企业官网建设流程全解析

2026.9.22 最新 Jetson AGX Orin 刷机/重装系统全记录：JetPack 6.2.3 + conda + PyTorch + YOLO

最近又把我的 Jetson AGX Orin 折腾了一遍，从刷机到 JetPack 6.2.3，再到 conda 环境、PyTorch 安装和 YOLO 部署，整个链路走下来踩了不少坑，也攒了不少经验。这篇文章就把完整过程写出来，包括刷机的关键步骤、conda 在 ARM 平台上的坑、PyTorch 不能直接用 pip 装的真相，以及 YOLO 推理加速的实用做法。无论你是刚拿到 Orin 想重装系统，还是刷完之后卡在环境配置这一步，这篇都能给你一条走通的路。

Jetson AGX Orin 这块板子的定位是边缘侧 AI 计算的主力，64GB 统一内存加上 Ampere 架构的 GPU，跑目标检测、实例分割、多模态模型都没压力，但前提是系统环境和深度学习框架得配好。JetPack 6.2.3 是目前比较新的系统套件，内置了 CUDA、cuDNN、TensorRT 等一堆组件，很多老教程还停留在 JetPack 5.x，跟着抄作业容易翻车。我这篇文章会贴近当前版本的实际表现，把刷机、conda、PyTorch、YOLO 这几件事讲清楚，适合刚入手 Orin 的开发者、做边缘部署的工程师，以及给实验室板子做维护的同学参考。

1. 刷机前的思路：为什么重装系统、用什么方案最省事

1.1 什么情况下需要重刷系统

先说结论：不是所有问题都要刷机，但刷机是很多疑难杂症的终极解药。我这次重刷的原因很简单——之前为了贪方便在某处拷了一个别人打包的镜像，结果系统里残留了一堆乱七八糟的依赖，nvcc版本和 CUDA runtime 对不上，编译 TensorRT engine 的时候各种奇葩报错，最后干脆推倒重来。

以下情况我建议直接刷机：

• JetPack 版本太旧，比如还在 5.x，而你想跑的模型或新版 PyTorch 需要 CUDA 12.x。
• 板子上的系统被改坏了，比如误删了/usr/lib/aarch64-linux-gnu下面的关键库，或者dpkg出现大量损坏包。
• 磁盘空间长期紧张，eMMC 上的系统分区快塞满了，想重新调整分区布局。
• 你需要切换到不同的启动模式，例如把根文件系统放到 NVMe 上而不是 eMMC。

反过来，如果你的板子只是某个包装坏了，比如 pip 的依赖冲突，那不是刷机的理由。conda 可以隔离环境，apt install --reinstall也能救回来，别一上来就刷机——刷机一次至少半小时，还得重新配环境。

1.2 JetPack 6.2.3 到底给了你什么

JetPack 6.2.3 是 NVIDIA 在 6.x 系列里的一个稳定版本，宿主系统基于 Ubuntu 22.04（aarch64），内核版本在 5.15 左右。它包含的组件大致有：

这个组件表记住一个重点：TensorRT 是独立于 CUDA 的，刷完系统之后如果你要自己编译 TensorRT 插件，版本一定要和板上的库匹配，否则运行时会直接报不安全的版本错误。我后面在 YOLO 部分会再提到。

1.3 刷机方案选型：SDK Manager vs 命令行烧录

Jetson 刷机主流有三种方式，我按推荐程度排个序：

1. SDK Manager（图形化）：最推荐，尤其对新手。主机上装好 SDK Manager，通过 USB-C 连接板子，它能自动检查板子型号、下载对应 JetPack、刷系统、装组件，全程图形界面，出错提示也比较友好。
2. 命令行烧录（sdkmanager CLI 或直接跑 flash.sh）：适合在无图形界面的服务器上操作，或者你脚本化了整个流程。需要自己下载驱动包和样本文件系统，然后用./flash.sh或sdkmanager --cli烧录。可控性更强，但对操作者的理解要求更高。
3. 镜像直刷（用 dd 或 Etcher 写 eMMC/NVMe）：最快但最不灵活，通常只用于恢复出厂。如果别人的镜像包含了很多私有配置，不建议用。

