企业官网建设流程全解析

将训练好的 YOLOv8 模型轻量化并导出为 ONNX/TensorRT 格式，最终部署到 Jetson Nano 这类嵌入式设备上加速推理，这是实际落地中非常关键的一步，能显著提升模型在边缘设备上的运行速度。

下面我会从模型导出、TensorRT 优化、Jetson Nano 部署三个核心环节，给出完整的可执行步骤和代码，确保你能一步步落地。

一、核心原理

• ONNX：是一种跨框架的模型格式，作为中间桥梁，能实现 PyTorch/TensorFlow 等框架到 TensorRT 的转换。
• TensorRT：NVIDIA 推出的高性能推理引擎，通过层融合、精度校准（FP16/INT8）、内核自动调优等方式优化模型，大幅提升 NVIDIA 设备（如 Jetson Nano）的推理速度。
• 轻量化核心：除了格式转换，还包括精度降低（从 FP32 到 FP16/INT8）、模型裁剪等，在精度损失可控的前提下提升速度。

二、完整实现步骤

前置条件

1. Jetson Nano 环境准备：
   • 刷入 JetPack 系统（推荐 JetPack 5.0+，自带 TensorRT、CUDA）。
   • 确认已安装ultralytics、onnx、tensorrt：

     bash

     运行

     # Jetson Nano 安装 ultralytics pip3 install ultralytics onnx # TensorRT 随 JetPack 自带，无需额外安装，验证是否安装成功 python3 -c "import tensorrt; print(tensorrt.__version__)"

2. 准备好训练好的 YOLOv8 模型（best.pt）。

步骤 1：导出 YOLOv8 模型为 ONNX 格式

YOLOv8 内置了一键导出功能，无需手动编写转换代码，直接导出 ONNX 格式（兼容 TensorRT）。

python

运行

from ultralytics import YOLO # 加载训练好的 YOLOv8 模型 model = YOLO("best.pt") # 导出为 ONNX 格式（关键参数说明） # format: 导出格式，指定为 onnx # imgsz: 输入图像尺寸，需和训练时一致（如 640） # opset: ONNX 算子版本，推荐 12+（兼容 TensorRT） # dynamic: 动态输入尺寸（可选，嵌入式设备建议固定尺寸以提升速度） # half: 导出 FP16 精度（轻量化核心，减少显存占用） model.export( format="onnx", imgsz=640, opset=12, dynamic=False, half=True # 导出 FP16 精度，Jetson Nano 支持 )

执行后会在模型同目录生成best.onnx文件，这是中间格式模型。

步骤 2：将 ONNX 转为 TensorRT 引擎（核心加速）

TensorRT 引擎（.engine文件）是针对 NVIDIA 硬件优化后的模型，推理速度最快。有两种方式实现：

方式 1：使用 YOLOv8 内置的 TensorRT 导出（最简单）

python

运行

# 直接从 YOLOv8 模型导出 TensorRT 引擎 model.export( format="engine", imgsz=640, device=0, # Jetson Nano 的 GPU 设备号 half=True # FP16 精度 )

执行后生成best.engine文件，直接用于推理。

方式 2：手动用 TensorRT API 转换（更灵活，适合自定义优化）

python

运行

import tensorrt as trt import os # TensorRT 日志设置 TRT_LOGGER = trt.Logger(trt.Logger.INFO) EXPLICIT_BATCH = 1 << (int)(trt.NetworkDefinitionCreationFlag.EXPLICIT_BATCH) def build_engine(onnx_file_path, engine_file_path): # 构建 TensorRT 引擎 builder = trt.Builder(TRT_LOGGER) network = builder.create_network(EXPLICIT_BATCH) parser = trt.OnnxParser(network, TRT_LOGGER) config = builder.create_builder_config() # 设置最大工作空间（Jetson Nano 建议 1GB 以内） config.max_workspace_size = 1 << 30 # 1GB # 启用 FP16 精度（Jetson Nano 支持） config.set_flag(trt.BuilderFlag.FP16) # 解析 ONNX 文件 with open(onnx_file_path, "rb") as f: if not parser.parse(f.read()): for error in range(parser.num_errors): print(parser.get_error(error)) return None # 构建并保存引擎 serialized_engine = builder.build_serialized_network(network, config) with open(engine_file_path, "wb") as f: f.write(serialized_engine) return engine_file_path # 转换 ONNX 到 TensorRT 引擎 onnx_file = "best.onnx" engine_file = "best.engine" if not os.path.exists(engine_file): build_engine(onnx_file, engine_file) print(f"TensorRT 引擎已生成：{engine_file}") else: print(f"引擎文件已存在：{engine_file}")

步骤 3：在 Jetson Nano 上用 TensorRT 引擎推理

使用生成的.engine文件进行推理，速度远快于原始.pt模型：

python

运行

from ultralytics import YOLO # 加载 TensorRT 引擎模型 model = YOLO("best.engine") # 推理单张图像（Jetson Nano 上实测速度比 PT 模型快 2-5 倍） results = model("test.jpg", imgsz=640) # 解析位置结果（和之前 PT 模型推理代码完全兼容） for r in results: boxes = r.boxes for box in boxes: x1, y1, x2, y2 = box.xyxy[0].tolist() cls_name = model.names[box.cls[0].item()] conf = box.conf[0].item() print(f"类别：{cls_name}, 置信度：{conf:.2f}, 位置：({x1:.1f},{y1:.1f})-({x2:.1f},{y2:.1f})") # 可视化结果 results[0].save("result_trt.jpg")

步骤 4：进阶优化（INT8 精度，极致轻量化）

如果追求更快速度，可将模型转为 INT8 精度（需准备校准数据集）：

python

运行

# YOLOv8 导出 INT8 精度的 TensorRT 引擎 model.export( format="engine", imgsz=640, device=0, int8=True, # 启用 INT8 精度 data="data.yaml" # 校准数据集配置文件，用于 INT8 量化 )

注意：INT8 精度会有轻微精度损失，但速度比 FP16 再提升 30%-50%，适合对精度要求不极致的场景。

三、Jetson Nano 部署注意事项

1. 显存限制：Jetson Nano 只有 4GB 显存，建议使用 YOLOv8n（轻量版）、imgsz=640 或更小（如 480）。
2. 电源供电：必须用 5V/3A 电源，否则会因供电不足导致推理卡顿或设备重启。
3. 散热：Jetson Nano 推理时发热明显，需加装散热风扇，避免因过热降频。
4. 推理速度参考：
   • YOLOv8n + FP32（PT 模型）：~5 FPS
   • YOLOv8n + FP16（TensorRT）：~15 FPS
   • YOLOv8n + INT8（TensorRT）：~20 FPS

总结

1. 模型轻量化到 Jetson Nano 部署的核心流程：YOLOv8 PT 模型 → ONNX 中间格式 → TensorRT 引擎，其中 TensorRT 是嵌入式设备加速的关键。
2. 优先选择FP16 精度导出 TensorRT 引擎，在精度损失可控的前提下，能让推理速度提升 2-5 倍。
3. Jetson Nano 部署需注意显存、供电和散热，建议使用轻量版模型（YOLOv8n）和固定输入尺寸。