企业官网建设流程全解析

1. 项目缘起：为什么从Jetson Nano开始

如果你和我一样，对边缘计算、机器人或者嵌入式AI开发感兴趣，那么Jetson Nano这个名字你一定不陌生。作为英伟达推出的入门级AI边缘计算平台，它凭借相对亲民的价格和强大的CUDA生态，成为了无数开发者、学生和创客踏入这个领域的第一块“敲门砖”。我最初选择它，也是看中了其官方宣传的“开箱即用”和丰富的社区资源，心想，有英伟达背书，跑个YOLO、部署个TensorRT模型，应该不会太难吧？

然而，现实很快就给我上了一课。从拿到那块小巧的开发板，到成功点亮第一个AI推理Demo，中间经历的曲折远超我的预期。这绝不是一个简单的“插电即用”过程，而是一场充满了版本冲突、驱动缺失、环境配置和性能调优的“硬核”探险。网上能找到的教程很多，但要么是过时的，要么是语焉不详的“一键脚本”，真正能帮你从零开始、理清脉络、避开所有坑的完整记录却很少。因此，我决定把这段“踩坑”历程系统地记录下来，这不仅仅是我的个人笔记，更希望能成为后来者的一张“避坑地图”。本系列的第一集，我们将聚焦在最基础，也最让人头疼的环节：系统烧录、基础环境搭建与第一次开机配置。别小看这些步骤，它们直接决定了你后续所有开发工作的稳定性和效率。

2. 开箱与硬件准备：别急着上电

拿到Jetson Nano开发板（这里以4GB版本为例）后，先别急着接通电源。硬件上的几个小细节，如果忽略，可能会导致无法开机或者性能严重受限。

2.1 核心供电选择：Micro USB还是DC Barrel Jack？

Jetson Nano有两个电源接口：一个是常见的Micro USB（J48），另一个是圆口的DC Barrel Jack（J25）。官方文档和许多教程会告诉你，Micro USB（5V/2A）供电只能用于“低功耗模式”，而DC Barrel Jack（5V/4A）才能解锁“10W模式”，获得完整的CPU和GPU性能。

注意：这里的“模式”切换不是一个软件开关，而是由物理跳线帽（J48旁边的“J48 Power Select”跳线）决定的。如果你使用Micro USB供电，跳线帽必须连接在“USB”一侧的引脚上；如果使用DC Barrel Jack供电，跳线帽必须连接在“J48”一侧的引脚上。很多新手开机没反应或者系统极卡，第一步就应该检查这个跳线帽的位置是否正确。我个人强烈建议，永远使用DC Barrel Jack配合5V/4A以上的电源适配器，并将跳线帽设置在“J48”位置。Micro USB供电仅适用于绝对轻量级的测试，任何涉及摄像头、GPU运算的任务都可能因供电不足导致系统重启。

2.2 散热与外壳：必要的投资

Jetson Nano在满载运行时发热量不小，尤其是GPU部分。裸板运行几分钟后，手摸上去就会感到烫手。长期高温会触发降频，导致性能下降，甚至影响硬件寿命。因此，一个带有主动散热风扇的外壳是必需品，而不是装饰品。市面上有很多第三方散热方案，选择时注意风扇的供电接口（通常是板上的“FAN”引脚）和噪音控制即可。

2.3 存储介质：SD卡的速度至关重要

Jetson Nano没有内置eMMC，系统完全运行在SD卡上。这意味着SD卡的读写速度直接决定了系统启动、软件安装、模型加载等一切I/O操作的性能。绝对不要使用手边闲置的、低速的Class 4或Class 10 SD卡。请至少选择UHS-I U3 / V30及以上规格的Micro SD卡，容量建议32GB或64GB。A1/A2级别的应用性能等级也对随机读写有帮助。一张高速卡和一张低速卡，在实际使用中的体验差异是天壤之别。

3. 系统烧录：从镜像下载到第一次启动

这是踩坑的“重灾区”，每一步都可能遇到问题。

3.1 官方镜像的选择与下载

前往英伟达官方网站的Jetson Nano下载页面，你会发现有多个版本的SDK Manager和系统镜像。对于新手，我建议绕开复杂的SDK Manager（它更适合批量烧录和多板卡管理），直接使用预烧录的系统镜像。找到“Jetson Nano Developer Kit SD Card Image”的下载链接，通常会对应特定的JetPack版本（如JetPack 4.6, 4.6.1等）。

