Jetson Nano 4GB B01 部署实战：目标检测、手势识别与散热调优

1. 拿到 Jetson Nano 4GB B01 之后，先把这几件事搞明白

Jetson Nano 这块板子在边缘计算入门这一档里，到现在依然是个绕不开的选择。我手上这台是 4GB B01 版本，472 GFLOPS 的 FP16 算力、128 核 Maxwell GPU、4GB LPDDR4 内存，跑 SSD-MobileNet 这类轻量目标检测模型完全够用，用来做视觉入门、机器人小车、课堂实验都很合适。但它的"入门门槛"其实不在写代码，而在前面那一堆看起来简单、实际上处处是坑的准备工作：镜像版本选错、SD 卡槽找不到、供电不够导致随机重启、编译到一半内存爆掉——这些我都踩过。

这篇东西我打算按自己实际操作的顺序捋一遍：从开箱确认硬件、烧录系统、首次开机初始化，到编译jetson-inference、跑通官方目标检测（detectNet）和手势识别（gestureNet）两个 Demo，最后是性能调优和踩坑记录。内容偏向"照着做就能复现"，适合第一次接触 Jetson Nano 的人，也适合已经装过系统但 Demo 一直没跑起来的同学。整套流程在一台正常的 Nano 4GB 上大约 3 到 4 小时能走完，其中大部分时间是在等下载和编译。

1.1 B01 和 A02、2GB 版到底差在哪

很多人拿到板子第一反应是"我这个是什么版本"，因为网上教程五花八门，镜像也分好几种。Jetson Nano 4GB 开发套件历史上出过 A02 和 B01 两个主要修订版，现在市面上能买到的基本都是 B01。

两个版本的核心差异是 MIPI CSI-2 摄像头接口数量：A02 只有一个 CSI 接口，B01 有两个（载板上丝印 CAM0、CAM1），所以 B01 可以同时接两路 CSI 摄像头做双目或者多视角。另外 B01 在电源部分做了些优化，PCB 布局也有调整。核心 SoC、内存、GPU 规格完全一样，所以性能上没有区别。

真正需要区分清楚的是4GB 版和 2GB 版。2GB 版是后来推出的低成本版本，内存砍半，供电主要靠 micro-USB，CSI 接口也只有一个，而且它的系统镜像和 4GB 版不通用。如果你把 4GB 的镜像烧到 2GB 的卡上，或者反过来，最典型的症状就是卡在 NVIDIA logo 那里一动不动。所以下载镜像前，先确认自己板子上印的型号。

1.2 配件清单：少一样都开不了机

Nano 开发套件本身只有一块载板加一个核心 module，其他都得自己配。我建议按下面这个清单准备，缺任何一样都会让你卡在某个环节：

• microSD 卡：官方推荐 32GB UHS-1，但 32GB 装完系统加模型基本就满了，我建议直接上 64GB 或 128GB 的 A1/V30 卡。劣质卡的表现是烧录很慢、启动要两分钟以上、编译时随机报 I/O 错误，别在这上面省几十块钱。
• 电源：5V 4A 的 DC 圆孔电源是首选，配上 J48 跳线帽短接，才能解锁 10W 模式。如果只用 micro-USB 供电，官方限制是 5V 2A，一旦插上 USB 摄像头加无线网卡，很容易触发欠压保护直接重启。
• USB 摄像头或 CSI 摄像头：USB 摄像头最省事，插上就是/dev/video0；CSI 摄像头延迟更低、占用 CPU 更少，但需要单独买排线，而且 B01 的排线方向和某些第三方摄像头模组可能相反，插反了不烧但不出图。
• HDMI 显示器 + USB 键鼠：首次初始化必须有，除非你走串口方案。
• 散热片和风扇：官方套件通常带一个 5V PWM 风扇，如果没有，务必自己加一个。Nano 满载跑目标检测时，裸板温度十分钟就能上 70℃ 以上，然后开始降频，帧率会掉得很明显。
• 网线或 USB 无线网卡：初始化完成后建议直接接网线，比无线网卡稳定，速度也快得多。

