Jetson AGX Orin 刷机与 YOLO 环境搭建完整指南

前阵子刚给手里的 Jetson AGX Orin 重装系统，选了 JetPack 6.2.3，然后把 conda、PyTorch、YOLO 环境整个从零搭了一遍。整个过程谈不上轻松，尤其是刷机阶段差点以为板子变砖，后面配置 conda 和 PyTorch 的时候也踩了不少坑。这篇就把完整流程和遇到问题后的解决思路整理出来，给正准备上手 AGX Orin、或者想在板子上跑 YOLO 的朋友做个参考。不管是新买板子要第一次刷系统，还是想彻底清掉旧环境重来，照着这个流程走，能少走很多弯路。

1. 刷机前的准备：先想清楚再动手

很多人拿到 AGX Orin 就直接开刷，结果刷到一半发现主机系统版本不对、线材不对、或者数据没备份，最后浪费时间。刷机前的准备工作其实比刷机本身更重要，尤其是那些不想重头再配一遍环境的人，一定要先想清楚。

1.1 确认板卡型号与固件版本

Jetson 系列有好几款，AGX Orin 和 Orin Nano、Orin NX 的刷机方式不一样，JetPack 版本兼容性也有差异。你手上的设备如果本来能正常开机，先查看当前固件版本，比如执行：

cat /etc/nv_tegra_release

输出里能看到 L4T 版本号，比如R36.2.0。JetPack 6.x 对应的是 Ubuntu 22.04，底层 L4T 是 r36.x。如果你手头的是旧版本 JetPack 5.x，那系统还是 Ubuntu 20.04，刷完后很多包的安装方式都不一样，所以刷之前要确认。

另外，AGX Orin 有 32GB 和 64GB 两个版本，SDK Manager 和烧录镜像对硬件型号是自动检测的，不用手动区分，但你要知道自己的板子是哪个型号，方便后面选组件。

1.2 准备 Ubuntu 主机和线材

官方推荐的刷机方式是通过 SDK Manager 在 x86 的 Ubuntu 主机上操作。我用的是一台 Ubuntu 22.04 的台式机，硬盘剩余空间最好有 50GB 以上，内存建议 8GB 起。主机的 USB 接口最好是直出的 USB 3.0 或 USB-C，不要用前置扩展坞，刷机过程中经常因为供电或信号问题导致识别失败。

线材方面，AGX Orin 开发者套件自带的 USB-C 线是最好的选择。如果没有原装线，随便找一根能传数据的 USB-C 线也行，但千万别用那种只能充电的线。我试过用一根劣质线刷机，结果 USB 设备反复断开重连，日志里全是 timeout，换了线之后一次过。

确保主机和板子都能上网，刷机过程中 SDK Manager 会自动下载 JetPack 组件包，有些包体积很大，比如 CUDA 和 TensorRT，网络不稳定很容易中断。最好在系统设置里把自动休眠关掉，不然刷到一半显示器休眠、USB 断连，直接前功尽弃。

1.3 备份与恢复方案：别等丢数据才后悔

刷机会清空 AGX Orin 的整个 rootfs，板子上所有的用户数据、conda 环境、模型文件都会没掉。如果你之前已经在板子上安装过很多东西，先把需要保留的内容备份出来。

我的习惯是把两个东西单独备份：一是用户主目录下的代码、数据集、模型权重，二是当前环境里的pip和conda包列表。代码和模型用 U 盘或 scp 传到主机就行，包列表可以用命令导出：

pip freeze > ~/packages-backup.txt conda env export > ~/environment-backup.yaml

这样刷完系统后，即便不能百分百复刻原来的环境，至少知道之前装了哪些版本，重新搭建的时候有据可依。

注意：如果你板子里的数据包含加密密钥、SDK 授权之类的东西，刷机前一定确认这些密钥不会因为系统重置而失效。

2. 用 SDK Manager 刷入 JetPack 6.2.3 的完整流程

准备完毕，开始刷机。SDK Manager 是 NVIDIA 官方提供的图形化工具，支持在 JetPack 下载、烧写、安装组件一条龙。版本我用的 2.x 的 SDK Manager，具体哪个小版本无所谓，能登录 NVIDIA 账号就行。