关键决策点：JetPack版本。JetPack是英伟达为Jetson系列打包的软件开发套件，包含了操作系统（Ubuntu）、CUDA、cuDNN、TensorRT、OpenCV等所有核心组件。版本并非越新越好。你需要考虑你的项目所依赖的深度学习框架（如PyTorch, TensorFlow）是否有针对特定JetPack版本的预编译轮子（wheel）。例如，早期一些框架对JetPack 4.4/4.5支持较好，而新框架可能需要JetPack 4.6+。在开始前，最好先调研一下你目标工具的版本兼容性矩阵。我本次记录基于JetPack 4.6.1，这是一个相对稳定且生态支持较广的版本。

3.2 烧录工具与操作

下载到的通常是一个压缩包（如jetson-nano-sd-card-image.zip），解压后得到一个.img文件。在Windows下，推荐使用BalenaEtcher，它界面简洁，自动校验，不易出错。在macOS或Linux下，除了Etcher，也可以使用dd命令，但需要格外小心设备名（如/dev/sdb）不要选错，否则会清空你的硬盘。

烧录过程大约需要10-30分钟，取决于你的SD卡和读卡器速度。烧录完成后，不要急着弹出SD卡。在Windows下，系统可能会提示你格式化SD卡，因为Etcher烧录后，SD卡会被分成多个Windows无法识别的分区（如Linux的ext4分区）。务必点击“取消”，千万不要格式化！

3.3 首次启动与基础配置

将烧录好的SD卡插入Jetson Nano，连接显示器（通过HDMI或DP）、键盘鼠标，最后接通电源。第一次启动会进行系统初始化，这个过程比较慢，请耐心等待。

首先进入的是系统配置界面（OOBE）。这里有几个关键步骤：

1. 语言和时区：按需选择。
2. 用户名、密码、计算机名：建议设置一个简单易记的密码，后续通过SSH操作会频繁用到。
3. 磁盘分区：选择“使用整个磁盘”即可。
4. 组件安装：这一步会安装CUDA, cuDNN, TensorRT, OpenCV等核心组件。务必确保网络连接稳定！整个过程可能需要半小时到一小时，如果中途断网，会导致组件安装不全，后患无穷。

安装完成后，系统会自动重启，进入Ubuntu桌面环境。恭喜，你已经成功跨过了第一道门槛。

4. 初始系统优化与必做设置

进入桌面后，先别急着写代码。进行以下几项优化，能极大提升后续的开发体验。

4.1 更换软件源

默认的Ubuntu软件源服务器在国外，更新和安装软件速度极慢。我们需要将其替换为国内镜像源，如阿里云、清华源等。

# 备份原文件 sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak # 编辑源文件，将http://ports.ubuntu.com替换为镜像地址 sudo nano /etc/apt/sources.list

将文件内所有http://ports.ubuntu.com/ubuntu-ports/替换为https://mirrors.aliyun.com/ubuntu-ports/或https://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/。

然后更新软件列表：

sudo apt update

4.2 扩展交换空间（Swap）

Jetson Nano 4GB版本的内存对于AI应用来说相当紧张。当物理内存不足时，系统会使用硬盘上的交换空间。默认的交换空间（2GB）可能不够，我们可以将其扩大。

# 关闭当前交换文件 sudo swapoff /swapfile # 调整交换文件大小，这里设置为4GB (4096MB) sudo fallocate -l 4G /swapfile # 设置正确的权限 sudo chmod 600 /swapfile # 将其格式化为交换分区 sudo mkswap /swapfile # 启用新的交换文件 sudo swapon /swapfile

为了让修改永久生效，还需要编辑/etc/fstab文件，确保其中关于swap的行指向正确的文件（通常是/swapfile）。

4.3 设置高性能模式

如前所述，确保你的电源跳线帽设置在“J48”（使用DC电源），然后在系统中开启最大性能模式。

# 安装管理工具（如果尚未安装） sudo apt install -y jetson-io # 设置最大性能模式（10W） sudo nvpmodel -m 0 # 查看当前模式 sudo nvpmodel -q

模式0是最大性能模式（10W），模式1是低功耗模式（5W）。同时，可以设置风扇为持续转动，确保散热：

sudo sh -c 'echo 255 > /sys/devices/pwm-fan/target_pwm'

