WSAL24432 – Jetson Orin Nano

Dokumentationshinweis: Diese technische Dokumentation wurde aus einer archivierten Lieferantenquelle neu formuliert. Technische Angaben und Befehle müssen vor der Verwendung mit der Produktversion und den Herstellerunterlagen abgeglichen werden.

Zusammenfassung

Technische Übersicht und Konfigurationsanleitung für das NVIDIA Jetson Orin Nano KI-Entwicklungsmodul, einschließlich Hardware-Spezifikationen, Firmware-Aktualisierung und Einrichtung der KI-Laufzeitumgebung.

Zugeordnete Produkte bei JW Tech

Technische Übersicht

Das Modul ist in Versionen mit 4 GB und 8 GB LPDDR5-Speicher erhältlich; die Leistung beträgt bis zu 20 bzw. 40 TOPS.
Verarbeitet wird auf einer 6-Kern Arm Cortex-A78AE v8.2 64-Bit-CPU und einer 1024-Kern NVIDIA Ampere GPU mit 16 (bei 4 GB) oder 32 (bei 8 GB) Tensor Cores.
Der offizielle Entwickler-Kit basiert auf dem 8-GB-Modul und ergänzt einen TF-Kartenslot zur Systeminstallation.
Zum Betreten des Wiederherstellungsmodus werden die Pins FC REC und GND unter dem Modul mit Jumpern kurzgeschlossen, anschließend wird über einen Datenkabel-USB-Anschluss mit einem Ubuntu-Host verbunden.
Die Firmware-Aktualisierung erfordert einen Ubuntu-20.04- oder 22.04-Host; das Upgrade auf die Super-Version erfolgt per Skript mit Jetpack 6.2, nicht über den SDK Manager.
Für die Installation von TensorFlow und PyTorch müssen die jeweiligen Wheel-Pakete aus dem offiziellen Download-Zentrum geladen und installiert werden; Torchvision muss zur PyTorch-Version passen.

Befehle und Beispiele – vor Ausführung prüfen:

sudo dpkg -i sdkmanager_1.6.1-8175_amd64.deb
sudo apt --fix-broken install
sudo mkdir orin_nano && cd orin_nano
wget https://developer.nvidia.com/downloads/embedded/l4t/r36_release_v4.3/release/Jetson_Linux_r36.4.3_aarch64.tbz2
wget https://developer.nvidia.com/downloads/embedded/l4t/r36_release_v4.3/release/Tegra_Linux_Sample-Root-Filesystem_r36.4.3_aarch64.tbz2
sudo tar xf Jetson_Linux_r36.4.3_aarch64.tbz2
sudo tar xpf Tegra_Linux_Sample-Root-Filesystem_r36.4.3_aarch64.tbz2 -C Linux_for_Tegra/rootfs/
cd Linux_for_Tegra/ && sudo ./tools/l4t_flash_prerequisites.sh && sudo ./apply_binaries.sh
sudo ./tools/l4t_create_default_user.sh -u jetson -p jetson1 -a
sudo ./tools/kernel_flash/l4t_initrd_flash.sh --external-device nvme0n1p1 -p "-c ./bootloader/generic/cfg/flash_t234_qspi.xml" -c ./tools/kernel_flash/flash_l4t_t234_nvme.xml --showlogs --network usb0 jetson-orin-nano-devkit-super external
sudo apt-get update -y && sudo apt-get install nvidia-jetpack -y
pip3 install tensorflow-2.12.0+nv23.05-cp38-cp38m-linux_aarch64.whl
python3 -c "import tensorflow as tf; print(tf.__version__)"
sudo apt-get install libjpeg-dev zlib1g-dev libpython3-dev libavcodec-dev libavformat-dev libswscale-dev libopenblas-base libopenmpi-dev
sudo pip3 install torch-2.0.0+nv23.05-cp38-cp38-linux_aarch64.whl
python3 -c "import torch; print(torch.__version__); x = torch.rand(5, 3); print(x)"
git clone --branch v0.14.1 https://github.com/pytorch/vision torchvision && cd torchvision && export BUILD_VERSION=0.14.1 && sudo python3 setup.py install

Hinweise und Versionsgrenzen

Die exakte Firmware- und Softwareversion ist standort- und zeitabhängig; vor der Ausführung alle Schritte mit dem aktuellen NVIDIA-Dokumentation abgleichen.
Der Wechsel auf die Super-Version hängt von der Verfügbarkeit des offiziellen Upgrades durch NVIDIA ab; dies kann verzögert sein.
Bei der Verwendung eines Virtualisierungs-Hosts sind zusätzliche Konfigurationsschritte erforderlich, die im Quelltext nur unvollständig beschrieben sind.
VNC-Server-Einrichtung und Remote-Anmeldung erfordern manuelle Bestätigung der Netzwerkparameter.
Die Kompatibilität zwischen JetPack-, CUDA- und Python-Umgebung muss vor der Installation geprüft werden; ein Versionskonflikt kann zu Fehlschlägen führen.

Quelle und Revisionsnachweis

Jetson Orin Nano - Waveshare Wiki
Quellrevision: 109261
Erfasst: 2026-09-04T04:18:18+00:00
SHA-256: 1767eaca488773f8d3772101a7ec573bacc62c62b86aeab7e953226de4f85db1