（1）提供tensorrt-8.2.3.0-cp38-none-linux_aarch64.whl和onnxruntime_gpu-1.16.0-cp38-cp38-linux_aarch64.whl，严格匹配JetPack4.6（CUDA10.2+Python3.8）环境，规避手动编译耗时与依赖冲突问题。
（2）支持YOLOv8/v11模型的TensorRT加速推理，集成ONNX模型转换工具链（ONNX→TensorRT引擎），提升推理速度3倍+。
2025-03-31 18:45:16
23.48MB
1
Jetson Nano部署yolov8或11【致命三连坑】
1.JetPack4.6自带的Python3.6根本跑不动YOLOv11（最低得python3.8）
2.CUDA10.2根本找不到对应PyTorch版本
3.自己编译环境各种报错，opencv/numpy版本连环冲突
【救命锦囊】
编译了适配JetPack4.6的：
Python3.8环境
CUDA10.2专属PyTorch1.11
完整依赖项的whl安装包
（终于不用自己配环境配到哭）
随着人工智能技术的不断发展，边缘计算和智能视觉应用越来越受到重视。NVIDIA Jetson Nano作为一款面向边缘计算的微型计算机，因其出色的性价比和性能，被广泛应用于小规模的人工智能项目中。在这些项目中，实时目标检测算法的部署尤为关键，YOLO（You Only Look Once）作为一种流行的目标检测算法，其最新版本yolov8和yolov11在性能和速度上都有显著提升，但部署这些高版本YOLO到Jetson Nano上面临着诸多挑战。
Jetson Nano出厂预装的JetPack4.6版本自带Python3.6，而YOLOv11至少需要Python3.8版本才能顺利运行。这意味着用户需要升级系统自带的Python环境，以确保兼容性和性能。CUDA10.2版本在官方渠道难以找到与其适配的PyTorch版本，这对于需要深度学习支持的YOLO来说是一个大问题。手动编译环境时会遇到各种依赖项冲突，尤其是opencv和numpy等关键库的版本不兼容问题，这会大大增加部署的复杂度和失败的风险。
为了解决这些难题，开发者精心编译了一套适配JetPack4.6的软件包。这个软件包包括了Python3.8环境，专门为CUDA10.2适配的PyTorch1.11版本，以及所有必需依赖项的预编译whl安装包。通过这种方式，开发者确保了环境的一致性和稳定性，大大降低了用户在部署YOLOv8或YOLOv11时的技术门槛。
有了这套预编译的whl包，开发者和用户可以更加快速和便捷地在Jetson Nano上部署YOLO，享受GPU加速带来的实时目标检测的便利。这对于希望在边缘设备上部署高性能AI应用的开发者而言，无疑是一个巨大的福音。
这个资源包对于希望在NVIDIA Jetson Nano上部署最新版YOLO的开发者来说，提供了一个简化的解决方案。它不仅解决了版本不兼容的头疼问题，还极大地提升了部署效率和成功率，使得在边缘计算设备上实现高效的实时目标检测成为可能。
2025-03-31 18:11:50
200.33MB
1
jetson nano b01原理图 P3449-B01-OrCAD-schematics
2023-09-14 10:43:44
714KB
1
本系列主要讲解JETSON NANO DEVELOPER KIT开发板配置全过程，包括系统烧录安装、torch及cuda安装配置。
2023-05-16 15:59:48
10.33MB
1
嵌入式ARM版本的ubuntu(jetson nano)版本的向日葵远程控制软件
2023-03-18 15:50:06
12.35MB
1
jetson-nano，jetpack 是4.6.1版本。编译的qt5.15.2，带xcb, 带opengl， qml可用。
在板子上编译大概需要6小时，还会碰到各种问题，试错成本比较高。有需要的小伙伴可以省去大家编译的烦恼，节约时间。
2023-01-17 11:42:22
44.76MB
1