4.4 安装基础开发工具

安装一些后续开发必备的工具包：

sudo apt update sudo apt install -y \ python3-pip \ python3-dev \ python3-venv \ git \ curl \ wget \ htop \ vim

对于Python包管理，强烈建议使用虚拟环境，避免污染系统Python环境。可以使用venv：

python3 -m venv ~/myenv source ~/myenv/bin/activate # 之后安装的python包都会在这个独立环境中

5. 核心组件验证：CUDA, cuDNN, TensorRT

系统装好了，优化也做了，现在需要验证英伟达的核心组件是否安装正确。这是后续所有AI应用的基础。

5.1 验证CUDA

CUDA是英伟达GPU计算的基石。在终端输入：

nvcc -V

如果安装正确，你会看到CUDA的版本信息（如10.2）。同时，也可以使用：

nvidia-smi

这个命令会显示一个监控界面，列出GPU型号（Jetson Nano）、驱动版本、CUDA版本以及当前的GPU使用情况。看到这个界面，基本说明GPU驱动和CUDA运行时是正常的。

5.2 验证cuDNN

cuDNN是深度神经网络加速库。验证它需要查看头文件和库文件。通常，JetPack会将其安装在/usr/include和/usr/lib/aarch64-linux-gnu下。

# 查找cuDNN头文件 find /usr/include -name "cudnn*.h" # 查找cuDNN库文件 find /usr/lib/aarch64-linux-gnu -name "libcudnn*"

更直接的验证方法是使用Python（如果你安装了nvidia-pyindex中的cudnn包），或者在C++程序中包含头文件进行编译测试。对于大多数Python开发者，只要后续能成功导入tensorrt或运行依赖cuDNN的框架（如PyTorch），就说明其工作正常。

5.3 验证TensorRT

TensorRT是英伟达的高性能深度学习推理SDK，是Jetson的灵魂。验证TensorRT最直接的方式是检查其Python包。

python3 -c "import tensorrt; print(tensorrt.__version__)"

如果成功输出版本号（如7.1.3），恭喜你，TensorRT安装成功。你也可以运行一个官方的示例来验证：

cd /usr/src/tensorrt/samples/sampleMNIST sudo make cd ../../bin/ ./sample_mnist

如果能看到成功运行并输出推理结果，说明TensorRT的编译器和运行时环境都是完好的。

6. 第一个AI应用：跑通Jetson Inference示例

理论学习再多，不如实际跑一个Demo。英伟达官方维护的jetson-inference项目是一个极佳的起点，它封装了图像识别、目标检测、语义分割等常见任务的推理流程，并且自带预训练模型。

6.1 克隆与编译项目

# 安装编译依赖 sudo apt install -y \ cmake \ libpython3-dev \ python3-numpy # 克隆项目（建议在home目录下操作） cd ~ git clone --recursive https://github.com/dusty-nv/jetson-inference cd jetson-inference # 创建并进入构建目录 mkdir build cd build # 配置CMake。这里使用默认设置，会下载一些预训练模型（需要网络） cmake ../ # 开始编译，这个过程比较耗时（约30-60分钟） make -j$(nproc) # 安装（将库文件和Python包安装到系统） sudo make install sudo ldconfig

编译过程中，CMake会提示你下载模型。如果网络不畅，可能会导致下载失败。你可以选择跳过（按Enter），后续再手动下载，或者耐心重试。

6.2 运行图像识别Demo

编译安装完成后，最简单的方式是使用项目提供的Python脚本。

# 激活你的Python虚拟环境（如果你使用了的话） source ~/myenv/bin/activate # 运行一个对图片进行ImageNet分类的例子 cd ~/jetson-inference/python/examples python3 imagenet.py --model=resnet18 /path/to/your/image.jpg /path/to/output.jpg

例如，你可以用系统自带的图片：

python3 imagenet.py --model=resnet18 /usr/share/backgrounds/gnome/adwaita-day.jpg output.jpg

程序会加载ResNet-18模型，对图片进行推理，并在终端输出识别出的类别及其置信度，同时生成一张带有标签的输出图片。如果这一步成功了，说明你的整个AI软件栈（从驱动、CUDA、cuDNN到TensorRT和Python绑定）已经全部打通。