我这次用的是 SDK Manager + 命令行结合的方式，因为主机是 Ubuntu 22.04 无桌面环境，SDK Manager 图形界面开不了，我直接用它的 CLI 参数跑。重点讲一下 CLI 的用法，这招在很多场景下都比点点点高效：

# 下载 sdkmanager 后安装，然后用如下命令查看可用版本 sdkmanager --list | grep -i "version=6.2.3" # 直接刷系统并默认不安装组件（组件后面用 apt 装） sdkmanager --cli --action install \ --login-type devzone \ --product Jetson \ --version 6.2.3 \ --target-os Linux \ --host \ --target AGX_orin \ --exitonfirstfailure \ --accept-license \ --stay-logged-in

这里有个细节：--exitonfirstfailure的意思是只要某一步失败就立刻退出，避免刷到一半日志刷屏你还没发现。--accept-license是必须的，不然连不上授权服务器。

2. 刷机实操：恢复模式、连接方式和分区布局的坑

2.1 进入恢复模式，这个细节错了全盘皆输

刷机的第一步是把板子弄进 USB 恢复模式（USB Recovery Mode）。AGX Orin 开发套件上有两个关键硬件：Jetson 模块底部的 Recovery 按钮和Micro-B USB 口（在开发套件的背板侧面，靠近电源口那一侧）。

具体操作：

1. 先把主机和板子用 USB-C 线连接好，线最好是支持数据通信的，有些廉价充电线只能供电不能传数据，这坑我踩过。
2. 板子电源断开（不接电源适配器）。
3. 按住 Recovery 按钮不松手，同时接上电源（或者给板子上电），保持按住 Recovery 按钮约 2 秒后再松开。
4. 在主机上执行lsusb，应看到NVIDIA Corp. APX设备，识别码类似0955:7023。看到这个就说明恢复模式已经进入成功。

如果lsusb里没有出现 APX，常见原因是 USB 线问题，或者你按住 Recovery 的时间不对。另一个细节是：AGX Orin Developer Kit 默认上电后直接启动，如果你接的是已经装过系统的 eMMC，它不会自动进恢复模式，必须按 Recovery 才能让 BootROM 进入 USB 下载状态。

2.2 SDK Manager 的安装配置流程

主机端先装 SDK Manager：

sudo apt install -y ./sdkmanager_2.x.x.deb sdkmanager --cli --login-type devzone --username <你的账号> --password <你的密码>

这里我要提醒一句：SDK Manager 是 NVIDIA 账号体系，需要注册一个 Developer Program 账号。没有账号的，可以先去官网注册，免费的，就是多一步认证。

在图形界面里，勾选的组件我建议按下面这组来：

• Jetson SDK Components：勾全套，包括 CUDA、TensorRT、cuDNN 等。
• Host Machine Components：如果你主机本身想装 CUDA，可以勾，但没必要，因为主机只负责刷机，跑训练还是在板子上。
• DeepStream：做视频分析再勾，如果只是跑 YOLO 验证，可以先不装。

组件安装路径要注意，SDK Manager 默认会把 L4T 驱动包和样本文件系统下载到~/.nvidia-sdk/，如果你的主目录在 /home 且空间不够，建议在安装前改一下Preferences里的下载目录，因为一个 JetPack 6.2.3 的完整包大概有 7GB 到 9GB。

2.3 分区布局：eMMC vs NVMe，这不是选择题

AGX Orin Developer Kit 出厂默认是 64GB eMMC 作为系统盘，但实际可用空间很有限。JetPack 6.2.3 装完基础组件后，/分区经常只剩 20GB 出头，你装 conda、PyTorch、ultralytics 权重、数据集，很快就捉襟见肘。

