NVIDIA Jetson Xavier NX 刷机、ROS 与深度学习环境配置全攻略

第一次拿到NVIDIA Jetson Xavier NX，很多人的第一反应是“这不就是个带显卡的树莓派嘛，插电就能玩”。等真正动手才发现，刷系统、装ROS、配深度学习环境，每一步都能卡住一大批人。我前后折腾了三四天，踩过刷机识别不到设备、ROS apt源报错、PyTorch无法调用CUDA的一串坑，所以这篇干脆把整条链路串起来写一遍：Xavier NX刷机、ROS安装、深度学习配置全部走通。内容适合刚入手这块板子、准备拿来做机器人、无人机或边缘AI项目的朋友，也适合已经刷完机但卡在环境配置的人。下面所有操作我都按实际踩坑后的最优路径来写，尽量让你少走弯路。

1. 刷机前的版本决策：Xavier NX和JetPack怎么选才不后悔

1.1 Xavier NX在边缘设备里的定位

Jetson Xavier NX是NVIDIA Jetson家族里性价比很高的一个型号，算力大约21 TOPS（INT8），功耗范围10W到25W。体积比信用卡大不了多少，但跑小型深度学习模型、机器人视觉、多路相机处理都够用。和树莓派最大的区别在于，它自带Volta架构GPU和Tensor Core，可以本地跑CUDA、TensorRT这类加速库，而不是只靠CPU硬扛。

很多人忽略的一点是：Xavier NX并没有板载eMMC存储，系统需要装在MicroSD卡或NVMe SSD上，所以“刷机”这个动作几乎是必经之路。而刷机的核心并不只是把镜像写进卡里，而是选对JetPack版本——这一步直接决定你后面ROS和PyTorch能装到什么程度。

1.2 JetPack、Ubuntu、ROS三者的版本对应关系

Jetson上的系统镜像不叫“Ubuntu原版”，而是NVIDIA基于Ubuntu定制的JetPack。JetPack里面预装了CUDA、cuDNN、TensorRT、OpenCV等一堆驱动和库。现在Xavier NX最常用的两代是JetPack 4.6.x和JetPack 5.1.x，它们的差异会直接影响你后续选ROS版本。

我现在的建议是：如果你不是必须用老项目里的ROS Melodic，直接上JetPack 5.1.2配Ubuntu 20.04。原因有三个——Python 3.8比3.6舒服太多、ROS Noetic是ROS1的最终长期维护版、新的深度学习框架对CUDA 11.x的适配明显更好。当然，如果你手头板子是16GB版本，这个选择同样适用，内存大小不影响系统版本选择。

1.3 刷机前需要准备的硬件

刷机和后续开发需要的东西不复杂，但少了任何一样都会卡壳：

• 一台x86_64架构的Linux电脑（Ubuntu 18.04或20.04都可以，用于SDK Manager刷机）
• 一根USB Type-C数据线，注意要能传数据，不要用纯充电线
• 至少64GB的MicroSD卡，建议U3或A2速度等级
• 如果考虑长期使用，准备一块M.2 NVMe SSD和转硬件（Xavier NX开发套件板载M.2接口）
• 显示器（DP或HDMI）、键鼠、电源适配器

注意：Xavier NX开发套件的电源最好用官方原配，第三方电源在满载跑深度学习时容易电压跌落导致重启。这个我在后面还会提到。

2. 刷机实操：SDK Manager与SD卡直烧两条路线的完整对照

2.1 准备工作：进入USB Recovery模式

在开始刷机前，首先要让Jetson进入USB Recovery模式。这个步骤很多人第一次操作会很慌，其实流程非常固定：

1. 用USB-C线把Xavier NX开发套件的USB-C口和Linux电脑连起来。
2. 按住载板上的 Recovery（REC）按钮不要松开。
3. 按一下 Reset 按钮，然后松开 Reset。
4. 继续保持 REC 按钮按住大约3秒，再松开。