1.3 供电和散热是前期最容易翻车的两个环节

先说供电。Nano 载板上有两个供电入口：micro-USB 口和 DC 圆孔。圆孔旁边有两个针脚，丝印是 J48，用跳线帽短接之后，系统才知道"我应该从圆孔取电"。如果不短接 J48 却插了 DC 电源，板子依然会尝试从 micro-USB 取电，结果就是供电不足、USB 设备识别不稳定。这个跳线帽在官方套件里是附带的，很小，容易丢，丢了可以用杜邦线母头临时顶一下。

再说散热。Jetson Nano 的温度监控点有好几个，CPU、GPU、PLL、PMIC 各有一个。跑 detectNet 的时候，GPU 温度会比 CPU 高，通常也是它的温度先逼近阈值。我的经验是：只要上了风扇，把target_pwm开到 200 左右，满载长时间跑也能稳在 60℃ 上下；如果只有散热片没风扇，五分钟之内就会看到帧率从 20 掉到 12 左右，那就是在降频了。后面第 6 节我会给一个自动控温的脚本，比手动写 PWM 值省心得多。

2. 系统镜像烧录：JetPack 版本选择与 SD 卡处理

系统安装这一步看起来简单，但选错版本是新手最常见的时间黑洞。我先说结论：Jetson Nano 4GB（含 B01）只能用 JetPack 4.6.x 系列，底层是 Ubuntu 18.04 LTS。下面解释为什么，以及具体怎么烧。

2.1 为什么只能说 Ubuntu 18.04 和 JetPack 4.6.x

Jetson Nano 用的是 Tegra X1 系列 SoC，NVIDIA 对它的 L4T（Linux for Tegra）支持停在 32.x 版本，而 L4T 32.x 对应的根文件系统就是 Ubuntu 18.04。JetPack 5.x 开始只支持 Xavier、Orin 这一代，Nano 不在支持列表里。所以你在网上看到"Jetson 装 Ubuntu 22.04"的教程，绝大多数讲的是 Orin Nano 或者 Xavier NX，不要直接套到 Nano 上。

那能不能自己动手把 Nano 升到 20.04 甚至 22.04？技术上能，需要自己编译内核、处理 GPU 驱动的依赖，社区里有人做过，但过程非常折腾，而且大概率会遇到 CUDA 和 OpenCV 的兼容问题。对于"我要跑通官方 Demo"这个目标来说，完全没有必要。接受 Ubuntu 18.04 这个事实，后面能省掉一整天的debug时间。

具体镜像我推荐找JetPack 4.6.1（L4T 32.7.1）或 4.6.4的 SD 卡镜像，文件名形如jetson-nano-jp461-sd-card-image.zip。注意一定要看清楚是 4GB 版还是 2GB 版的镜像，两者的文件名里会有区分。

2.2 镜像下载与烧录完整流程

镜像压缩包大概 6 到 7 GB，解压出来的img文件接近 14 GB。下载完之后按下面步骤操作：

首先校验一下压缩包完整性，如果下载过程中断了，解压会报错，白等半天：

sha256sum jetson-nano-jp461-sd-card-image.zip # 和官方页面给出的哈希值对比

然后解压：

unzip jetson-nano-jp461-sd-card-image.zip

Windows 用户直接用 BalenaEtcher 就行，图形界面，选镜像、选卡、点 Flash，不需要额外操作。Linux 或 macOS 用户可以用dd，但一定要确认目标设备名，写错盘符会直接毁掉你的系统盘：

lsblk # 先确认 SD 卡是 /dev/sdX 还是 /dev/mmcblkX sudo dd if=sd-blob-b01.img of=/dev/sdX bs=4M status=progress conv=fsync sync

conv=fsync这个参数很有用，它保证数据真正落盘再返回，不用手动再敲一次 sync。bs=4M比默认的 512 字节快很多，64GB 的卡大概 8 到 15 分钟能写完。

注意：dd的of=后面必须是整块设备（比如/dev/sdb），不能带分区号（不能写/dev/sdb1）。写错了会把分区表搞乱，虽然通常还能重新格式化救回来，但没必要冒这个风险。

2.3 拆 module 插 SD 卡：新手最容易卡住的一步

这是我觉得最反直觉的一个设计：Jetson Nano 开发套件的 microSD 卡槽在核心 module 的背面，也就是朝向载板的那一面。也就是说，你必须先把 module 从载板上拆下来，才能插卡。