所以我强烈建议在刷机阶段就做一件事：把根目录（rootfs）直接放到 NVMe SSD 上。SDK Manager 图形界面里有这个选项，命令行方式则在烧录前用nvautoinstall.sh脚本去配置：

# 下载 L4T 驱动包后，进入 Linux_for_Tegra 目录 # 先修改分区配置，让根文件系统落在 NVMe sudo ./tools/manage_partitions.py --disk nvme0n1 --layout layouts/AGX_orin_nvme.xml flash.xml sudo ./flash.sh p3509-p3767-0000+p3767-0001 nvme0n1

上面这条命令把系统刷到 NVMe，eMMC 就空出来做缓存或者直接不管。这样操作后，你的/分区就是 NVMe 的容量了，比如 1TB 的盘。注意：系统启动的时候，BootROM 首先读 eMMC 上的 bootloader，然后引导 NVMe 上的根文件系统，所以如果你后续把 eMMC 上的系统擦掉或改分区，可能影响启动，但一般不动它就没问题。

2.4 刷机后的初始配置清单

刷完系统，第一件事并不是急着装包，而是先做一轮基础配置：

# 设置用户密码、时区、网络 sudo passwd <你的用户名> sudo timedatectl set-timezone Asia/Shanghai # 给 root 和普通用户都加个 sudo 免密（看你习惯），避免后面反复输密码 sudo visudo # 安装基础工具 sudo apt update sudo apt install -y vim htop git curl wget net-tools

另外一个关键配置是nvpmodel。Jetson 板子默认以低功耗模式运行，如果你要跑模型训练或推理，先把模式切到最大性能：

# 查看可用模式 sudo nvpmodel -q # 切换到 MAXN 模式 sudo nvpmodel -m 0 # 打开所有 CPU/GPU 频率，fan 转速交给系统自动管理 sudo jetson_clocks

nvpmodel -m 0对应的就是 MAXN 模式，这是 AGX Orin 性能最顶的状态。我实测过，不切模式跑 YOLO 推理，FPS 只有切完模式的三分之一，这个差异非常明显。补充一句，jetson_clocks每次重启后要重新执行，可以写进/etc/rc.local或做成 systemd 服务，省得老是忘。

3. conda 在 ARM 平台上的安装与配置：别让 conda init 卡住你

3.1 选哪个发行版：Anaconda、Miniconda 还是 Miniforge

很多人在 x86 上习惯了conda install一堆包，拿到 AGX Orin 之后发现同样一条命令，包却装不上，或者安装过程慢得像蜗牛，原因在于 aarch64 的 conda 生态和 x86_64 不完全一样。

先明确：Jetson 上能不能用 Anaconda？能，但也有坑。新版的 Anaconda 官方已经提供 aarch64 的 Linux 安装包，可以直接装。但我个人推荐Miniforge，原因有三个：

1. Miniforge 默认走的是社区维护的 conda-forge 源，aarch64 的包覆盖比官方 channels 更全。
2. 它默认配置了strictchannel priority，避免 pip 和 conda 打架。
3. 它足够轻量，不往系统里塞一堆你用不到的工具。

安装流程：

# 下载 Miniforge 的 aarch64 安装包 wget https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Linux-aarch64.sh # 执行安装，建议加 -b 静默安装，然后手动初始化 bash Miniforge3-Linux-aarch64.sh -b -p $HOME/miniforge3 # 初始化 shell $HOME/miniforge3/bin/conda init bash source ~/.bashrc

3.2 conda activate 报错：CommandNotFoundError 和“conda 不是内部命令”

这两个问题是搜索热词里出现频率最高的，我详细说。

情况 A：conda activate 提示CommandNotFoundError: Your shell has not been properly configured to use 'conda activate'