2.1 进入恢复模式：按键时机比想象中重要

这一步最磨人。AGX Orin 进入恢复模式的方法看起来很简单：断电状态下手按住板子上的 Recovery 键不放，插上电源，等几秒后松开，然后用 USB-C 线连接板子和主机。但实际操作里有几个细节：

• 一定要在断电状态下按住 Recovery，然后再上电，顺序反了会进不了恢复模式。
• 上电后继续按住 Recovery 保持 3 到 5 秒再松开，太早松手可能没进入。
• 连接主机后，执行lsusb能看到一个NVidia Corp.设备，如果看到的是0955开头的 ID，就说明进入恢复模式成功了。

我第一次刷的时候，就是因为没带电按住 Recovery 键，导致主机怎么都识别不到设备，还以为板子坏了。后来仔细看官方文档才发现自己的操作顺序有问题。如果你在主机上运行 SDK Manager 后页面一直停在“No device found”，优先检查这一步。

2.2 刷机参数选择：从镜像到组件勾选

SDK Manager 登录后会自动识别连接的 Jetson 设备，然后让你选择 JetPack 版本。我们这里选 JetPack 6.2.3。接下来的界面会让你勾选需要安装的组件，常见有 CUDA、cuDNN、TensorRT、VisionWorks、Vulkan 等。

我的建议是，如果只为了跑 PyTorch 和 YOLO，保持默认勾选即可，但注意不要勾选那些体积特别大的样例源码包，比如“Samples”下的内容，这会白白增加刷机时间。如果后续需要交叉编译或者开发 CUDA 应用，再手动补装。

存储位置和安装模式也有讲究。SDK Manager 支持在烧写系统后自动安装组件到 Jetson 板上，我建议这里勾选“Manual”手动安装，而不是自动安装。原因很简单，自动安装过程很容易被网络或依赖问题打断，一旦失败还得整个重来。手动安装可以在系统刷好后用 apt 或 pip 自己控制，更稳。

2.3 刷机失败的典型场景与排查思路

刷机过程中最容易遇到两类问题。

一类是主机软件卡在某个百分比不动，日志显示connection to target lost。这个通常说明 USB 连接不稳定，或者主机处于待机状态。解决方法是换一根线、换一个 USB 口，然后重新执行刷机。SDK Manager 支持断点续备，但保险起见，我一般直接从头开始。

另一类是刷写 rootfs 完成后，板子重启后停在开机画面进不了系统。这种情况多半是主机和板子的设备树不匹配，或者镜像下载不完整。可以重新进入恢复模式，用 SDK Manager 重新刷一次。不用怀疑板子变砖，Jetson 设备只要有 recovery 模式在，就能重新救回来。

刷完之后，第一次开机进入 Ubuntu 桌面，还是那句老话：先不要急着装东西，先把系统和网络稳定跑起来，再做后续初始化。

3. 系统初始化：换源、时区与基础环境

JetPack 6.2.3 自带的系统是 Ubuntu 22.04，CPU 是 ARM64 架构。刷完机之后，我习惯先把系统基础环境调整好，再开始装 conda 和 PyTorch，不然之后每一步都会遇到环境问题。

3.1 换源与更新系统包：镜像站选择有讲究

Ubuntu 默认的 apt 源在板子上速度很慢，尤其国内网络环境下，更新包经常超时。需要把/etc/apt/sources.list里的源地址替换成国内镜像源。JetPack 底层的 Ubuntu 是 22.04，所以源要匹配jammy，注意不要用成 x86 的源。

比如把默认的ports.ubuntu.com替换成阿里云或清华的mirrors地址。这里以阿里云为例：

sudo cp /etc/apt/sources.list /etc/apt/sources.list.backup sudo sed -i 's@http://ports.ubuntu.com@http://mirrors.aliyun.com@g' /etc/apt/sources.list sudo apt update

换源之后apt upgrade把系统包更新一遍。这一步有可能更新到内核和驱动，更新完成后建议重启一次板子，确保基础系统处于稳定状态。

时区也顺手设置一下，避免后面日志时间错乱：

sudo timedatectl set-timezone Asia/Shanghai

3.2 安装 Miniforge：Jetson 上 conda 的最优解

Jetson 是 ARM64 架构，官方 Anaconda 虽然有 Linux 版本，但对 ARM 架构的支持一直不完善，安装过程容易失败。实际更推荐用 Miniforge，它同样提供 conda 命令，完全兼容 conda 生态，而且在 ARM64 上安装非常顺滑。