操作步骤是：先把所有线缆（电源、HDMI、USB、网线）全部拔掉，卸下 module 两端的两颗固定螺丝，然后用双手拇指顶住 module 的边缘，沿着 SODIMM 连接器的方向斜向上轻轻拔出。module 和载板之间是 260 pin 的 SODIMM 接口，插拔手感类似笔记本内存条，需要一点力但绝对不要用蛮力撬。

拔下来翻面，就能看到卡槽。把 microSD 卡金属触点朝下推进去，听到"咔"的一声说明卡住了。然后把 module 装回去，注意方向和金手指对齐，斜着插到底再压平，拧上螺丝。

我见过不少人插好卡装回去之后，上电没反应，最后发现是 module 没插到底，金手指只接触了一半。所以装回去之后，用手轻轻按一下 module 的四个角，确认没有翘起。

3. 首次开机与基础系统配置

卡插好了，接下来就是初始化。这一步的分岔点是：你有没有显示器。

3.1 有显示器 / 没显示器两种初始化路线

有显示器的情况（推荐）：接上 HDMI 显示器、USB 键鼠、网线，然后接 DC 电源。第一次开机大概需要 1 到 2 分钟，屏幕上会出现 NVIDIA 的 logo，然后进入 Ubuntu 的 OEM 配置向导。

向导里几个关键选择：语言建议选English，虽然选中文也能用，但部分命令行工具在中文 locale 下会输出乱码，目录名变成"桌面""下载"之后，很多脚本的路径会找不到，后面还得改回来。用户名不要用nvidia（旧版镜像会拒绝创建，因为系统里有同名用户），密码自己设，简单点无所谓，这是局域网内网设备。

最后一步会问你 APP partition size，一定选max，让它把整张卡的空间都用上。如果这里选小了，后面还得用resize2fs手动扩，多一道工序。

没显示器的情况：有两个办法。一是走串口，Nano 载板上有一个 4 针的串口调试口（丝印 J44），用 USB-TTL 模块把 TXD 接 RXD、RXD 接 TXD、GND 接 GND，波特率设 115200 8N1，开机就能看到完整的启动日志和登录提示。二是把 SD 卡插到读卡器上，在电脑上挂载 rootfs 分区，用镜像自带的l4t_create_default_user.sh脚本预置默认账号：

sudo mount /dev/sdX1 /mnt sudo cp /usr/bin/qemu-aarch64-static /mnt/usr/bin/ sudo chroot /mnt /bin/bash # 进入 chroot 后 /l4t_create_default_user.sh -u nvidia -p nvidia -n jetson-nano -a exit sudo umount /mnt

这样系统启动后会跳过 OEM 向导，直接用nvidia/nvidia登录。第二种方法需要一定的 Linux 基础，中间任何一步出错都可能让系统起不来，我更推荐第一次装的时候老老实实接显示器。

3.2 换源、扩容 swap、装 jtop

进系统之后先别急着跑 Demo，把基础环境理顺。第一件事是换 apt 源，默认的ports.ubuntu.com在国内下载速度感人，更新一次能等到睡着。

Ubuntu 18.04 ARM64 的源列表在/etc/apt/sources.list，注意一定要用ubuntu-ports路径，不能用 x86 的ubuntu路径：

sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak sudo sed -i 's|http://ports.ubuntu.com/ubuntu-ports|https://mirrors.ustc.edu.cn/ubuntu-ports|g' /etc/apt/sources.list sudo apt-get update

注意：NVIDIA 自己的 L4T 源在/etc/apt/sources.list.d/nvidia-l4t-apt-source.list，不要动它。那个源里的包版本和你的 L4T 版本是强绑定的，换成第三方镜像很容易出现依赖冲突，导致 CUDA 组件装不上。

第二件事是扩容 swap。4GB 内存编译jetson-inference的时候非常容易 OOM，因为make -j4会同时起四个编译进程，每个进程峰值能吃到 1GB 以上。默认镜像的 swap 只有 2GB 左右，不够用。扩到 8GB：

sudo swapoff /var/swapfile sudo dd if=/dev/zero of=/var/swapfile bs=1M count=8192 status=progress sudo chmod 600 /var/swapfile sudo mkswap /var/swapfile sudo swapon /var/swapfile free -h # 确认 swap 那一行变成 8G