这个是conda init没生效导致的。你执行了conda install之后直接敲conda activate myenv就会这样。解决办法很简单：

conda init bash source ~/.bashrc

但有一种情况是conda init之后.bashrc里的 block 已经写进去了，却仍然提示错误。这时候检查一下你的 shell 到底是什么，我遇到过有些用户默认 shell 是zsh，而你执行的是conda init bash。用echo $SHELL确认，然后对相应的 shell 做初始化。

情况 B：conda不是内部或外部命令，也不是可运行的程序或批处理文件

这个报错明确告诉你，系统在 PATH 里找不到 conda 命令。如果刚才安装路径没有问题，大概率是安装目录加 PATH 的那行没写入.bashrc。手动加一下：

export PATH=$HOME/miniforge3/bin:$PATH source ~/.bashrc

你还可以用which conda来定位 conda 的实际位置，确认它确实装在了$HOME/miniforge3/bin。

3.3 换源加速：阿里云、清华源配置实战

Jetson 在全球的网络环境中，下载 conda 包经常非常慢。实测下来，当前对 aarch64 表现最好的国内源是阿里云和清华源。配置方式：

conda config --add channels https://mirrors.aliyun.com/anaconda/pkgs/main/ conda config --add channels https://mirrors.aliyun.com/anaconda/pkgs/free/ conda config --set show_channel_urls yes

清华源配置类似。但这里有个坑必须提醒：不要只配一条 pkgs/main 就完事，aarch64 有些包只有在 conda-forge 里才有，比如pytorch-cpu这类，所以我的 channels 结构是这样：

channels: - conda-forge - https://mirrors.aliyun.com/anaconda/pkgs/main/ - https://mirrors.aliyun.com/anaconda/pkgs/free/ - defaults

优先级是 conda-forge 最高——conda 会优先从它找包，找不到再去阿里云。加了strictchannel priority 之后，可以减少包版本冲突的概率。

3.4 创建虚拟环境并处理 pip 源

PyTorch 的安装通常是用 pip 而不是 conda 直接装，所以我习惯先建一个干净的虚拟环境，再在环境内用 pip 装深度学习框架。创建环境的命令：

conda create -n yolo python=3.10 -y conda activate yolo

如果你发现conda create非常慢，除了换源，还可以考虑用mamba替代 conda 来创建环境。Miniforge 默认带 mamba，直接用mamba create速度提升非常明显。Jetson 上创建环境的本质是下载大量 aarch64 包，之前的网络不好时，conda create -n yolo花了十几分钟都很正常，改用 mamba 后快很多。

激活环境后，顺手把 pip 源也换掉：

pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/ pip config set global.extra-index-url https://pypi.org/simple/

extra-index-url必须要配，因为 PyTorch 的 wheel 有些是挂在官方源下的，只配阿里云源会找不到。

4. PyTorch 安装：Jetson 上为什么不能照搬 x86 的方法

4.1 为什么不能直接pip install torch

这是每个新人在 Jetson 上都会被卡住的问题。你在 x86 电脑上跑pip install torch会得到一个几个 GB 的 wheel，但在 AGX Orin 上直接这样装，通常报错是找不到匹配的版本，或者干脆装上去了 import 时崩掉。

原因在于 Jetson 是aarch64 架构，而官方 PyTorch wheel 默认只发布x86_64（部分版本也有aarch64的对外支持，但不是针对 Jetson 的 CUDA 12.x 定制版）。加上 Jetson 用的 GPU 是Ampere 架构（GA10B），其 CUDA capability 是 8.7，和桌面级 Ampere 显卡（8.0/8.6）不一样，所以 NVIDIA 专门为 Jetson 编译了一套 PyTorch 预编译包。

官方渠道给的安装方式是：从 NVIDIA 的 Jetson 仓库下载对应的 wheel，然后用 pip 安装。目前 JetPack 6.2.3 搭配的是 PyTorch 2.x 系列，比如 torch 2.3.x/2.4.x，对应 Python 3.10。