之后在Linux电脑上执行：

lsusb

如果看到类似NVIDIA Corp. APX的设备信息，说明Jetson已经成功进入恢复模式。看不到的话，先换一根USB线、换一个电脑USB口试试，不要急着换系统。这个报错绝大多数时候是线材问题。

2.2 用SDK Manager刷机的完整流程

SDK Manager是NVIDIA官方刷机工具，需要在Linux电脑上运行。下载安装后，流程如下：

1. 登录NVIDIA开发者账号。
2. 选择目标设备为 Jetson Xavier NX，选择JetPack版本。
3. 勾选要安装的组件，一般全选。
4. 选择安装目标存储设备：可以是MicroSD卡，也可以是NVMe SSD。
5. 点击继续，等待下载和写入完成。

整个刷机过程里，SDK Manager会下载很大体积的组件包，所以Linux电脑至少要预留30GB以上磁盘空间。写入过程中Jetson会自动重启几次，这是正常的，不要中途断电，不要手贱去拔线。

刷机完成后，系统会自动重启进入Ubuntu桌面。首次启动会让你设置用户名、密码、主机名和时区，这一步和普通Ubuntu安装一样。

这里要单独说一句：SDK Manager刷机需要Linux宿主机，这是很多人卡住的地方。如果你手头只有Windows或Mac，其实也不用慌，可以用下面的SD卡直烧方案。

2.3 没有Linux宿主机时：SD卡直烧方案

如果你没有Linux电脑，最简单的办法是使用NVIDIA官方发布的SD Card Image镜像，配合写卡工具直接烧录。操作步骤如下：

1. 从NVIDIA官网下载Xavier NX Developer Kit的SD Card Image，文件名通常是.img.xz压缩格式。
2. Windows下用BalenaEtcher，Mac下也可以用Etcher，选择镜像，写入准备好的MicroSD卡。
3. 写入完成后，把SD卡插进Jetson，连接显示器、键鼠、网线和电源，开机。
4. 首次启动后同样会进入初始化设置界面，设置完账号密码就能进桌面。

这条路线的好处是门槛低，不需要Linux环境，整个流程大约15分钟就能看到桌面。但缺点是灵活性不如SDK Manager，后续如果你想换JetPack版本或把系统写到NVMe上，还是得回到SDK Manager或命令行工具。

2.4 两种刷机方案怎么选

我自己实际用过两条路线，结论很明确：如果只是先跑起来看看，SD卡直烧香。如果确定要做正经项目，尤其是要装大量ROS包和深度学习环境，建议一次到位用SDK Manager写NVMe SSD，或者先用SD卡启动，之后再把系统迁移到NVMe。

刷完机进入系统后，下一步就是装ROS。这块我强烈建议先把系统源更新一遍，避免后续出现各种陈旧的软件包问题：

sudo apt update && sudo apt upgrade -y sudo reboot

3. ROS环境落地：手动安装与鱼香ROS一键安装的真实体验

3.1 选ROS1还是ROS2，这是第一个岔路口

JetPack 5.1.2对应的Ubuntu是20.04，所以主流选择是两条：

• ROS1 Noetic：ROS1的最后长期支持版，生态成熟，网上资料最多，学ROS基本绕不开。
• ROS2 Foxy：ROS2 LTS版本，面向多机器人、分布式、实时性要求更高的场景，DDS通信机制更现代。

我的建议是，如果你只是做课程设计和单机机器人项目，先装ROS Noetic会省心很多，因为大多数现成功能包和教程都是ROS1的。如果你一开始就想走ROS2路线，那就直接装Foxy或Galactic，不要中途来回切换，两个版本并存对新手来说很容易搞混环境。

注意：ROS1和ROS2的环境变量和命令工具不兼容，比如ROS1用catkin_make，ROS2用colcon build，切换时很容易忘记 source 哪个环境。