这里用dd而不是fallocate，是因为部分 SD 卡的控制器对 fallocate 预分配的空间处理有问题，写进去的数据可能是坏的，dd一个字节一个字节写最稳妥。顺便把 swappiness 调低一点，让系统优先用物理内存：

echo 'vm.swappiness=10' | sudo tee -a /etc/sysctl.conf

第三件事是装jetson-stats，也就是jtop，这是个必装工具，能实时看 CPU/GPU 占用、内存、各区域温度、风扇转速、当前电源模式，比htop有用得多：

sudo apt-get install python3-pip sudo -H pip3 install -U jetson-stats sudo systemctl restart jetson_stats.service jtop

pip 也可以换成国内源，不然装包的时候会一直转圈：

mkdir -p ~/.pip cat > ~/.pip/pip.conf << 'EOF' [global] index-url = https://pypi.tuna.tsinghua.edu.cn/simple trusted-host = pypi.tuna.tsinghua.edu.cn EOF

3.3 Python 环境与依赖安装的取舍

Jetson Nano 上的 Python 包选择有个原则：能用 apt 装的就用 apt，不要用 pip。原因是 aarch64 架构的预编译 wheel 很少，pip install numpy在 Nano 上会现场编译，运气好二十分钟，运气不好直接 OOM。

系统自带 Python 3.6，python3-numpy、python3-opencv、python3-dev这些常用包直接用 apt 装：

sudo apt-get install -y python3-numpy python3-opencv python3-dev python3-pip

CUDA 和 cuDNN 是 JetPack 镜像里预装的，不用自己折腾。验证一下：

nvcc --version # 应该显示 CUDA 10.2 ls /usr/lib/aarch64-linux-gnu/ | grep cudnn

如果nvcc找不到，可能是环境变量没配，加到~/.bashrc里：

export PATH=/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

4. 官方 Demo 一：目标检测跑通全流程

准备工作做完，就可以进入正题了。NVIDIA 官方的jetson-inference项目是跑 Demo 最省事的路径，它把 TensorRT 推理、摄像头采集、OpenGL 显示都封装好了，编译完直接命令行就能用。

4.1 编译 jetson-inference 的正确姿势

先拉代码。用--recursive是因为它依赖几个 submodule，漏了这个参数后面编译会报找不到头文件：

sudo apt-get install -y git cmake libpython3-dev cd ~ git clone --recursive --depth=1 https://github.com/dusty-nv/jetson-inference cd jetson-inference mkdir build && cd build

接下来是cmake，这一步有个坑要提前知道：配置阶段会弹出一个基于 dialog 的模型下载界面。它会把所有可用的预训练模型列出来让你勾选，如果全选，总下载量有好几个 GB，网速慢的话能等一小时。我的建议是第一次只勾需要的：

• SSD-MobileNet-V2（目标检测，COCO 91 类，必选）
• ResNet-18（图像分类，顺手勾上）
• GestureNet（手势识别，5.2 节要用）

用方向键移动、空格勾选、回车确认。如果勾错了想重来，删掉build目录重新cmake一次就行。

然后编译。这里一定要根据内存情况调整并行度：

make -j2 # 4GB 内存建议 -j2 sudo make install sudo ldconfig

make -j2比-j4慢一些，但不会 OOM。如果你已经按 3.2 节把 swap 扩到了 8GB，可以试试-j3，但-j4我不推荐，实测有概率在编译cuda相关文件时被 OOM killer 干掉。

编译时间大概 40 到 90 分钟，取决于 SD 卡速度。期间可以用jtop盯着温度和内存，如果温度持续超过 75℃，把风扇 PWM 调高。

4.2 detectNet 命令详解与参数调优

编译完成后，可执行文件在build/aarch64/bin下。先跑一张静态图片看看能不能出结果：

cd ~/jetson-inference/build/aarch64/bin ./detectnet --network=ssd-mobilenet-v2 /usr/share/backgrounds/gnome/*.jpg output.jpg