4.2 下载对应 JetPack 版本的 PyTorch wheel

一个比较稳的办法是直接到 NVIDIA 官方的 index 页下载：

# 在 conda 环境中执行 pip3 install torch~=2.4.0 --index-url https://download.pytorch.org/whl/test/cu121

这里要看清，cu121表示 CUDA 12.1 版本。但 Jetson 上的 CUDA 版本是 12.x，且不同 JetPack 对应的版本号略有差异。JetPack 6.2.3 默认的 CUDA 版本是 12.6，所以你要装 torch 的 wheel 应该和 JetPack 6.2/6.3 的预编译版本匹配。如果你对这个版本敏感，更靠谱的是直接去 Jetson 官方的 PyTorch 仓库看有没有对应的.whl文件：

# NVIDIA Jetson PyTorch for JetPack 6.2 pip3 install torch torchvision --index-url https://developer.download.nvidia.com/compute/redist/jp/v62/pytorch/

装的时候注意它需要 libpython 环境对齐，最好是先建好 conda 环境并激活，然后在里面执行上述命令，不要再系统 Python 里乱装。

4.3 验证安装和 GPU 识别

安装完别急着跑模型，先做个最小验证：

import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0)) print(torch.cuda.get_device_capability(0))

如果输出True且设备名是AGX Orin，说明 PyTorch 已经成功接上 CUDA。接着跑一个简单的矩阵运算看 GPU 是否真的在工作：

x = torch.rand(1024, 1024, device='cuda') y = torch.mm(x, x) print(y.sum().item())

这里补充一个关键点：PyTorch 的torch.cuda.is_available()只是判断 CUDA 驱动是否存在，并不代表算子都能跑通。我遇到过 wheel 版本和 CUDA 不匹配导致torch.mm直接报错的情况，所以建议大家装完一定要跑这个矩阵乘法验证。

4.4 torchvision 也要配套装

如果只装了 torch 不装 torchvision，后面跑 YOLO 会报ImportError: torchvision不全的问题。因为 ultralytics 在数据增强和 NMS 里大量用到 torchvision 的算子。

torchvision 同样要从 Jetson 仓库装，不能直接 pip：

pip3 install torchvision --index-url https://developer.download.nvidia.com/compute/redist/jp/v62/pytorch/

安装后验证一下：

import torchvision print(torchvision.__version__)

4.5 踩坑实录：numpy 版本冲突和 libstdc++ 缺失

我的经验里，Jetson 上 PyTorch 安装后最容易出的问题是numpy 版本不兼容。一些旧 wheel 期望 numpy 1.x，而 conda 默认装上的是 2.x，导致torch.from_numpy直接崩。解决办法是装完 torch 之后固定 numpy：

pip install "numpy<2.0" "numpy==1.26.4"

另一个坑是libstdc++.so.6缺失或版本太旧。如果报这个错，说明系统自带的 libstdc++ 版本跟不上 wheel 带的 GLIBCXX 要求。可以检查：

strings /usr/lib/aarch64-linux-gnu/libstdc++.so.6 | grep GLIBCXX

如果缺少高版本 GLIBCXX，就需要升级libstdc++6包：

sudo apt update sudo apt install --only-upgrade libstdc++6

一般来说，JetPack 6.2.3 自带的 libstdc++ 是够新的，但如果你的系统是从 5.x 升级上来的，就容易出问题。

5. YOLO 部署：从预训练权重到 TensorRT 加速

5.1 ultralytics 环境搭建与预训练模型下载

装完 PyTorch 和 torchvision，接下来就是 YOLO。现在 YOLO 系列的官方实现基本都统一到ultralytics这个包里，支持 YOLOv5/v8/v11 等一大家子。安装很简单：

pip install ultralytics

但要注意，ultralytics 的版本迭代很快，不同版本之间 API 会有微调。我当前装的是最新稳定版，导入后建议验证一下：

import ultralytics ultralytics.checks()