3.2 手动安装ROS Noetic的完整步骤

这里以ROS Noetic为例，这是我在Xavier NX上实测稳定的组合。手动安装看起来命令多，但每一步都是可解释的：

# 1. 启用Ubuntu universe和multiverse仓库 sudo add-apt-repository universe sudo add-apt-repository multiverse # 2. 添加ROS官方软件源 sudo sh -c 'echo "deb http://packages.ros.org/ros/ubuntu $(lsb_release -sc) main" > /etc/apt/sources.list.d/ros-latest.list' # 3. 添加ROS仓库密钥 sudo apt-key adv --keyserver 'hkp://keyserver.ubuntu.com:80' --recv-key C1CF6E31E6BADE8868B172B4F42ED6FBAB17C654 # 4. 更新软件包列表 sudo apt update # 5. 安装ROS Noetic桌面版 sudo apt install ros-noetic-desktop # 6. 安装常用开发工具 sudo apt install python3-rosdep python3-rosinstall python3-rosinstall-generator python3-wstool build-essential # 7. 初始化rosdep sudo rosdep init rosdep update # 8. 设置环境变量 echo "source /opt/ros/noetic/setup.bash" >> ~/.bashrc source ~/.bashrc

这里最容易翻车的是两个地方。

第一，ROS软件源下载速度可能很慢。如果你遇到apt update卡住或者下载速率极低，可以把/etc/apt/sources.list.d/ros-latest.list里的地址换成国内镜像源，一般是直接替换域名前缀，然后再sudo apt update。

第二，rosdep update对网络依赖很强，如果一直失败，我的经验是不要死磕一次跑通，多试几次，或者换一个网络时段。rosdep主要是在编译源码功能包时帮你自动拉取依赖，如果你只是用apt安装现成功能包，暂时不跑源码编译的话，即使rosdep没初始化成功也不影响核心ROS使用。

3.3 鱼香ROS一键安装到底做了什么

在搜ROS安装资料的时候，你大概率会看到“鱼香ROS一键安装”这个词。这个工具在ROS社区里热度非常高，我也实际用过几次，确实能省不少事。

它的本质是一个交互式Shell脚，运行后会出现菜单，可以选择安装ROS1还是ROS2、更换软件源、安装常见依赖等。脚本会根据你的Ubuntu版本自动配置对应的ROS软件源和密钥，把上面手动安装的大部分步骤自动化。

我当时在Xavier NX上跑过一次，整体体验比手动安装顺滑，尤其是针对Ubuntu 20.04的ROS Noetic安装，它会帮你把apt源、密钥、python依赖都处理好。完成后，你只需要执行：

source /opt/ros/noetic/setup.bash

就能正常使用roscore、rosrun这些命令。

下面这个表格是我自己的对比感受：

我个人对一键脚本的态度是：工具本身没问题，但装完之后你最好还是看看它往系统里加了哪些源、装了哪些包，至少知道环境是怎么来的，后面出问题才不至于一脸懵。

如果你实在想省事，直接跑鱼香ROS一键安装完全OK，它不会破坏系统现有环境，只会往ROS相关目录里添加文件。关键是装完之后要验证一下环境是否正常。

3.4 验证ROS环境并创建工作空间

不管手动装还是一键装，装完都要验证。开一个终端：

roscore

保持这个终端不要关闭，再开一个新的终端：

rosnode list

如果能看到/rosout输出，说明ROS核心节点正常。接下来创建一个最基础的工作空间：

mkdir -p ~/catkin_ws/src cd ~/catkin_ws catkin_make source devel/setup.bash

工作空间是后面开发ROS功能包的基础目录结构。这时候如果你还想装bottle，比如sudo apt install ros-noetic-teleop-twist-keyboard、ros-noetic-rmpi之类，都能正常装上了。

4. 深度学习环境配置：PyTorch、TensorRT与Jetson专属部署链路

4.1 为什么不能直接pip install torch

很多人在自己的x86电脑上装PyTorch习惯了，一条pip install torch就能搞定。到了Jetson上如果照样执行，会遇到两种情况：要么提示找不到匹配的版本，要么装上了但是torch.cuda.is_available()返回False。