会生成一张画了检测框的output.jpg。确认能跑通之后，接摄像头：

./detectnet /dev/video0 # USB 摄像头 ./detectnet csi://0 # CSI 摄像头 ./detectnet csi://0 --network=ssd-inception-v2

常用参数我列一下，这几个是实际调优时最常改的：

调优思路上，--threshold是最值得花时间的参数。默认 0.5，在光线一般的室内场景下，人、杯子、键盘这些常见物体的置信度会在 0.35 到 0.55 之间浮动。把它降到 0.35，检出率上来了，但误检也明显变多；提到 0.7，画面干净但经常漏掉远处的目标。我的经验是按场景定：固定机位、光照稳定用 0.5，移动场景用 0.4。

另外--overlay里如果去掉labels，渲染开销会小一些，帧率能提 1 到 2 FPS，在 Nano 这种 GPU 和显示共用资源的平台上，这个提升不算小。

Python 版本也有，接口一样，只是把可执行文件换成detectnet.py：

./detectnet.py /dev/video0 --network=ssd-mobilenet-v2

4.3 实测帧率、功耗与温度数据

我在自己的 B01 上做了一轮实测，环境是：10W 模式（nvpmodel -m 0）+jetson_clocks，USB 摄像头 640x360 MJPEG，SSD-MobileNet-v2，输入 300x300，jtop记录数据。结果大致如下：

几个结论值得注意。第一，显示输出会吃掉 5 FPS 左右，因为 Nano 的 GPU 要同时做推理和 OpenGL 渲染，如果只是做后台推理（把结果通过网络推出去），帧率会明显更高。第二，风扇的有无对持续帧率的影响比想象中大，短时间跑看不出差别，超过三分钟就开始分化。第三，5W 模式基本没有实用价值，除非你在做电池供电的移动设备并且能接受 8 FPS。

4.4 目标检测常见报错排查

跑 detectNet 时遇到的错误，我整理了几个高频的：

报segmentation fault或者直接退出：八成是模型没下载完整。检查jetson-inference/data/networks/SSD-MobileNet-V2/目录，应该有一个.onnx和一个.caffemodel之类的文件，大小对不上就删掉重新跑cmake触发下载。

报failed to open /dev/video0：先用ls /dev/video*确认设备号，有些摄像头枚举出来是video1或video2。再看v4l2-ctl --list-devices有没有识别到。如果插的是 CSI 摄像头，确认排线方向和接口编号（CAM0 对应csi://0）。

画面卡住不动、帧率突然掉到 1 FPS：检查 SD 卡是不是写满了，或者 swap 在疯狂读写。jtop里能看到 SD 卡占用率和 swap 使用量。如果 swap 一直在动，说明物理内存不够，考虑换个更小的模型或者关掉一些后台服务。

检测框抖动严重：这不是 bug，是单帧检测的固有特性。SSD 系列不带跟踪，每一帧独立推理，物体稍微动一下框就跳。要平滑得靠后处理加跟踪算法，或者换更稳定的模型。

提示：jetson-inference还自带了detectnet-snap.py之类的示例脚本，可以把检测结果直接存成图片，做数据集筛选或者效果对比的时候很省事。

5. 官方 Demo 二：手势识别实测

目标检测跑通之后，手势识别是另一个很有意思的官方 Demo。它和 detectNet 最大的区别是：它不是对单张图做分类，而是对一段视频序列做动作判断，所以输入必须是连续的视频流，静态图片喂进去没意义。

5.1 gestureNet 的模型原理和它能识别什么

gestureNet用的是 3D 卷积网络，训练数据来自 20BN-Jester 数据集的一个子集。所谓 3D 卷积，就是在普通卷积的"高、宽"两个维度之外，多加了"时间"这一个维度，卷积核同时在空间和时间上滑动，因此它能捕捉"手在往哪个方向移动"这类动态信息，而不是只看单帧的手势形状。

它能识别的手势是固定的一组，大致包括：

• 向上、向下、向左、向右滑动
• 顺时针、逆时针转手
• 大拇指向上、大拇指向下
• 双手/单指放大、缩小
• 手指敲击、把手拉近、把手推远
• 无手势、其他动作

