Jetson Orin Nano(最高 67TOPS)、Orin NX(最高 157TOPS)开发板升级 Ubuntu24.04 之后,完全可以跑 YOLO26 目标检测模型,适合机器人、工业视觉、巡检识别这类边缘场景;不过 Ubuntu24.04 对应的 JetPack 版本和旧系统不一样,CUDA、TensorRT、PyTorch 版本匹配是最大坑,直接照搬 Ubuntu22.04 的部署命令大概率报错,优先用 TensorRT 导出 engine 格式才能把 67TOPS、157TOPS 的 AI 算力释放出来,推理速度会比直接跑 pt 模型快很多。
为什么 Ubuntu24.04 下部署 YOLO26 要留意算力和系统适配
- 算力区分清晰:Orin Nano 满配 Super 模式是 67TOPS,Orin NX 16GB Super 模式是 157TOPS,NX 算力更高,适合多路摄像头、高分辨率 YOLO26 推理;Nano 适合单路轻量化识别、低功耗场景。
- Ubuntu24.04 对应 JetPack 6.x,预装 CUDA12.6,和老版 JetPack5(Ubuntu22.04)依赖包不通用,PyTorch、Torchvision、Ultralytics 都要选 ARM64 Jetson 专用包,不能直接装 x86 版本。
- YOLO26 原生 PyTorch 推理没法吃满 Tensor Core 和 DLA 加速,必须导出 TensorRT engine,才能发挥 67T/157T 算力;Orin NX 支持 DLA 核分担算力,进一步降低 GPU 占用。
- 内存瓶颈很容易出现:YOLO26 大模型 + 多路视频时,8GB 版本容易 OOM,16GB NX 会稳不少,Ubuntu24.04 的内存管理策略和旧版有差异,建议提前设置 swap 分区。
两块开发板算力 & 适用场景对照
| 型号 | 峰值算力 | 内存 | 推荐 YOLO26 版本 | 典型场景 |
|---|---|---|---|---|
| Jetson Orin Nano Super | 67 TOPS | 8GB | YOLO26n / YOLO26s | 单路摄像头、小车、无人机识别 |
| Jetson Orin NX 16GB Super | 157 TOPS | 16GB | YOLO26m / YOLO26l | 多路摄像头、工业质检、ROS 机器人 |
Ubuntu24.04 部署 YOLO26 实操步骤
- 刷写系统,选择 JetPack6.x 镜像,自带 Ubuntu24.04,刷完用jtop确认模块型号、功耗模式,执行sudo jetson_clocks拉满频率,解锁 67TOPS/157TOPS 算力。
- 环境更新,安装 pip、基础依赖
sudo apt update
sudo apt install python3-pip python3-pyvenv -y
pip install -U pip
- 安装适配 Jetson 的 ultralytics 套件
pip install ultralytics[export]
- 下载 YOLO26 权重,本地测试 PyTorch 推理是否正常
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
res = model.predict("test.jpg")
- 导出 TensorRT 引擎(可选开启 DLA 加速,NX 支持 DLA)
普通GPU导出
model.export(format="engine", half=True)
NX开启DLA加速
model.export(format="engine", device="dla:0", half=True)
- 加载 engine 文件推理,线上业务推荐这种方式,功耗更低、帧率更高
trt_model = YOLO("yolo26n.engine")
results = trt_model.predict("video.mp4", show=False, save=True)
- 稳定性调优:配置 swap、设置固定功耗,长时间跑 YOLO26 避免降频,散热要做好,高算力模式发热明显。
方案小结
Orin Nano 67TOPS 适合轻量化 YOLO26 部署,成本更低;Orin NX 157TOPS 余量充足,可以跑更大模型和多路流。Ubuntu24.04 部署 YOLO26 核心就是对齐 JetPack6 的软件栈,不要混用旧版本依赖;优先导出 TensorRT engine,才能真正发挥这块板卡标称的 AI 算力。
【常见问题】
问题 1:Jetson Orin Nano/NX 升级 Ubuntu24.04 部署 YOLO26,为什么跑不出 67TOPS、157TOPS 标称算力?
回答 1:大概率两个原因,一是没有开启 Super 功耗模式、没开 jetson_clocks,二是直接用 pt 模型推理没有导出 TensorRT engine,Tensor Core 和 DLA 没有被调用,算力跑不满。
问题 2:Ubuntu24.04 部署 YOLO26,Jetson Orin Nano(67TOPS)和 Orin NX(157TOPS)可以用同一套部署脚本吗?
回答 2:基础推理脚本通用,但是 DLA 加速配置只适合 Orin NX;Orin Nano 没有可用 DLA,导出时不要指定 dla 设备,同时 NX 可以承载更大的 YOLO26 模型和更多视频流。
问题 3:Ubuntu24.04 部署 YOLO26,JetPack 版本不匹配会怎么样?
回答 3:JetPack 版本不对会出现 CUDA、TensorRT 版本不兼容,ultralytics 导出 engine 失败、推理闪退,Ubuntu24.04 需要搭配 JetPack6.x,旧 JetPack5 是 Ubuntu22.04。
【参考资料】
[2026-11-01](Jetson + YOLO26 DeepStream 部署指南)Ultralytics 官方文档
[2025-01-16](JetPack6.2 为 Orin Nano、NX 新增 Super 模式)NVIDIA 开发者博客
[2024-05-09](Jetson 平台 YOLO26 快速入门)Ultralytics YOLO 文档
[2024-04-02](Jetson 系列 YOLO26 跑分数据)Ultralytics 官方
[2024-03-10](Jetson Orin NX、Nano 算力规格说明)NVIDIA 官网边缘计算页
【免责声明】
YOLO26 在 Jetson Orin Nano/NX 上的实际推理帧率受功耗模式、散热、模型大小、输入分辨率影响;Ubuntu24.04+JetPack 属于嵌入式前沿组合,部分第三方算子适配存在差异,以上教程仅为技术实践参考,不构成项目落地保证。