Miniforge 的安装很简单，从 GitHub 或国内镜像下载Miniforge3-Linux-aarch64.sh，然后执行：

wget https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Linux-aarch64.sh bash Miniforge3-Linux-aarch64.sh -b

安装完成后，需要把 conda 所在的目录加入 PATH，并且初始化 shell：

~/miniforge3/bin/conda init bash source ~/.bashrc

之后就能正常使用conda activate了。这里有个关键点：conda init之后一定要重新开一个 shell 或者source ~/.bashrc，否则你执行conda activate会看到类似CommandNotFoundError的提示，后面专门讲这个坑。

3.3 解决 conda 命令不生效的两种典型报错

很多人在 Jetson 上装完 conda 后，敲conda命令直接提示conda: command not found，或者提示要先运行conda init。这两个问题本质上都是环境变量没有正确加载。

先看第一种：提示conda: command not found，说明当前 shell 没有找到 conda 的可执行文件。检查一下~/.bashrc里是否有一段由conda init生成的代码，特别是PATH中是否包含~/miniforge3/bin。如果发现没有，手动执行export PATH=~/miniforge3/bin:$PATH再试。

第二种：提示run 'conda init' before 'conda activate'。这个一般是 conda 函数没有在当前 shell 中定义。执行一次source ~/.bashrc就好，或者重新打开终端。有些远程操作的场景，比如在 SSH 里，因为.bashrc在非交互 shell 下不会自动加载，你可以改成执行source ~/.miniforge3/etc/profile.d/conda.sh来加载 conda 函数。

建议：安装完 Miniforge 后，立刻创建一个虚拟环境来测试 conda 命令，比如conda create -n test python=3.10 -y。如果这一条能顺利执行，后面的环境问题基本上都能自己解决了。

4. 安装 PyTorch：必须用 NVIDIA 打包的版本

PyTorch 的安装是整个过程中最需要小心的部分。很多新手在 Jetson 上直接执行pip install torch，然后 import 就报错，原因在于官方 PyTorch 包是为 x86_64 架构编译的，而 Jetson 是 ARM64，并且需要和 JetPack 里的 CUDA、cuDNN 版本匹配。

4.1 理解 Jetson 的 PyTorch 为什么不是 pip 直接装

JetPack 6.2.3 里自带的 CUDA 版本是 12.x，但 NVIDIA 提供的 PyTorch wheel 并不是通过 PyPI 发布的，而是在 NVIDIA 的服务器上维护了一套专门为 JetPack 编译的版本。这套版本用了与 JetPack 底层库一致的 CUDA 库，性能和兼容性都比从 PyPI 硬装要好。

你如果直接在 Jetson 上pip install torch，大概率会下载一个 x86_64 的 wheel 或者 ARM64 但依赖系统 CUDA 库的版本，导致torch.cuda.is_available()返回 False，或者直接报libcupti.so找不到。

正确的方式是先从 NVIDIA 官方下载对应的 wheel 文件，再 pip 安装。以 JetPack 6.2.3 为例，你可以到 NVIDIA 的 JetPack PyTorch 下载页面找到类似torch-2.3.0a0+...的文件。

4.2 安装与验证：从 wheel 到 CPU/GPU 检查

下载对应 Python 版本的 wheel 后，安装就很简单了。如果下载的是本地文件，安装命令是：

pip install torch-2.3.0a0+xxxxxx.whl

然后安装 torchvision，同样要用 NVIDIA 打包的版本。注意 torchvision 的版本必须与 torch 匹配，不能直接pip install torchvision，否则可能装成不带 CUDA 支持的版本。NVIDIA 提供了配套的 torchvision wheel，同样下载后安装即可。

装完后，验证一下：

python -c "import torch; print(torch.__version__, torch.cuda.is_available())"

如果输出True，说明 PyTorch 能用 CUDA。再测一下 GPU 加速是否有效：

python -c "import torch; x = torch.randn(3,3).cuda(); print(x)"