原因很简单：PyPI官方源上的torch多数只打包了x86_64架构，而Jetson是ARM架构。NVIDIA官方为Jetson提供了一套预编译的PyTorch wheel包，里面做了对Jetson GPU的针对性优化，所以必须用NVIDIA提供的那份。

4.2 安装PyTorch和torchvision并验证CUDA

我的路径是先确认当前JetPack版本，然后去NVIDIA官网的Jetson下载页面选择对应版本的torch wheel。JetPack 5.1.2对应Python 3.8，所以选文件名里带cp38的wheel文件，下载后用pip安装：

# 安装基础依赖 sudo apt update sudo apt install python3-pip libopenblas-dev libopenmpi-dev pip3 install --upgrade pip # 假设下载的wheel文件名为 torch-2.0.0a0+xxx-cp38-cp38-linux_aarch64.whl pip3 install torch-2.0.0a0+xxx-cp38-cp38-linux_aarch64.whl

torchvision也需要装对应版本，否则导入时可能报libnvbuf_utils.so或版本不匹配的错。安装方式和torch一样，找对应JetPack版本的wheel。

装完之后，先把CUDA路径写进环境变量：

echo "export PATH=/usr/local/cuda/bin:\$PATH" >> ~/.bashrc echo "export LD_LIBRARY_PATH=/usr/local/cuda/lib64:\$LD_LIBRARY_PATH" >> ~/.bashrc source ~/.bashrc

然后验证：

nvcc -V python3 -c "import torch; print(torch.__version__); print(torch.cuda.is_available()); x=torch.rand(2,3).cuda(); print(x)"

看到torch.cuda.is_available()为True，就说明PyTorch能用上Xavier NX的GPU了。你还可以顺手跑一下：

python3 -c "import torch; print(torch.backends.cudnn.version())"

一般Jetson会输出CUDNN版本号，说明官方预编译的torch已经正确链接了cuDNN。

4.3 TensorRT：推理阶段的性能关键

JetPack自带TensorRT，这是NVIDIA的深度学习推理引擎，可以显著提高模型在边缘设备上的推理速度。对于Xavier NX来说，TensorRT几乎是必开的加速工具。

不过很多人在Jetson上用TensorRT会踩一个坑：系统里装了TensorRT运行时，但Python里import tensorrt会报ModuleNotFoundError。原因是JetPack自带的只是C++库，Python绑定需要额外安装wheel包。在JetPack 5.1.2上可以这样做：

ls /opt/nvidia/tensorrt/python/

会看到类似tensorrt-8.5.2.2-py3-none-linux_aarch64.whl的文件，然后：

pip3 install /opt/nvidia/tensorrt/python/tensorrt-8.5.2.2-py3-none-linux_aarch64.whl

装完验证：

python3 -c "import tensorrt as trt; print(trt.__version__)"

能输出版本号就说明TensorRT的Python接口可用了。

4.4 torch2trt把PyTorch模型转成TensorRT引擎

拿到PyTorch训练好的模型，想在Xavier NX上跑出更高帧率，最常用的路径是把PyTorch模型转成TensorRT引擎。这里我推荐NVIDIA官方维护的torch2trt工具，它能让你在PyTorch代码里直接用TensorRT推理，不用手写复杂的TensorRT API。

安装很简单：

git clone https://github.com/NVIDIA-AI-IOT/torch2trt cd torch2trt python3 setup.py install

用法和PyTorch很接近，比如加载一个训练好的分类模型：

import torch from torch2trt import torch2trt model = MyTorchModel().cuda().eval() x = torch.randn(1, 3, 224, 224).cuda() model_trt = torch2trt(model, [x], fp16_mode=True) # 推理时直接调用 output = model_trt(x)

这里一个重要经验是：fp16_mode=True在Xavier NX上有明显加速效果，虽然精度会有轻微变化，但多数视觉任务感知不到。如果你做的是检测或分割这类大模型项目，这个开关值得一开。

