jetson nano yolov8环境

### 配置 Jetson Nano 上的 YOLOv8 环境

#### 准备工作
为了在 Jetson Nano 上成功配置 YOLOv8 的运行环境，首先需要确保硬件和软件都已准备好。建议准备一个 U盘用于存储必要的文件。

#### 下载并烧录系统镜像
进入 Nvidia 官方网站，找到适用于 Jetson Nano 开发者套件的 SD 卡镜像页面，并完成下载[^2]。使用 Etcher 或其他可靠的工具将下载好的镜像烧录到 MicroSD 卡中。

#### 设置开发环境
一旦 Jetson Nano 启动完毕，在终端执行以下命令来更新现有包列表以及安装基础依赖项：

sudo apt-get update && sudo apt-get upgrade -y

接着安装 Python 和 pip 工具链以及其他必需库：

sudo apt install python3-pip python3-dev libopencv-dev
pip3 install --upgrade pip setuptools wheel

对于 CUDA 和 cuDNN 库的支持，由于 Jetson Nano 自带 TensorRT 及其所需的驱动程序版本，通常不需要额外安装这些组件。

#### 安装 PyTorch 和 TorchVision
针对 Jetson 设备优化过的 PyTorch 版本可以从特定源获取。通过下面给出的方法可以方便地安装适合 Jetson Nano 的预编译二进制文件：

pip3 install torch torchvision torchaudio --extra-index-url https://nvidia.github.io/pytorch-jetson/

#### 获取 Ultralytics 提供的 YOLOv8 仓库
克隆官方 GitHub 存储库至本地目录下以便后续操作：

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

#### 测试模型推理功能
最后一步是验证整个流程是否正常运作。加载 yolov8s.pt 模型进行一次简单的图像检测测试：

from ultralytics import YOLO

model = YOLO('yolov8s.pt')
results = model.predict(source='0', show=True, conf=0.5)

这段代码会启动摄像头（source='0' 表示默认摄像头），并将识别结果实时显示出来。