简介：本文详细介绍Jetson Nano套件中CSI相机的配置方法及YOLOv物体检测模型的部署流程，涵盖硬件连接、驱动安装、模型训练与优化等关键步骤，适合开发者快速上手实现边缘端实时物体检测。

一、Jetson Nano套件与CSI相机概述

Jetson Nano是NVIDIA推出的边缘计算开发套件，专为AIoT场景设计，其GPU算力可达472 GFLOPS（FP16），支持4K视频编解码。CSI（Camera Serial Interface）相机通过MIPI CSI-2协议与Jetson Nano的15针接口直连，相比USB相机具有更低的延迟和更高的带宽。典型应用场景包括智能监控、机器人视觉、工业质检等需要实时处理的场景。

硬件准备要点

核心组件清单：Jetson Nano开发板（建议B01版本）、CSI相机模块（如Raspberry Pi Camera V2）、5V/4A电源适配器、MicroSD卡（≥32GB，Class 10）、散热片（可选）
接口兼容性验证：确认相机支持MIPI CSI-2协议，Jetson Nano的CSI接口位于板载J21连接器，需检查相机排线方向（通常红色标记对应引脚1）
电源管理建议：使用官方推荐的电源适配器，避免因供电不足导致系统崩溃。当连接多个外设时，建议通过DC接口供电而非MicroUSB

二、CSI相机配置全流程

1. 系统环境准备

镜像烧录：下载NVIDIA官方JetPack 4.6.1镜像（L4T R32.6.1），使用balenaEtcher工具写入MicroSD卡
基础配置：首次启动后执行sudo apt update && sudo apt upgrade -y更新软件包，安装必要工具：
```
sudo apt install -y python3-pip cmake git
pip3 install --upgrade pip setuptools
```

2. 驱动与内核模块加载

Jetson Nano默认已集成CSI驱动，但需验证内核模块：

lsmod | grep tegra_video  # 应显示tegra_video_csi等模块
sudo modprobe tegra_video_csi  # 手动加载（通常自动加载）

3. 相机设备树配置

对于非标准CSI相机，需修改设备树：

定位设备树源文件：/boot/tegra194-p3448-0000-p3449-0000-b00.dtb

使用dtc工具反编译：

sudo apt install device-tree-compiler
dtc -I dtb -O dts -o decompiled.dts /boot/tegra194-p3448-0000-p3449-0000-b00.dtb

修改vi_camera节点参数，添加相机支持（需参考具体相机规格）

4. GStreamer管道测试

通过GStreamer验证相机流：

gst-launch-1.0 nvcamerasrc ! 'video/x-raw(memory:NVMM),width=1280,height=720,framerate=30/1' ! nvvideoconvert ! autovideosink

正常应显示相机画面，若出现花屏需检查：

分辨率/帧率是否超出相机支持范围
是否启用NVMM内存（非NVMM模式可能导致性能问题）

三、YOLOv物体检测部署

1. 环境搭建

PyTorch安装（推荐1.8.0+CUDA 10.2）：

wget https://nvidia.box.com/shared/static/fjtbno0vpoiq7x7j82c3sj17grjqr739.whl -O torch-1.8.0-cp36-cp36m-linux_aarch64.whl
pip3 install torch-1.8.0-cp36-cp36m-linux_aarch64.whl
pip3 install torchvision numpy opencv-python

YOLOv代码准备：

git clone https://github.com/ultralytics/yolov5
cd yolov5
pip3 install -r requirements.txt

2. 模型优化策略

量化感知训练（QAT）

修改models/yolov5s.yaml，在卷积层后添加QuantStub和DeQuantStub

使用动态量化训练：

from torch.quantization import quantize_dynamic
model = torch.load('yolov5s.pt')
quantized_model = quantize_dynamic(model, {torch.nn.Conv2d}, dtype=torch.qint8)

TensorRT加速

导出ONNX模型：

python export.py --weights yolov5s.pt --include onnx

使用TensorRT转换：

/usr/src/tensorrt/bin/trtexec --onnx=yolov5s.onnx --saveEngine=yolov5s.trt --fp16

3. 实时检测实现

import cv2
import torch
from models.experimental import attempt_load
# 加载模型
model = attempt_load('yolov5s.trt', map_location='cuda:0')
model.eval()
# 初始化CSI相机
cap = cv2.VideoCapture('nvarguscamerasrc ! video/x-raw(memory:NVMM),width=640,height=480 ! nvvidconv ! appsink', cv2.CAP_GSTREAMER)
while True:
    ret, frame = cap.read()
    if not ret: break
    # 预处理
    img = cv2.resize(frame, (640, 640))
    img = img.transpose(2, 0, 1).astype('float32') / 255.0
    img = torch.from_numpy(img).unsqueeze(0).to('cuda:0')
    # 推理
    with torch.no_grad():
        pred = model(img)[0]
    # 后处理（需实现NMS和可视化）
    # ...
    cv2.imshow('Detection', frame)
    if cv2.waitKey(1) == 27: break

四、性能优化技巧

1. 内存管理

使用nvidia-smi -l 1监控GPU内存占用
启用共享内存：export CUDA_LAUNCH_BLOCKING=1
对于多模型场景，采用模型并行技术

2. 功耗控制

动态调整CPU频率：

echo performance | sudo tee /sys/devices/system/cpu/cpu0/cpufreq/scaling_governor

限制GPU时钟：

sudo nvpmodel -m 0  # MODE_0_WATT (最大性能)
# 或自定义模式：
sudo nvpmodel -q --query-freqs

3. 实时性保障

优先级调整：

sudo chrt -f 99 python3 detect.py  # 设置实时优先级

线程绑定：

import os
os.sched_setaffinity(0, {0})  # 绑定到CPU0

五、故障排查指南

常见问题处理

相机无输出：
- 检查dmesg | grep csi是否有硬件错误
- 验证/dev/video0是否存在
- 尝试不同分辨率（如640x480）
模型推理错误：
- 检查CUDA版本是否匹配
- 验证输入张量形状是否为[1,3,640,640]
- 使用torch.cuda.is_available()确认GPU可用
系统崩溃：
- 监控温度：cat /sys/class/thermal/thermal_zone0/temp（单位毫摄氏度）
- 检查电源稳定性（万用表测量5V引脚）

日志分析技巧

启用详细日志：

export GSTREAMER_DEBUG=3
gst-launch-1.0 nvcamerasrc ! ...

收集系统日志：
```
journalctl -b > system_log.txt
```

六、进阶应用建议

多相机同步：使用nvcamerasrc的sync属性实现帧同步
模型蒸馏：将YOLOv5大模型知识蒸馏到轻量级模型
边缘-云端协同：通过MQTT协议上传检测结果
硬件加速：探索使用Jetson Nano的DLA（深度学习加速器）

本指南覆盖了从硬件连接到算法部署的全流程，开发者可根据实际需求调整参数。建议首次实现时先验证单个模块功能，再逐步集成。对于生产环境部署，需重点考虑异常处理机制和系统稳定性设计。

Jetson Nano实战：CSI相机与YOLOv物体检测全流程指南