Jetson Orin NX 开箱配置与 JetPack 环境搭建完全指南

1. 硬件概览

Jetson Orin NX 是 NVIDIA 2023 年推出的边缘 AI 计算模组，提供 100 TOPS（16GB）和 70 TOPS（8GB）两个版本，采用 Ampere 架构 GPU + ARM Cortex-A78AE CPU，支持 PCIe Gen 4、USB 3.2、MIPI CSI-2 等高速接口。

核心参数对比：

参数	Orin NX 16GB	Orin NX 8GB	Xavier NX
AI 算力	100 TOPS	70 TOPS	21 TOPS
GPU	1024 CUDA / 32 Tensor Core	1024 CUDA / 32 Tensor Core	384 CUDA / 48 Tensor Core
CPU	8核 ARM A78AE	6核 ARM A78AE	6核 Carmel
内存	16GB LPDDR5	8GB LPDDR5	8GB LPDDR4x
存储	NVMe SSD	NVMe SSD	NVMe SSD
功耗	10-25W	7-20W	10-20W
价格	~$599	~$399	~$399

2. 所需硬件清单

在开始之前，确保你准备了以下硬件：

复制代码

核心组件：
├── Jetson Orin NX 模组（16GB 或 8GB）
├── 载板（NVIDIA 官方 Developer Kit 或第三方如 Seeed reComputer）
├── NVMe SSD（推荐 256GB 以上，需 PCIe Gen 4）
├── 电源适配器（19V/45W DC 或 USB-C PD 65W）
├── 散热风扇（官方散热器或第三方主动散热）
├── microSD 卡（32GB+，用于初始刷机）
└── USB-C 数据线（用于刷机）

外设：
├── 显示器 + HDMI/DP 线
├── USB 键盘鼠标
├── 网线或 WiFi 模块（Intel AX210 推荐）
└── CSI 摄像头（如 IMX219 / IMX477）

3. 硬件组装

3.1 安装 NVMe SSD

复制代码

步骤：
1. 将 Orin NX 模组从防静电袋中取出
2. 找到载板上的 M.2 Key M 插槽（通常在底部）
3. 将 NVMe SSD 以 30° 角插入 M.2 插槽
4. 用螺丝固定 SSD（注意不要过度拧紧）
5. 将 Orin NX 模组对准载板的 SO-DIMM 连接器
6. 均匀按下直到卡扣锁定

3.2 安装散热方案

bash 复制代码

# 如果使用官方散热器，安装步骤：
1. 在 SoC 表面涂抹薄层导热硅脂（推荐信越 7921）
2. 将散热器对准螺丝孔位
3. 对角线交替拧紧螺丝（扭矩 0.6 N·m）
4. 连接风扇电源线到载板的 FAN 接口

# 第三方散热推荐：
# - Seeed reComputer J4012 自带散热壳
# - 自制铜管散热 + 5V 风扇

3.3 接线确认

复制代码

载板接口检查清单：
[✓] 电源接口（DC 或 USB-C）
[✓] HDMI/DP 输出到显示器
[✓] USB 键盘鼠标
[✓] 网线（可选，推荐初始配置用有线网络）
[✓] USB-C 数据线连接到刷机主机（Type-C 口，非电源口）
[✓] 风扇电源线
[✓] CSI 摄像头排线（金手指朝下，蓝色朝向 PCB 板边）

4. 刷机方式一：SDK Manager（推荐）

4.1 安装 SDK Manager

bash 复制代码

# 在 Ubuntu 20.04/22.04 主机上操作
# 下载 SDK Manager（需要 NVIDIA 开发者账号）
# https://developer.nvidia.com/sdk-manager

# 安装
sudo dpkg -i sdkmanager_2.1.0-11669_amd64.deb
sudo apt-get install -f

# 启动
sdkmanager

4.2 进入恢复模式

复制代码

进入恢复模式步骤：
1. 断开 Jetson 电源
2. 用 USB-C 数据线连接 Jetson 和主机
3. 按住 Recovery 按钮（载板上标为 FC_REC）
4. 保持按住的同时接通电源
5. 等待 2 秒后松开 Recovery 按钮

