jetson nano yolov8摄像头检测

### 在 Jetson Nano 上使用 YOLOv8 实现摄像头物体检测

#### 准备工作
确保摄像头能够正常工作并被系统识别[^2]。对于 Jetson Nano 平台而言，这一步骤至关重要。

#### 安装依赖库
为了能够在 Jetson Nano 上运行 YOLOv8 模型，需要安装必要的 Python 库和其他依赖项。通常情况下，推荐通过 pip 工具来完成这些软件包的安装：

pip install ultralytics opencv-python-headless numpy tensorrt

#### 获取预训练模型文件
下载适用于视频追踪任务的 YOLOv8 预训练权重文件 `yolov8n.pt` 或者其他变体版本如带有分割功能或姿态估计能力的不同型号[^1]。可以从官方仓库获取最新发布的模型参数文件。

#### 编写推理脚本
创建一个新的 Python 脚本来加载模型并对来自摄像头的数据流执行推断操作。下面是一个简单的实现案例：

from ultralytics import YOLO
import cv2

# 加载预训练好的 yolov8n 模型
model = YOLO('yolov8n.pt')

cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    
    if not ret:
        break
    
    results = model(frame)[0].plot()  # 对图像帧进行预测并将结果显示出来
    
    cv2.imshow('YOLOv8 Detection', results)
    
    key = cv2.waitKey(1) & 0xFF
    if key == ord('q'):
        break
        
cv2.destroyAllWindows()
cap.release()

这段代码会持续读取来自默认摄像设备（索引为 0 的设备）的画面，并调用 YOLOv8 进行对象检测，在窗口内展示标注后的结果图片直到按下 'q' 键退出循环。

#### 利用 TensorRT 提升性能
考虑到 Jetson Nano 自带支持 TensorRT 技术，可以通过转换 ONNX 格式的模型到 TensorRT 来进一步提高推理速度和效率[^4]。具体做法涉及先将 PyTorch 模型导出成 ONNX 文件再利用 trtexec 命令行工具将其编译为目标平台上的高效引擎。