Skip to main content

Jetson 上的 YOLOv26 双 USB 摄像头图像处理系统

本 wiki 演示如何从零开始构建基于 YOLOv26 模型和 TensorRT 加速的双 USB 摄像头图像处理系统。该系统包含以下功能：

  • 双摄像头并行处理：同时对两个 USB 摄像头进行实时视频流处理
  • 多任务视觉分析：目标检测、姿态估计、图像分割（SAM 模型）
  • TensorRT 加速：使用 NVIDIA TensorRT 引擎显著提高推理速度
  • Web 界面预览：通过浏览器实时查看处理结果
  • MJPEG 压缩：减少 USB 带宽使用并提高系统稳定性

前提条件​

  • reComputer J4012 或 reCompuer 系列的其他产品
  • 2 个 USB 摄像头
  • USB Type-C 数据传输线（连接摄像头）

从 GitHub 下载​

方法 1：克隆整个仓库（推荐）​

这是一次性获取所有文件的最简单方法：

# 1. Navigate to your home directory
# ！！Replace this with your own username
cd /home/seeed

# 2. Clone the repository
git clone https://github.com/bleaaach/yolov26_jetson.git

# 3. Navigate to the project directory
cd yolov26_jetson

# 4. View downloaded files
ls -la

您应该看到以下文件：

  • run_dual_camera_docker.sh - Docker 部署脚本
  • run_dual_camera_local.sh - 本地部署脚本
  • README.md - 此文档文件

方法 2：下载单个文件​

如果您只需要特定的脚本文件，可以使用 wget 单独下载：

# 1. Navigate to your home directory
cd /home/seeed

# 2. Create project directory
mkdir -p yolov26_jetson
cd yolov26_jetson

# 3. Download Docker script
wget https://raw.githubusercontent.com/bleaaach/yolov26_jetson/main/run_dual_camera_docker.sh

# 4. Download Local script
wget https://raw.githubusercontent.com/bleaaach/yolov26_jetson/main/run_dual_camera_local.sh

# 5. Download README documentation
wget https://raw.githubusercontent.com/bleaaach/yolov26_jetson/main/README.md

# 6. View downloaded files
ls -la

验证下载的文件​

下载后，验证文件是否存在：

# View file list
ls -la

# Check file permissions

如果脚本没有执行权限，请添加权限：

# Add execute permissions
chmod +x run_dual_camera_docker.sh
chmod +x run_dual_camera_local.sh

# Check again
ls -la

两种部署方法的比较​

功能Docker 方法本地方法
环境隔离✅ 完全隔离，不污染主机环境❌ 直接安装在主机上
部署速度✅ 快速，一键启动❌ 需要手动安装许多依赖项
硬件访问⚠️ 需要设备映射配置✅ 直接访问所有硬件
性能⚠️ 有容器开销✅ 更好的性能
存储空间⚠️ 需要约 2GB Docker 镜像✅ 更少的存储使用
推荐使用场景快速测试，多设备部署生产环境，最佳性能

（选项 1）本地环境设置​

步骤 1. 更新软件包列表并安装 pip

# Update package list
sudo apt update

# Install pip
sudo apt install python3-pip -y

# Upgrade pip
pip install -U pip

如果系统未预装 pip，使用以下命令安装：

# Download get-pip.py
curl https://bootstrap.pypa.io/get-pip.py -o get-pip.py

# Install pip
python3 get-pip.py --user

步骤 2. 安装 Ultralytics 包

安装 Ultralytics 及其可选依赖项（用于模型导出）：

# Install Ultralytics
~/.local/bin/pip install ultralytics[export]

步骤 3. 安装 PyTorch 和 Torchvision

重要：通过 pip 安装的 PyTorch 和 Torchvision 与 Jetson 的 ARM64 架构不兼容。您需要手动安装专为 Jetson 构建的版本。

首先卸载不兼容的版本：

# Uninstall incompatible versions
~/.local/bin/pip uninstall torch torchvision -y

然后安装 JetPack 6.1 兼容版本：

# Install PyTorch 2.5.0
~/.local/bin/pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/torch-2.5.0a0+872d972e41.nv24.08-cp310-cp310-linux_aarch64.whl

# Install Torchvision 0.20
~/.local/bin/pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/torchvision-0.20.0a0+afc54f7-cp310-cp310-linux_aarch64.whl

如果 GitHub 下载速度慢，可以使用加速代理：

# Use gh proxy to download PyTorch
~/.local/bin/pip install https://gh-proxy.com/https://github.com/ultralytics/assets/releases/download/v0.0.0/torch-2.5.0a0+872d972e41.nv24.08-cp310-cp310-linux_aarch64.whl

# Use gh proxy to download Torchvision
~/.local/bin/pip install https://gh-proxy.com/https://github.com/ultralytics/assets/releases/download/v0.0.0/torchvision-0.20.0a0+afc54f7-cp310-cp310-linux_aarch64.whl

步骤 4. 安装 cuSPARSELt

cuSPARSELt 是 PyTorch 2.5.0 的依赖项，需要单独安装：

# Install cuSPARSELt
sudo apt-get install -y libcusparselt0

步骤 5. 安装 onnxruntime-gpu

onnxruntime-gpu 用于某些模型导出功能。由于 PyPI 上的包不包含 Jetson 的 aarch64 二进制文件，需要手动安装：

# Install onnxruntime-gpu 1.23.0
~/.local/bin/pip install https://gh-proxy.com/https://github.com/ultralytics/assets/releases/download/v0.0.0/onnxruntime_gpu-1.23.0-cp310-cp310-linux_aarch64.whl