注意"无手势"和"其他动作"是两个独立的类别，模型会把画面里任何不符合上述动作的东西都归到这两类里。这也是实测时最容易困惑的地方——你随便挥挥手，它可能一直输出"no gesture"。

因为要做时间维度的卷积，模型需要缓存一段帧序列才能出一次结果，所以它的输出延迟明显高于目标检测，而且帧率越低，同一个动作被识别的概率越低，因为采样点变少了。

5.2 运行命令与输入流注意事项

gestureNet是通过imagenet这个工具调用的，因为它本质还是个分类网络：

cd ~/jetson-inference/build/aarch64/bin ./imagenet /dev/video0 --network=gesturenet ./imagenet csi://0 --network=gesturenet

实际命令行参数可能会随版本略有差别，跑之前先./imagenet --help看一眼，以你本地版本为准。

实测下来有几个要点必须注意：

第一，手要在画面里待够时间。动作做完之后别急着放下，保持一两秒，模型才有足够的帧来判定。我一开始做"向上滑动"，手划一下就放下来，结果一直识别成"no gesture"，后来把手停在画面上方等了两秒，才正确输出 "swiping up"。

第二，背景要干净。3D 卷积对背景运动很敏感，如果画面里有人在走动、风扇在转，很容易干扰。找一面素色墙或者纯色桌面对着，识别率会明显提升。

第三，光照要均匀。逆光或者单侧强光会让手的轮廓糊掉，模型区分不了手指动作。室内正常顶灯就够。

第四，帧率要够。手势识别在 Nano 上实测大概 8 到 15 FPS，比目标检测低一截，因为 3D 卷积的计算量更大。如果用 USB 摄像头，建议把摄像头分辨率降到 640x480 并把格式设成 MJPEG，能减轻不少带宽和解码压力：

v4l2-ctl --device=/dev/video0 --set-fmt-video=width=640,height=480,pixelformat=MJPG

5.3 实测效果、延迟和适用边界

我在正常室内光线下测了一轮，把每个手势做十次，大致的结果是：向上、向下、向左、向右这四个滑动动作最稳，十次里能对七八次；放大缩小和转手这些动作识别率差一些，大概五成到六成；大拇指上下比较容易和"其他动作"混淆。

延迟方面，从动作结束到屏幕输出正确标签，大概有 0.5 到 1 秒的滞后，这是模型需要攒帧导致的，属于原理层面的限制，不是配置问题。所以它不适合做实时性要求高的交互，比如用它控制小车转向什么的，体验会很差。

它适合的场景是：做演示 Demo、课堂讲解 3D 卷积原理、验证摄像头和推理链路是否正常。真要拿手势做实际交互，更靠谱的路线是用轻量关键点检测（比如手部 21 点检测）加自研的规则判断，或者用 Edge Impulse 这类平台在 PC 上训一个小模型再部署过来，延迟和准确率都会好很多。

6. 让 Nano 跑得更稳：性能与散热调优

Demo 能跑起来只是第一步，长时间稳定运行是另一回事。这一节讲几个实际调优手段。

6.1 nvpmodel 与 jetson_clocks 的组合用法

Jetson Nano 有两个预设的电源模式，用nvpmodel切换：

sudo nvpmodel -q # 查询当前模式 sudo nvpmodel -m 0 # 10W 模式：4 核全开 1.43GHz sudo nvpmodel -m 1 # 5W 模式：2 核 918MHz

10W 模式必须配合 DC 5V4A 供电和 J48 跳线短接才能启用，否则切过去之后系统会因为供电不足直接挂掉。

jetson_clocks是另一回事，它不是超频，而是把频率锁在最高档，禁止 DVFS 动态调频：

sudo jetson_clocks # 锁定最高频 sudo jetson_clocks --show # 查看当前频率 sudo jetson_clocks --restore # 恢复默认

这两个命令组合起来用效果最好：nvpmodel -m 0解锁硬件上限，jetson_clocks保证推理时频率不会因为短暂的负载波动掉下来。实测在目标检测场景下，这个组合相比默认状态能提升 15% 到 20% 的稳定帧率。