6.3 尝试实时摄像头检测

Jetson Nano的强大之处在于实时处理。连接一个USB摄像头或CSI摄像头，运行目标检测Demo：

# 使用SSD-Mobilenet-v2模型进行实时检测 python3 detectnet.py --model=ssd-mobilenet-v2 csi://0 # 使用CSI摄像头 # 或者 python3 detectnet.py --model=ssd-mobilenet-v2 /dev/video0 # 使用USB摄像头

如果摄像头连接正确，你应该会看到一个实时窗口，画面中的物体（如人、汽车、狗等）会被框出并标注。第一次运行会加载模型，稍慢一些，后续帧率会稳定下来。这是你与Jetson Nano AI能力的第一次“实时对话”。

7. 常见问题排查与解决思路

即便按照步骤操作，你也可能会遇到一些问题。这里汇总一些典型“坑点”及其解决思路。

7.1 开机无显示或卡在Logo界面

• 检查供电：确认使用5V/4A以上电源，跳线帽位置正确（DC供电对应“J48”）。
• 检查SD卡：重新烧录镜像，确保使用Etcher等可靠工具，SD卡质量过关。
• 检查显示器：尝试不同的HDMI线或显示器接口。有些显示器可能需要特定的分辨率/刷新率支持。

7.2sudo apt update或安装软件失败

• 网络问题：确保网络连接正常，特别是如果使用了代理，需要在/etc/apt/apt.conf.d/中配置代理。
• 软件源问题：检查/etc/apt/sources.list文件中的镜像源地址是否正确，可以尝试换一个源（如从阿里云换到清华源）。
• 空间不足：使用df -h命令查看根目录空间，确保有足够空间（至少2-3GB空闲）进行系统更新。

7.3 运行AI Demo时报错“CUDA error”或“TensorRT error”

• 组件版本不匹配：这是最棘手的问题。确保你使用的深度学习框架（PyTorch/TensorFlow）版本与JetPack中的CUDA、cuDNN版本兼容。对于JetPack 4.6.1（CUDA 10.2），需要寻找对应版本的框架轮子。
• 模型格式问题：jetson-inference项目使用的模型是特定的TensorRT序列化引擎（.engine文件）或ONNX格式。确保你使用的模型路径和格式正确。首次运行时会自动转换，需要网络下载相关文件。
• 内存不足：运行htop命令查看内存和交换空间使用情况。如果物理内存和交换空间都接近耗尽，程序会崩溃。尝试增大交换空间（见4.2节），或者使用更轻量级的模型。

7.4 摄像头无法识别

• CSI摄像头：确认摄像头排线插入方向正确（蓝色一面通常朝向板子外侧），并插紧。使用命令ls /dev/video*查看设备节点。
• USB摄像头：同样使用ls /dev/video*查看。尝试不同的USB接口。有些USB3.0摄像头在USB2.0接口上可能工作不正常。
• GStreamer管道问题：jetson-inference使用GStreamer处理视频流。CSI摄像头通常使用csi://0，USB摄像头使用/dev/video0。如果报GStreamer相关错误，尝试安装或重新安装GStreamer插件：sudo apt install gstreamer1.0-tools gstreamer1.0-plugins-good。

7.5 系统运行缓慢，风扇狂转

• 检查运行模式：使用sudo nvpmodel -q确认当前运行在模式0（MAX-N）。
• 监控资源：使用htop和nvidia-smi监控CPU、内存和GPU使用率，找出占用资源的进程。
• 散热问题：触摸散热片是否过热。确保风扇正常工作，并且外壳通风良好。可以考虑在/etc/rc.local中添加开机启动风扇全速的命令。

走到这里，你的Jetson Nano应该已经是一个可以稳定运行基础AI应用的开发平台了。这个过程看似繁琐，但每一步的“坑”都有其背后的原因——电源管理、存储性能、系统依赖、组件兼容性。把这些基础打牢，后续在部署自定义模型、进行多传感器融合、优化推理性能时，才能避免更多复合型的问题。第一集的踩坑记录就到这里，下一篇我们将深入另一个“深水区”：在Jetson Nano上为特定版本的PyTorch或TensorFlow编译安装依赖，以及将自定义的ONNX模型转换为TensorRT引擎并部署。那将是真正将Jetson Nano用于自己项目的开始，坑只会更多，但也更有趣。