如果你想部署的是ONNX格式模型，也可以使用onnxruntime-gpu，但需要注意在Jetson上应该用NVIDIA提供的aarch64适配版本，而不是PyPI上的通用包。

5. 环境调优与高频踩坑：电源模式、SWAP和那些让人上火的报错

5.1 电源模式与风扇控制

Xavier NX默认的电源模式是多少，很多人刷完机后根本没注意。默认状态下，系统可能跑在15W甚至10W模式，GPU频率会被限制，导致深度学习推理速度比预期慢很多。

查看当前电源模式：

sudo nvpmodel -q

切换到最大性能模式：

sudo nvpmodel -m 0

JetPack 5.1.2中，-m 0一般对应最大功耗模式（可能是20W或25W，具体看你下载的电源管理表）。如果你不想记这个数字，也可以安装jtop，用可视化界面看：

sudo pip3 install jetson-stats jtop

jtop里面能直接看到GPU/CPU频率、温度、内存占用、换源模式切换，是Jetson开发必备工具。

风扇这块有个小坑：开发套件上的风扇默认是温控的，不跑重任务时几乎不转。如果你发现跑深度学习时温度很高、风扇不转或转速偏低，可以手动控制PWM：

# 查看当前风扇目标转速 cat /sys/devices/pwm-fan/target_pwm # 手动设置风扇转速，0为停转，255为全速 echo 200 | sudo tee /sys/devices/pwm-fan/target_pwm

不同内核版本路径可能略有差异，用jtop确认你的内核风扇设备路径最稳妥。

5.2 SWAP空间和存储加速

Xavier NX默认内存是8GB或16GB，跑大型模型训练时很容易直接把内存吃满。一个很典型的场景是：用PyTorch加载一个大模型，程序直接被OOM杀掉。解决办法之一是开一个swap文件。

sudo fallocate -l 8G /var/swapfile sudo chmod 600 /var/swapfile sudo mkswap /var/swapfile sudo swapon /var/swapfile echo '/var/swapfile none swap sw 0 0' | sudo tee -a /etc/fstab

加了8G swap之后，跑模型和编译代码的容错率会高不少，但要注意：SD卡上的swap读写速度很慢，真到swap被大量使用的时候，程序还是会卡。所以尽量把经常访问的大模型、数据集放在NVMe SSD上，别让SD卡成为性能瓶颈。

如果你有条件，最推荐的做法是直接把整块系统放到NVMe上。SDK Manager刷机时把目标存储选为NVMe即可，或者在SD卡系统启动后，用相关迁移工具把根文件系统dd到NVMe。我实测过的效果是：ROS编译时间、pip安装时间、模型加载时间都明显缩短，这个提升不是一点点。

5.3 高频报错排查表

最后把我折腾过程中遇到的高频报错整理成表，基本都是环境刚搭完时最容易碰到的：

还有一个非常容易被忽视的问题：Jetson系统里默认可能装了多个Python版本。很多人在终端执行python进入的是Python2.7，然后pip装包装到了Python3环境，最后 import 时报错。建议统一用python3 -m pip来执行pip安装，并且确认当前shell使用的是哪个python版本。

python3 --version python3 -m pip --version

这能避免至少一半的“我明明装了为什么导入失败”类问题。

如果你已经按照前面的顺序走完一遍，Xavier NX现在应该已经具备了三个核心能力：稳定的Ubuntu系统、可用的ROS环境、能调用GPU的PyTorch和TensorRT。最后再分享一个我自己的习惯：每次做完一个环境变更，都抽空拍一下当时的系统状态，比如JetPack版本、Python版本、torch版本、ROS版本，记录下来贴在终端里最显眼的地方。因为Jetson上的环境版本匹配关系非常敏感，过两个月再回来，你很大概率会忘记当时是用哪套组合跑通的。有记录，哪怕以后重刷系统，也能很快恢复出同样的开发环境。