Jetson Nano 2GB训练yolo11n模型（本地训练使用GPU）

温馨提示本篇文章是在Jetson nano 2gb的10W模式和关闭图形化界面的条件进行的，请确保你的条件符合要求。

#关闭图形化界面
sudo systemctl set-default multi-user.target 
sudo reboot

#开启图形化界面
sudo systemctl set-default graphical.target 
sudo reboot

#开启Jetson nano 2gb的最高功率模式
sudo /usr/sbin/nvpmodel -m 0
sudo /usr/bin/jetson_clocks

1.烧录Jetson nano的系统固件

2.更新系统包

#注意，在弹出类似[root]password:时输入密码是不会显示的，在密码输入完毕后按Enter即可
sudo apt-get update

3.安装nano文本编辑器

sudo apt-get install nano

4.更新（修改）Docker国内源（2025年可用）

sudo nano /etc/docker/daemon.json

#将原本的配置文件内容清空，将如下的代码复制进文件内：
{
    "runtimes": {
        "nvidia": {
            "path": "nvidia-container-runtime",
            "runtimeArgs": []
        }
    },
    "registry-mirrors": [
        "https://docker-0.unsee.tech",
        "https://docker-cf.registry.cyou",
        "https://docker.1panel.live"
    ]
}

#重启设备
sudo reboot

5.拉取官方Docker镜像

t=ultralytics/ultralytics:latest-jetson-jetpack4
sudo docker pull $t && sudo docker run -it --ipc=host --runtime=nvidia $t

6.如果你执行如上指令并未进入docker容器内，请你执行如下指令

#查看全部docker容器
sudo docker ps -a

执行后你会看见类似如下界面

haila@AI-Train-Server:~$ sudo docker ps -a
CONTAINER ID   IMAGE                                            COMMAND       CREATED      STATUS          PORTS     NAMES
bcce7a1473e6   ultralytics/ultralytics:latest-jetson-jetpack4   "/bin/bash"   2 days ago   Up 49 minutes             blissful_knuth
haila@AI-Train-Server:~$

执行指令

#手动进入容器内
sudo docker exec -it CONTAINER ID（替换为你的实际容器ID） bash 

7.进入容器你应该会看到如下界面

root@CONTAINER ID:/ultralytics/

8.执行指令

apt-get update

9.将自己的数据集文件复制进Docker容器内，在主机的bash命令行中，执行指令

sudo docker cp 你的数据集文件目录 CONTAINER ID：/ultralytics

10.下载模型文件，官网网址：

https://docs.ultralytics.com/zh/models/yolo11/#overview

选择自己要训练的模型将其使用wget下载，例如下载yolo11n模型

sudo apt-get install wget
wget https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt

待下载完成后即可开始正式训练

11.执行训练指令

使用nano编辑你自己数据集的data.yaml文件，编辑你的train和valid目录

yolo detect train data=/ultralytics/你的数据集配置文件目录(data.yaml) model=yolo11n.pt epochs=50 batch=1 imgsz=160 device=0 lr0=0.0001 workers=0 optimizer=SGD patience=15 amp=False cache=disk single_cls=True verbose=False exist_ok=True

12.稍加等待你的模型就会训练完毕，训练的时间有一些长。

如果你想看到设备的硬件资源使用情况，你可以安装jtop

#安装依赖
sudo apt-get install git cmake
sudo apt-get install python3-dev python3-pip
sudo apt-get install libhdf5-serial-dev hdf5-tools
sudo apt-get install libatlas-base-dev gfortran

sudo reboot 

pip3 install jetson-stats
或：
sudo pip3 install -U jetson-stats

作者在6月5日时的发现了文章的指令错误（device=cpu）,此处应是device=0，作者已及时纠正原文，如若开发者在使用本文章时，因为此文章的错误为您带来了麻烦，作者在此深表歉意。