下载（这种格式与后续模型兼容）。
- 下载数据集（选择YOLOv5格式），会包含train和val文件夹，以及data.yaml文件。
检查数据集：
- 确保数据集包含明火和烟雾的图像，并已标注好目标位置。
将数据集传输到Jetson：
- 使用SCP命令从主机电脑传输到Jetson：

scp -r /path/to/dataset 用户名@Jetson的IP地址:/home/用户名/

例如：

scp -r ~/Downloads/wildfire-smoke-dataset jetson@192.168.1.100:/home/jetson/

调整数据集路径：
- 假设数据集位于/home/jetson/wildfire-smoke-dataset，编辑data.yaml文件：

train: /home/jetson/wildfire-smoke-dataset/images/train
val: /home/jetson/wildfire-smoke-dataset/images/val 
nc: 2 
names: ['fire', 'smoke']

如果数据集只包含烟雾（smoke），将nc设为 1，names设为 [‘smoke’]。

Step 3：训练YOLOv5模型

由于训练深度学习模型需要大量计算资源，建议使用Kaggle或者Google Colab（提供免费GPU）来完成训练，而不是直接在Jetson上训练（虽然Jetson也支持训练，但速度较慢）。
如果直接在Jetson上训练：

运行训练：
- 在yolov5目录下，运行以下命令：

python3 train.py --img 640 --batch 16 --epochs 50 --data /home/jetson/wildfire-smoke-dataset/data.yaml --weights yolov5s.pt --cache --device 0

- 参数说明：- --img 640：输入图像大小。- --batch 16：批大小（根据Jetson内存调整，16GB内存建议16）。- --epochs 50：训练轮数。- --data：数据集配置文件路径。- --weights yolov5s.pt：预训练权重（yolov5s是小型模型，适合Jetson）。- --device 0：使用GPU。

训练结果：
- 训练完成后，模型权重会保存在 /home/jetson/yolov5/runs/train/exp/weights/best.pt。

[!example]+ 使用Google Colab训练

打开 YOLOv5 Colab 训练笔记本。
将从Roboflow下载的数据集上传到Colab。
按照笔记本中的说明运行代码，训练YOLOv5模型（默认会使用YOLOv5s或YOLOv5m模型，您可以根据需要调整）。
训练完成后，保存模型权重文件（如 best.pt），并下载到本地。

Step 4：推理（检测明火烟雾）

准备测试数据：
- 将测试图片或视频放入Jetson，例如/home/jetson/test_images/。
运行推理：

python3 detect.py --weights /home/jetson/yolov5/runs/train/exp/weights/best.pt --img 640 --conf 0.25 --source /home/jetson/test_images/

- 参数说明：- --weights：训练好的模型权重。- --img 640：推理图像大小。- --conf 0.25：置信度阈值。- --source：测试数据路径。

查看结果：
- 检测结果会保存在/home/jetson/yolov5/runs/detect/exp/，包含带边界框的图片。

Step 5：保存和下载结果

打包结果：

zip -r /home/jetson/runs.zip /home/jetson/yolov5/runs

传输到主机电脑：
- 从主机电脑运行：

scp jetson@192.168.1.100:/home/jetson/runs.zip ~/Downloads/

第4步：在Jetson上部署模型

训练好模型后，将其部署到Jetson AGX Xavier上，用于实时检测。

传输模型：
- 将训练好的模型权重文件（best.pt）通过SSH或U盘传输到Jetson。
安装YOLOv5环境：
- 在Jetson上打开终端，克隆YOLOv5仓库并安装依赖：
```
git clone https://github.com/ultralytics/yolov5.git
cd yolov5
pip install -r requirements.txt
```
- JetPack已包含CUDA和cuDNN，安装过程通常会顺利完成。
优化模型（可选但推荐）：
- 为提升推理速度，将PyTorch模型转换为TensorRT格式：
```
python export.py --weights best.pt --include engine --device 0
```
- 转换后会生成best.engine文件，适用于Jetson的GPU优化。

第5步：真实目标检测测试

实时检测：
- 连接一个USB网络摄像头到Jetson，使用USB摄像头捕捉实时视频。
- 运行detect.py脚本进行实时检测：
```
python detect.py --weights best.engine --source 0  # “0”表示默认摄像头
```
- 屏幕上将显示摄像头视频流， Jetson会处理视频流并检测明火和烟雾，并标注出检测到的明火和烟雾。
- 如需调整检测效果，可修改detect.py中的参数（如置信度阈值--conf-thres）。
可选评估：
- 使用数据集的验证集运行YOLOv5的验证脚本，计算检测精度（如mAP）。
- 在Jetson上运行tegrastats查看GPU使用率和功耗：
```
sudo tegrastats
```

附录

注意事项和优化建议

功耗模式：
- 默认模式可能不是最高性能，切换到30W模式：
```
sudo nvpmodel -m 0
sudo jetson_clocks
```
- 适合计算密集型任务。
- 这会提升GPU和CPU性能。
性能优化：
- 若推理速度慢，可尝试：
  - 模型量化：转为INT8精度。
  - TensorRT加速：使用NVIDIA TensorRT优化模型。
  - 批处理：增加批次大小（视内存而定）。
散热管理：
- 使用原装电源适配器，确保供电稳定。
- 开发套件自带风扇，但需保持通风良好，避免过热。
- 高负载下设备会发热，需通风良好。监控温度：
```
sudo jetson_stats
```
-GPU温度保持在80°C以下。
网络连接：
- 可通过以太网或Wi-Fi连接Jetson到网络，便于文件传输或远程操作（如SSH）。
- 确保稳定网络，建议使用以太网线。

软件更新：

定期更新系统和YOLOv5：

sudo apt update && sudo apt upgrade
git pull origin master

数据集扩展：
- 若检测效果不佳，增加明火烟雾图像并使用数据增强（如旋转、缩放）。
模型选择：
- YOLOv5s轻量，适合实验；需更高精度可试YOLOv5m或YOLOv5l。
摄像头选择：

如果有CSI接口摄像头，也可以使用，但USB摄像头更简单，适合初次实验。

故障排除

如遇到问题，可访问NVIDIA 开发者论坛或YOLOv5的GitHub Issues页面寻求帮助。

CUDA错误：
- 检查 JetPack和PyTorch兼容性：
```
python3 -c "import torch; print(torch.cuda.is_available())"
```
  输出应为True。
依赖安装失败：
- 若pip install -r requirements.txt失败，手动安装或查找Jetson专用wheel文件。
SSH连接问题：
- 启用SSH：
```
sudo systemctl enable ssh
sudo systemctl start ssh
```
- 检查端口22是否开放。
摄像头无法识别：
- 检查USB设备（lsusb）或安装CSI摄像头驱动。
训练内存不足：
- 减小批次大小或关闭后台进程。

常用命令速查

查看GPU状态：nvidia-smi
查看系统资源：tegrastats
重启Jetson：sudo reboot
关闭Jetson：sudo shutdown -h now
更新YOLOv5：git pull origin master
清理训练日志：rm -rf runs/train/exp*

参考资料

[Jetson AGX Xavier Developer Kit 用户指南](嵌入式系统开发者套件、模块和 SDK | NVIDIA Jetson
YOLOv5 官方文档
NVIDIA TensorRT 文档
Roboflow 数据集