但要注意，jetson_clocks锁频之后功耗和温度都会上升，必须保证散热跟上。如果只有散热片，不要开这个。

6.2 风扇控制与温度监控脚本

官方 PWM 风扇的转速是写在/sys/devices/pwm-fan/target_pwm里的，取值范围 0 到 255：

sudo sh -c 'echo 255 > /sys/devices/pwm-fan/target_pwm' # 全速 sudo sh -c 'echo 0 > /sys/devices/pwm-fan/target_pwm' # 停转

手动调太麻烦，我一般直接挂一个后台脚本，按温度自动调速。温度读数的位置在/sys/devices/virtual/thermal/thermal_zoneN/temp，几个 zone 对应不同区域，数值单位是毫摄氏度，需要除以 1000：

#!/bin/bash # fan_ctl.sh - 按最高温度自动调节风扇转速 while true; do max_temp=0 for zone in /sys/devices/virtual/thermal/thermal_zone*/temp; do t=$(cat $zone) [ "$t" -gt "$max_temp" ] && max_temp=$t done temp=$((max_temp / 1000)) if [ $temp -lt 45 ]; then pwm=0 elif [ $temp -lt 55 ]; then pwm=100 elif [ $temp -lt 65 ]; then pwm=180 else pwm=255 fi echo $pwm | sudo tee /sys/devices/pwm-fan/target_pwm > /dev/null sleep 5 done

这个脚本每 5 秒检查一次所有温区，取最高值来决定转速。阈值我设的是 45℃ 以下停转、75℃ 以上全速，实际跑下来温度基本稳在 55 到 65 之间，风扇也不会一直狂转吵人。

注意：不同版本的 BSP 里pwm-fan的路径可能略有差异，如果写入报"No such file"，用find /sys -name 'target_pwm'找一下实际路径。

6.3 后续可扩展方向

官方的这两个 Demo 跑通之后，接下来的路线大致有三条。

一是换更实用的检测模型。jetson-inference自带的 SSD 系列精度一般，如果想做具体场景（比如行人、车辆、安全帽），可以自己用 YOLOv5 训练，然后导出 ONNX，在 Nano 上用 TensorRT 转成 engine 跑。YOLOv5s 在 Nano 4GB 上用 FP16，输入 640，实测大概 8 到 12 FPS，能做到实用。关键是 PyTorch for Jetson 的 wheel 要从 NVIDIA 官方渠道装，不要用 pip 默认源里的。

二是上 DeepStream。如果你要做多路视频流的解码、推理、编码推流，自己写 GStreamer 管道太累，DeepStream 把这些封装好了。不过它在 Nano 上能跑的版本比较老，多路并发能力有限，适合做两路以内的场景。

三是考虑升级硬件。如果项目真的卡在算力上，Orin Nano 是个很自然的升级路径，同样的软件栈、同样的开发方式，算力提升是数量级的。Jetson Nano 的定位始终是学习和原型验证，别难为它做工业级的多路实时推理。

7. 踩坑记录与常见问题速查

7.1 问题速查表

把前面提到的和没提到但经常遇到的问题汇总一下，方便对着排查：

7.2 几条我实测有效的经验

第一个经验是把整个系统的镜像备份下来。所有环境配好、Demo 跑通之后，用dd把整张 SD 卡读出来存成.img，以后不管怎么折腾坏了，十几分钟就能恢复到可用状态，比重新装一遍省太多时间。

sudo dd if=/dev/mmcblk0 of=~/nano_backup.img bs=4M status=progress

第二个经验是不要在 SD 卡上跑需要频繁读写磁盘的任务。SD 卡寿命有限，日志狂写、数据集频繁读取都会加速磨损。如果项目要长期跑，考虑用 USB 3.0 移动硬盘或者网络存储来放数据和日志。

第三个经验是串口调试口是救命的。当系统因为配置错误起不来、SSH 也连不上时，串口是唯一能看到内核日志的通道。花二十块钱买个 USB-TTL 模块备用，不会亏。

最后一个经验是先确认硬件，再折腾软件。我见过太多人把时间花在改配置、换镜像上，最后发现是电源不够或者散热不行。拿到板子第一件事，拍照记录型号、确认电源规格、检查跳线帽、把风扇插好，这十分钟能让后面少走很多弯路。