TensorRT 優化 YOLO 在 Jetson Nano 的硬體可靠性實測

要點速覽

研究針對部署於受限邊緣平台的深度學習推論，直接檢驗硬體在資源退化下的行為。重點是以 Jetson Nano 為目標，測試 TensorRT 優化的 YOLOv10s、YOLOv11s 與 YOLO2026n 在車道跟隨與物件偵測任務的表現。

方法與實驗設計

研究團隊用 JetBot 平台的原始資料，再透過一個解耦的故障注入框架合成錯誤輸入；該框架結合大型語言模型與潛在擴散模型來產生多樣化退化情境。實驗系統性量測了 CPU 負載、GPU 使用率、記憶體消耗、功耗、吞吐量與溫度等硬體指標。

主要發現

整體來看，無論是在車道跟隨或物件偵測兩種任務下，TensorRT 推論管線維持了穩定的 GPU 佔用與受控的溫度上升，功耗亦在安全範圍內。記憶體使用在初期暖機後出現一致性的釋放模式，代表資源回收表現穩定。物件偵測場景較車道跟隨顯示出更多的記憶體與熱行為變異，但並未導致系統層級的失效。

意義與結語

結果表明，從硬體層面看，TensorRT 優化的 YOLO 管線在 Jetson Nano 上對高度退化的輸入仍具韌性。這提供了對邊緣推論可靠性的一個實證觀察，可與現有以效能為主的研究互補，幫助工程團隊在選擇部署策略和資源管理時做出更周全的判斷。

延伸閱讀

• Recoverability Maps：量化影像還原邊界以提升車牌辨識
• 大型語言模型幽默對齊基準：以 Cards Against Humanity 測試結果分析
• OmniBehavior：首個以真實資料建構的跨情境長時序使用者行為模擬基準

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。