# 验证是否进入恢复模式（在主机上执行）：
lsusb | grep -i nvidia
# 应该看到：ID 0955:7323 NVidia Corp.

4.3 SDK Manager 刷机流程

复制代码

SDK Manager 操作步骤：

1. 登录 NVIDIA 开发者账号
2. 选择目标硬件：Jetson Orin NX
3. 选择 JetPack 版本（推荐 JetPack 6.0 / L4T 36.3）
4. 选择安装类型：
   - Runtime：仅刷系统（推荐网络环境好时选这个）
   - Full：包含所有组件（CUDA、cuDNN、TensorRT 等）
5. 选择存储设备：NVMe SSD（推荐）
6. 设置用户名和密码
7. 点击 Flash 开始刷机
8. 刷机完成后，Jetson 会自动重启
9. SDK Manager 会通过网络继续安装组件

4.4 刷机常见问题

bash 复制代码

# 问题1：刷机过程中卡在 "Flash Jetson Linux"
# 解决：检查 USB 线是否为数据线（非充电线），换一个 USB 口重试

# 问题2：刷机后 Jetson 无法启动
# 解决：检查 NVMe SSD 是否正确识别
# 在恢复模式下执行：
sudo ./flash.sh jetson-orin-nx-devkit nvme0n1p1

# 问题3：组件安装失败（CUDA/cuDNN）
# 解决：刷机后在 Jetson 上手动安装
sudo apt update
sudo apt install -y cuda-toolkit-12-2 libcudnn8-dev

5. 刷机方式二：手动刷机（高级用户）

5.1 下载 L4T 驱动包

bash 复制代码

# 下载 L4T（Linux for Tegra）
# 版本选择：L4T 36.3 对应 JetPack 6.0
wget https://developer.nvidia.com/downloads/l4t-jetson-orin-nx-devkit-36.3.0-aarch64.tbz2

# 解压
tar -xjf Jetson_Linux_R36.3.0_aarch64.tbz2
cd Linux_for_Tegra

5.2 准备根文件系统

bash 复制代码

# 下载 sample root filesystem
wget https://developer.nvidia.com/downloads/linux-sample-root-filesystem-36.3.0-aarch64.tbz2

# 解压到 rootfs 目录
sudo tar -xjf Tegra_Linux_Sample-Root-Filesystem_R36.3.0_aarch64.tbz2 -C rootfs/

# 安装依赖
sudo ./tools/l4t-flash-prerequisites.sh

# 安装 NVIDIA 驱动
sudo ./apply_binaries.sh

5.3 执行刷机

bash 复制代码

# 确保 Jetson 在恢复模式（参考 4.2 节）
lsusb | grep 0955

# 刷机到 NVMe SSD
sudo ./flash.sh jetson-orin-nx-devkit external

# 刷机完成后断开 USB，重启 Jetson

6. 首次启动配置

6.1 系统初始化

bash 复制代码

# 首次启动会出现图形化配置界面
# 选择语言、时区、WiFi、用户名密码等

# 配置完成后，打开终端检查系统信息
cat /etc/nv_tegra_release
# 输出示例：# R36 (release), REVISION: 3.0

# 检查 JetPack 版本
sudo apt-cache show nvidia-jetpack
# Version: 6.0+b87

6.2 更换国内源

bash 复制代码

# 备份原源
sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak

# 替换为清华源（Ubuntu 22.04 arm64）
sudo tee /etc/apt/sources.list << 'EOF'
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ jammy main restricted universe multiverse
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ jammy-updates main restricted universe multiverse
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ jammy-backports main restricted universe multiverse
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ jammy-security main restricted universe multiverse
EOF