如果打印出 CUDA 张量，就说明安装没问题。第一次执行.cuda()可能比较慢，因为要初始化 cuDNN 等库，但后面就会很快。

4.3 版本对应关系速查表

Jetson 上安装 PyTorch 最容易混淆的就是版本对应关系。我整理了一份基于 JetPack 6.2.3 的对应表，方便你核对：

要注意，这个表只是当时的版本，NVIDIA 会持续更新 wheel。每次安装前，最好到官方页面查看是否有新的 wheel 版本，不要盲目使用网上别人发的过时链接。

5. YOLO 部署与训练：从预训练权重到自定义数据集

PyTorch 装好之后，YOLO 环境的搭建就轻松很多了。Ultralytics 的 YOLO 系列通过pip install ultralytics就能装，然后下载预训练模型就能直接跑推理。不过训练自定义数据集时，有不少隐藏坑，这里一起说了。

5.1 搭建 ultralytics 环境并跑通推理

在 conda 虚拟环境里安装 ultralytics：

conda activate your_env pip install ultralytics

如果之前 PyTorch 装好了，这一步通常不会出问题。跑推理需要下载预训练模型，比如 YOLOv8n 或 YOLOv8s。Ultralytics 会自动从 GitHub 下载模型文件，如果下载慢，可以手动下载.pt文件放到当前目录。

测试图片推理：

yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

如果能看到输出框，说明环境正常。这里要注意，Jetson AGX Orin 的推理速度虽然比普通 CPU 强很多，但和桌面级 GPU 比还是有差距。如果你跑的是高分辨率视频，建议调小模型尺寸或降低输入分辨率。

5.2 自定义数据集格式与训练参数建议

自定义数据集是 YOLO 系列最常用的场景。YOLO 格式的数据集目录结构一般是：

dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yaml

每个图像对应一个.txt标签文件，每行是class x_center y_center width height，坐标归一化。写data.yaml时指定类别名称和路径，然后开始训练：

yolo detect train data=/path/to/data.yaml model=yolov8n.pt epochs=100 imgsz=640 batch=16

在 AGX Orin 上训练，batch 和 imgsz 要适当调低，比如batch=8 imgsz=512，不然显存容易爆。YOLOv8 的损失函数包含分类损失、回归损失和 DFL 损失，默认配置一般不用动，新手别尝试自己改损失权重，容易导致训练不稳定。

还有一个常被问到的：训练时如果发现 loss 突然变成 NaN，大概率是批大小设太大，或者模型初始化权重有问题。可以先降低 batch，或者关闭 AMP：

yolo detect train ... amp=False

5.3 训练中的典型案例与解决思路

这里总结几个我实际遇到过的经典问题。

第一个是“BN 崩溃”。训练过程中出现 loss 崩掉、mAP 一直为 0，这通常发生在 batch size 很小的情况下。BatchNorm 层在小 batch 时均值和方差估计不准，导致梯度爆炸。解决方法是增大 batch，如果显存不够就降图像分辨率，或者换用更小的模型。坦白说，在 AGX Orin 上训练中小型数据集，用 YOLOv8n 或 YOLOv8s 是最现实的。

第二个是“混淆矩阵总和不为 1”。很多人在验证阶段计算混淆矩阵时发现行的总和不等于该类的真实数量，甚至所有数字加起来超过 1。这通常是因为混淆矩阵包含“背景”类别或者忽略了一些无法匹配的预测框。YOLO 在计算 mAP 时会用 IoU 阈值过滤低质量预测，最终矩阵的统计口径和像素级混淆矩阵不一样。只要你是用官方metrics.confusion_matrix或ClassificationMetric，看到的数值本身不是错误，不用过分纠结。

第三个是“conda create 太慢”。因为 Miniforge 默认从 conda-forge 下载，在国内环境很慢。可以给 conda 换源，例如使用清华或阿里云的镜像源。

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge conda config --set show_channel_urls yes

换源后再创建环境，速度会明显提升。

最后再分享一个小技巧：如果你在刷机和安装过程中遇到一个看似无解的错误，别急着重新刷机，先去/var/log/或 SDK Manager 的日志目录里看完整报错信息，很多问题都是网络下载不完整、缺依赖、版本不匹配导致的，日志里会写得很清楚。整个过程里我最深的体会是：Jetson 设备不像普通服务器那样讲究一步到位，它更像一个有自己脾气的小型超级计算机，每个组件都要顺着它来。按这个顺序走下来，从刷机到 YOLO 训练都不是什么难事。