预训练模型下载是另一个容易卡住的地方。ultralytics 默认从 GitHub Release 下载权重，国内网络环境经常超时。稳妥的办法是手动下载然后放到指定目录：权重文件需要放在项目目录下的weights/文件夹，文件名保持原名，然后加载时指定绝对路径。

mkdir -p weights # 这里把 yolo11n.pt（或你选的其他模型）下载到 weights/ 目录 python -c "from ultralytics import YOLO; model = YOLO('weights/yolo11n.pt')"

如果下载太慢，可以用代理点或者从其他有权的镜像站下载后再传上去。权重文件不大，最常用的是 yolo11n.pt（约 6MB）、yolov8s.pt（约 22MB）这几个。

5.2 推理实操：图片、视频和摄像头流

环境就绪后，直接跑推理试试：

from ultralytics import YOLO model = YOLO("weights/yolo11n.pt") # 单张图片 results = model("test.jpg", device="cuda") results[0].show() # 视频文件 model.predict("test.mp4", device="cuda", save=True) # 摄像头实时检测 cap = cv2.VideoCapture(0) while cap.isOpened(): ret, frame = cap.read() if not ret: break results = model(frame, device="cuda") annotated = results[0].plot() cv2.imshow("YOLO", annotated) if cv2.waitKey(1) == ord('q'): break

这里有几个性能调优参数：

• device="cuda"：强制使用 GPU，不传这个默认 CPU，在 Orin 上帧率会很难看。
• imgsz=640：默认输入尺寸，如果你做边缘部署想提速，可以降到 416，精度会有轻微损失。
• conf=0.25：置信度阈值，调高可以减少误检。
• iou=0.45：NMS 的 IoU 阈值。

推理 FPS 实测：yolo11n.pt 在 AGX Orin 上，MAXN 模式 + TensorRT 加速，大概能跑 100+FPS；不转 TensorRT 直接用 PyTorch，只有 30FPS 左右。所以为了实战部署，TensorRT 转换几乎是必须的。

5.3 TensorRT 导出与运行：把 PyTorch 模型变成 engine

ultralytics 提供了简单的导出接口：

model.export(format="engine", half=True, imgsz=640, workspace=1, device="cuda")

导出的yolo11n.engine文件放到和模型权重同一个目录，推理时直接指定 engine：

model = YOLO("weights/yolo11n.engine") results = model("test.jpg", device="cuda")

导出 engine 的这个过程实际会做 FP16 量化，把模型结构做图优化，几项融合。workspace=1表示最大可用的显存/内存大小（GB），Orin 上设成 1 或 2 都行。半精度推理是 Jetson 上的核心提速手段，因为 Ampere 架构的 Tensor Core 对 FP16 有专门的加速单元。

但这里有一个细节：TensorRT engine 和 PyTorch 的torch.cuda.is_available()没有关系，它不需要 torch 在运行期参与。所以导出成 engine 之后，运行环境其实可以不装 PyTorch，这对部署很友好，但部署机上 TensorRT 版本必须和导出机的版本一致或更新，否则直接报错。把你的板子和部署机都保持在 JetPack 6.2.3 就最省心。

5.4 训练相关话题：损失函数、BN 崩溃、混淆矩阵

搜索词里有很多关于 YOLO 训练的内容，我简单说几个在 Orin 上训练会遇到的点。

先讲损失函数。YOLOv8/v11 的损失由三部分组成：分类损失（BCE）、边界框回归损失（CIoU 或 DFL）、以及可选的置信度损失。你在训练日志里会看到cls_loss、box_loss、dfl_loss三项，它们按一定权重加起来就是总损失。如果 Loss 下降很慢，先看是不是学习率太高，或者数据集标签是否有问题。