# 更新
sudo apt update && sudo apt upgrade -y

6.3 安装基础工具

bash 复制代码

# 安装常用工具
sudo apt install -y \
    vim git curl wget htop tree \
    build-essential cmake pkg-config \
    python3-pip python3-venv python3-dev \
    libopencv-dev v4l-utils \
    net-tools wireless-tools \
    software-properties-common

# 配置 pip 国内源
mkdir -p ~/.pip
cat > ~/.pip/pip.conf << 'EOF'
[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
trusted-host = pypi.tuna.tsinghua.edu.cn
EOF

7. 验证 CUDA / cuDNN / TensorRT

7.1 CUDA 验证

bash 复制代码

# 检查 CUDA 版本
nvcc --version
# 应该显示 CUDA 12.2.x

# 检查 CUDA 设备
nvidia-smi
# Jetson 上 nvidia-smi 可能不可用，用 tegrastats 代替

# 测试 CUDA
cat > /tmp/test_cuda.cu << 'EOF'
#include <stdio.h>

__global__ void hello() {
    printf("Hello from GPU thread %d\n", threadIdx.x);
}

int main() {
    hello<<<1, 5>>>();
    cudaDeviceSynchronize();
    return 0;
}
EOF

nvcc /tmp/test_cuda.cu -o /tmp/test_cuda
/tmp/test_cuda
# 输出：Hello from GPU thread 0-4

7.2 cuDNN 验证

bash 复制代码

# 检查 cuDNN 版本
dpkg -l | grep cudnn
# ii libcudnn8 8.9.4.*  arm64

# 验证 cuDNN
python3 -c "
import ctypes
libcudnn = ctypes.cdll.LoadLibrary('libcudnn.so')
print('cuDNN loaded successfully')
# 获取版本
major = ctypes.c_int()
minor = ctypes.c_int()
patch = ctypes.c_int()
libcudnn.cudnnGetVersion.restype = ctypes.c_size_t
version = libcudnn.cudnnGetVersion()
major_val = version // 1000
minor_val = (version % 1000) // 100
patch_val = version % 100
print(f'cuDNN version: {major_val}.{minor_val}.{patch_val}')
"

7.3 TensorRT 验证

bash 复制代码

# 检查 TensorRT 版本
dpkg -l | grep tensorrt
# ii libnvinfer8 8.6.2.*  arm64

# Python 验证
python3 -c "
import tensorrt as trt
print(f'TensorRT version: {trt.__version__}')
print(f'TensorRT available: {trt.Builder(trt.Logger()) is not None}')
"

8. 安装 Jetson Stats 监控工具

bash 复制代码

# 安装 jtop（Jetson 版 htop）
sudo pip3 install -U jetson-stats

# 需要重启 systemd 服务
sudo systemctl restart jtop.service

# 使用 jtop 监控
jtop
# 界面说明：
# - INFO：系统信息、JetPack 版本
# - CTRL：功耗模式（MAXN/MIN/自定义）
# - GPU：GPU 使用率、频率
# - CPU：各核心使用率
# - MEM：内存使用
# - TEMP：各传感器温度
# - DISK：磁盘使用
# - NET：网络流量

9. 设置性能模式

bash 复制代码

# 查看当前功耗模式
sudo nvpmodel -q

# 设置最大性能模式（Orin NX 16GB）
sudo nvpmodel -m 0   # 25W, 6核 CPU 最高频

# 设置 15W 模式（省电）
sudo nvpmodel -m 1   # 15W, 4核 CPU

# 设置 10W 模式（最低功耗）
sudo nvpmodel -m 2   # 10W, 2核 CPU

# 解除 CPU/GPU 频率限制（配合 nvpmodel 使用）
sudo jetson_clocks

# 验证当前状态
sudo nvpmodel -q --verbose

10. SSH 远程连接配置

bash 复制代码

# 在 Jetson 上安装 SSH 服务
sudo apt install -y openssh-server

# 检查 SSH 状态
sudo systemctl status ssh

# 获取 Jetson IP 地址
hostname -I

# 从主机连接
ssh username@192.168.1.100

# 配置无密码登录（在主机上执行）
ssh-keygen -t ed25519
ssh-copy-id username@192.168.1.100

# 配置 VS Code Remote SSH
# 1. 安装 VS Code 扩展 "Remote - SSH"
# 2. Ctrl+Shift+P → Remote-SSH: Connect to Host
# 3. 输入 username@192.168.1.100