或使用版本 1.20.0：

# Install onnxruntime-gpu 1.20.0
~/.local/bin/pip install https://gh-proxy.com/https://github.com/ultralytics/assets/releases/download/v0.0.0/onnxruntime_gpu-1.20.0-cp310-cp310-linux_aarch64.whl

步骤 6. 配置 PATH 环境变量

由于使用了用户安装模式，pip 安装的可执行文件位于 ~/.local/bin/ 目录中。建议将此目录添加到 PATH 环境变量：

# Add to .bashrc
echo 'export PATH=$PATH:~/.local/bin' >> ~/.bashrc

# Reload .bashrc
source ~/.bashrc

步骤 7. 验证安装

检查已安装的包版本：

# Check versions
python3 -c "import ultralytics; import torch; import torchvision; import onnxruntime; print('ultralytics version:', ultralytics.__version__); print('torch version:', torch.__version__); print('torchvision version:', torchvision.__version__); print('onnxruntime version:', onnxruntime.__version__)"

预期输出：

ultralytics version: 8.4.7
torch version: 2.5.0a0+872d972e41.nv24.08
torchvision version: 0.20.0a0+afc54f7
onnxruntime version: 1.23.0

步骤 8. 测试 YOLOv26 推理功能

from ultralytics import YOLO
import torch

# Check if CUDA is available
print(f"CUDA available: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"CUDA device count: {torch.cuda.device_count()}")
    print(f"CUDA device name: {torch.cuda.get_device_name(0)}")

# Load YOLOv26n model
model = YOLO('yolo26v26n.pt')
print(f"Model loaded successfully!")

# Perform inference test
results = model('https://ultralytics.com/images/bus.jpg')
print(f"Inference successful! Detected {len(results[0].boxes)} objects")

# Display detection results
for i, box in enumerate(results[0].boxes):
    cls_id = int(box.cls[0])
    conf = float(box.conf[0])
    cls_name = model.names[cls_id]
    print(f"  Object {i+1}: {cls_name} (confidence: {conf:.2f})")

步骤 9. 准备模型文件

确保模型文件下载到正确位置：

# Check model directory
ls -la /home/seeed/ultralytics_data/

# Create directory if it doesn't exist
mkdir -p /home/seeed/ultralytics_data

如果模型文件不存在，请先下载：

# Navigate to model directory
cd /home/seeed/ultralytics_data

# Download object detection model
yolo export model=yolov26n.pt format=engine device=0

# Download pose estimation model
yolo export model=yolov26n-pose.pt format=engine device=0

# Download segmentation model
yolo export model=yolov26n-seg.pt format=engine device=0

# Verify model files
ls -la

您应该看到以下文件：

  • yolo26n.engine
  • yolo26n-pose.engine
  • yolo26n-seg.engine

步骤 10. 运行本地脚本

现在您可以运行本地脚本：

# 1. Navigate to project directory
cd /home/seeed/yolov26_jetson

# 2. Ensure script has execute permissions
chmod +x run_dual_camera_local.sh

# 3. Run Local script
./run_dual_camera_local.sh

（选项 2）Docker 环境设置​

步骤 1. 确保 Docker 已安装

首先检查 Docker 是否已安装：

# Check Docker version
docker --version

如果 Docker 未安装，请先安装：

# Update package list
sudo apt update

# Install Docker
sudo apt install docker.io -y

# Start Docker service
sudo systemctl start docker

# Add current user to docker group
sudo usermod -aG docker $USER

# Re-login to apply changes
newgrp docker

有关配置 Docker 环境的更多详细信息，请参考此 GitHub 仓库：https://github.com/zibochen6/reComputer-Jetson-for-Beginners/tree/main/3-Basic-Tools-and-Getting-Started/3.7-Docker/

步骤 2. 确保 Docker 服务正在运行

# Check Docker service status
sudo systemctl status docker

如果 Docker 未运行，请启动它：

# Start Docker service
sudo systemctl start docker

步骤 3. 准备模型文件

确保模型文件下载到正确位置：

# Check model directory
ls -la /home/seeed/ultralytics_data/

# Create directory if it doesn't exist
mkdir -p /home/seeed/ultralytics_data

如果模型文件不存在，请先下载它们：

# Navigate to model directory
cd /home/seeed/ultralytics_data

# Download object detection model
yolo export model=yolov26n.pt format=engine device=0

# Download pose estimation model
yolo export model=yolov26n-pose.pt format=engine device=0

# Download segmentation model
yolo export model=yolov26n-seg.pt format=engine device=0

# Verify model files
ls -la

您应该看到以下文件：

  • yolo26n.engine
  • yolo26n-pose.engine
  • yolo26n-seg.engine

步骤 4. 运行 Docker 脚本

现在您可以运行 Docker 脚本：

# 1. Navigate to project directory
cd /home/seeed/yolov26_jetson

# 2. Ensure script has execute permissions
chmod +x run_dual_camera_docker.sh

# 3. Run Docker script
./run_dual_camera_docker.sh

步骤 5. 访问 Web 界面

在浏览器中打开以下地址：

http://localhost:5000

此时浏览器将并排显示两个摄像头的实时画面，类似于"左摄像头画面 | 右摄像头画面"。实际帧率和分辨率取决于您的硬件性能。

note

如果您需要重启系统：

# 1. Stop and remove existing container
docker rm -f dual-camera-system

# 2. Re-run script
cd /home/seeed/yolov26_jetson
./run_dual_camera_docker.sh

资源​

技术支持与产品讨论​

感谢您选择 Seeed Studio 产品！如需技术支持和产品讨论，请使用以下渠道：

Loading Comments...