再讲 BN 崩溃（Batch Normalization 崩溃）。这个词指的是训练中某个 batch 上 BN 的均值和方差突然剧烈波动，导致 loss 变成 NaN。在 Jetson 上训练小 batch 时特别容易碰到，因为 Orin 显存有限，你只能开小 batch。解决办法是：

1. 扩大 batch size（或在单卡上做梯度累积）。
2. 降低初始学习率。
3. 确保没有 NaN 标签或损坏的图片数据。
4. 如果用了预训练模型，冻结 backbone 前几层，减少 BN 统计量剧烈变化。

混淆矩阵总合不唯一这个问题，通常是多标签或多类别数据集中，某些类别没有出现在 GT 或预测中，导致矩阵行和列之和看起来不对。用 ultralytics 自带的metrics.confusion_matrix()时，注意 un_cls 那一列表示背景/未分类，排布方式会和你在论文里看到的不一样，别当成 bug。

5.5 YOLO 在 Orin 上的最佳实践：DLA 与多模型并行

除了 TensorRT，AGX Orin 还有一个特殊硬件单元DLA（Deep Learning Accelerator）。DLA 是 NVIDIA 的专用深度学习推理加速器，算力略低于 GPU，但功耗极低，适合同时跑多个模型。TensorRT 导出时可以指定 DLA：

model.export(format="engine", imgsz=640, device="cuda", dynamic=True, dla_core=0)

但注意，DLA 对算子支持有限，像 YOLO 的很多自定义算子不一定能在 DLA 上跑。如果 DLA 导出失败，别纠结，老实跑 GPU。实际部署中我倾向于一个方案：YOLO 检测跑 GPU，其他轻量模型（比如分类器）放 DLA，两者并行吞吐量更高。

多模型并行时的显存分配也要注意。Orin 统一内存最多 64GB，如果同时跑两个 PyTorch 模型，torch.cuda.memory_summary()可以看出显存占用情况。系统不会自动限制每个进程的显存，所以多个进程同时占用时可能 OOM。稳妥的做法是给每个进程设置环境变量CUDA_VISIBLE_DEVICES=0（Orin 只有一块 GPU，这个变量主要是因为有些容器场景），或者使用 IPC 限制整体显存。

6. 常见问题与排查技巧实录：刷机到部署全链路速查表

最后把这一路踩过的坑整理成一个速查表，按流程阶段组织。这些都是在真实的使用环境中遇到过的，不是文档里直接抄的，大家可以对照排查。

再分享两个独家技巧：

技巧一：把 conda 环境目录复制到另一块板子。配好环境后，可以直接conda pack打包整个虚拟环境，然后到另一台同型号 Jetson 上解压使用。前提是两台的 JetPack 大版本一致，否则 PyTorch 和 TensorRT 版本不同会出问题。这个技巧对实验室批量部署特别有用。

技巧二：用 Docker 替代 conda。NVIDIA 官方提供了很多 JetPack 容器的预编译镜像，里面已经配好了 PyTorch、TensorRT 等。如果你的使用场景可以容器化，强烈建议直接用容器，省去刷机和环境配置的烦恼。但注意，容器还是要基于宿主机的 JetPack 版本，宿主系统还是要先刷到对应版本，容器的优势在于隔离和复用。

在 Jetson 上做深度学习的完整链路，说到底就是“刷机-环境-框架-部署”四个环节。刷机这一关过了，环境配好了，之后就是顺利成章的事情。我自己经过这一轮完整的折腾，最大的体会是：Jetson 的坑多数不是性能问题，而是版本匹配问题。PyTorch 要匹配 CUDA，CUDA 要匹配 JetPack，TensorRT 也要匹配 JetPack，每一个环节都是版本对应的关系。所以在你跟着任何教程操作之前，先看清楚教程对应的 JetPack 版本，不要拿 5.x 的经验硬套 6.x。如果按照本文的顺序操作一遍，你的 AGX Orin 应该能直接从裸机变成一个能跑 YOLO 的完整 AI 开发平台。