11. 性能基准测试

bash 复制代码

# 安装测试工具
sudo apt install -y sysbench

# CPU 基准测试
sysbench cpu --cpu-max-prime=20000 --threads=8 run

# 内存测试
sysbench memory --memory-total-size=10G run

# 磁盘 I/O 测试
sysbench fileio --file-total-size=2G --file-test-mode=rndrw prepare
sysbench fileio --file-total-size=2G --file-test-mode=rndrw run
sysbench fileio cleanup

# GPU 计算测试
python3 -c "
import time
import numpy as np

# CPU 测试
size = 4096
a_cpu = np.random.randn(size, size).astype(np.float32)
b_cpu = np.random.randn(size, size).astype(np.float32)

start = time.time()
for _ in range(10):
    c_cpu = np.matmul(a_cpu, b_cpu)
cpu_time = (time.time() - start) / 10
print(f'CPU matmul: {cpu_time*1000:.1f} ms')

# GPU 测试（CuPy）
try:
    import cupy as cp
    a_gpu = cp.asarray(a_cpu)
    b_gpu = cp.asarray(b_cpu)
    cp.cuda.Stream.null.synchronize()
    
    start = time.time()
    for _ in range(10):
        c_gpu = cp.matmul(a_gpu, b_gpu)
    cp.cuda.Stream.null.synchronize()
    gpu_time = (time.time() - start) / 10
    print(f'GPU matmul: {gpu_time*1000:.1f} ms')
    print(f'GPU 加速比: {cpu_time/gpu_time:.1f}x')
except ImportError:
    print('CuPy 未安装，跳过 GPU 测试')
"

12. 常见问题排查

12.1 Jetson 无法启动

bash 复制代码

# 检查步骤：
1. 确认电源适配器功率足够（≥45W）
2. 检查 NVMe SSD 是否正确安装
3. 连接串口调试（115200 波特率）
4. 尝试刷入 eMMC（如果有）恢复

# 串口调试
sudo apt install minicom
sudo minicom -D /dev/ttyACM0 -b 115200

12.2 WiFi 连接问题

bash 复制代码

# 检查 WiFi 模块是否识别
lspci | grep -i network
# 或
lsusb | grep -i wireless

# Intel AX210 驱动（JetPack 6.0+ 已内置）
sudo modprobe iwlwifi

# 扫描 WiFi
sudo iwlist wlan0 scan | grep ESSID

# 连接 WiFi
nmcli device wifi connect "SSID" password "PASSWORD"

12.3 散热与节流

bash 复制代码

# 查看温度
cat /sys/devices/virtual/thermal/thermal_zone*/temp
# 输出单位是毫摄氏度，如 55000 = 55°C

# 查看是否触发节流
cat /sys/devices/platform/soctherm/throttle_oc1/*
# 0=未节流, 1=已节流

# 设置风扇转速（手动模式）
echo 255 > /sys/devices/pwm-fan/target_pwm
# 0=停止, 255=全速

# 查看实时温度和节流状态
tegrastats

总结

本文涵盖了 Jetson Orin NX 从硬件组装到软件环境搭建的完整流程。核心要点：

硬件组装：NVMe SSD + 散热方案是关键
刷机方式：SDK Manager 简单可靠，手动刷机适合批量部署
环境验证：CUDA + cuDNN + TensorRT 三件缺一不可
性能调优 ：nvpmodel + jetson_clocks 解锁全部算力
远程开发：SSH + VS Code Remote 是主力开发方式

下一篇我们将讲解如何在 Jetson 上使用 TensorRT 加速模型推理。