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。

python7z压缩裤whl包离线安装

pycrypto-2.6.1对应的python3.6的whl包,32位,64位均已包含 省去编译麻烦,直接下载安装即可

在RK3399上编译的Paddlle Lite编译包，直接pip install即可在开发板上安装Paddle Lite。

cntk 的gpu版本的whl包

经过多次测试树莓派4B的支持OpenCV的whl包，这个好用。安装opencv-python搞了好久，开始整体更新不行，后面镜像网站中没有对应的whl。高分值下载了几个都不好用，根据这个https://blog.csdn.net/jerryzhouyh/article/details/104460546方法和这个https://blog.csdn.net/sinat_26811377/article/details/99947448指导才搞定的。

适用于python2.7的pywin32，包含32位和64的whl。安装方法： 1. cd /d "python路径\Scripts" 2. pip install whl包名（一般该目录下就有pip.exe） 3. 执行python pywin32_postinstall.py -install（pywin32_postinstall.py 就在Scripts文件夹下）

dlib官方没有python3.7版本安装包，做了一个分享给大家。下载后pip install dlib-19.17.99-cp37-cp37m-win_amd64.whl，windows可用

python wordcloud whl包，如果安装 wordcloud报错，需要什么C++14.0，可以直接用pip install 安装这个就可以安装，

python的第三方库curses， win平台的各种whl包。