[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-NVIDIA-AI-IOT--jetbot":3,"tool-NVIDIA-AI-IOT--jetbot":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",85267,2,"2026-04-18T11:00:28",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},5784,"funNLP","fighting41love\u002FfunNLP","funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为\"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。\n\n面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。\n\n无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。",79857,1,"2026-04-08T20:11:31",[19,14,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},5773,"cs-video-courses","Developer-Y\u002Fcs-video-courses","cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。\n\n面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。\n\n这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。",79792,"2026-04-08T22:03:59",[18,13,14,20],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,3,"2026-04-04T04:44:48",[17,13,20,19,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",75916,"2026-04-19T10:54:02",[19,13,20,18],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":29,"last_commit_at":63,"category_tags":64,"status":22},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-machine-learning","awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。\n\n它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。\n\n其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。",72149,"2026-04-03T21:50:24",[20,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":80,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":108,"forks":109,"last_commit_at":110,"license":111,"difficulty_score":112,"env_os":113,"env_gpu":114,"env_ram":115,"env_deps":116,"category_tags":122,"github_topics":80,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":22,"created_at":123,"updated_at":124,"faqs":125,"releases":155},9724,"NVIDIA-AI-IOT\u002Fjetbot","jetbot","An educational AI robot based on NVIDIA Jetson Nano.","JetBot 是一款基于 NVIDIA Jetson Nano 打造的开源教育机器人，旨在以低成本、高互动的方式帮助用户入门人工智能与 robotics 领域。它解决了传统 AI 机器人开发门槛高、硬件昂贵且学习曲线陡峭的问题，让用户仅需不到 150 美元的额外硬件成本，即可拥有一台功能完整的智能小车。\n\nJetBot 特别适合学生、AI 初学者、教育工作者以及希望动手实践嵌入式 AI 的开发者。通过它，用户无需深厚的底层驱动知识，只需在网页浏览器中即可交互式地编写代码，轻松实现从基础运动控制到基于深度学习的人脸跟踪、物体识别及自动避障等复杂功能。其核心亮点在于将强大的边缘计算能力与直观的软件生态相结合，提供了丰富的官方教程和活跃的社区支持。无论是用于课堂演示、个人兴趣项目，还是作为探索更高级 AI 应用的跳板，JetBot 都能提供宝贵的实战经验，让抽象的算法理论转化为看得见、摸得着的智能行为。","# JetBot\n\n\u003C!--[\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fdiscord\u002F553852754058280961.svg\">](https:\u002F\u002Fdiscord.gg\u002FAdy6NtF) -->\n\n> Looking for a quick way to get started with JetBot?  Many third party kits are [now available](https:\u002F\u002Fjetbot.org\u002Fmaster\u002Fthird_party_kits.html)!\n\n\u003Cimg src=\"..\u002F..\u002F\u002Fwiki\u002Fimages\u002Fjetson-jetbot-illustration_1600x1260.png\" height=\"256\">\n\nJetBot is an open-source robot based on NVIDIA Jetson Nano that is\n\n* **Affordable** - Less than $150 add-on to Jetson Nano\n* **Educational** - Tutorials from basic motion to AI based collision avoidance\n* **Fun!** - Interactively programmed from your web browser\n\nBuilding and using JetBot gives the hands on experience needed to create entirely new AI projects.\n\nTo get started, read the [JetBot documentation](https:\u002F\u002Fjetbot.org).\n\n## Get involved\n\nWe really appreciate any feedback related to JetBot, and also just enjoy seeing what you're working on!  There is a growing community of Jetson Nano and JetBot users.  It's easy to get involved involved...\n\n\u003C!--* Join the [chat server](https:\u002F\u002Fdiscord.gg\u002FAdy6NtF)-->\n* Ask a question and discuss JetBot related topics on the [JetBot GitHub Discussions](https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fjetbot\u002Fdiscussions)\n* Report a bug by [creating an issue](https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fjetbot\u002Fissues)\n* Share your project or ask a question on the [Jetson Developer Forums](https:\u002F\u002Fdevtalk.nvidia.com\u002Fdefault\u002Fboard\u002F139\u002Fjetson-embedded-systems\u002F)\n\n\n","# JetBot\n\n\u003C!--[\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fdiscord\u002F553852754058280961.svg\">](https:\u002F\u002Fdiscord.gg\u002FAdy6NtF) -->\n\n> 想快速入门 JetBot 吗？现在已有许多第三方套件可供选择！[查看详情](https:\u002F\u002Fjetbot.org\u002Fmaster\u002Fthird_party_kits.html)\n\n\u003Cimg src=\"..\u002F..\u002F\u002Fwiki\u002Fimages\u002Fjetson-jetbot-illustration_1600x1260.png\" height=\"256\">\n\nJetBot 是一款基于 NVIDIA Jetson Nano 的开源机器人，它具有以下特点：\n\n* **经济实惠** - 仅需额外花费不到 150 美元即可在 Jetson Nano 上搭建\n* **教育性强** - 提供从基础运动控制到基于 AI 的避障等教程\n* **趣味十足** - 可通过网页浏览器进行交互式编程\n\n搭建并使用 JetBot 能够为你提供实践经验，帮助你开发全新的 AI 项目。\n\n要开始使用，请阅读 [JetBot 官方文档](https:\u002F\u002Fjetbot.org)。\n\n## 加入社区\n\n我们非常欢迎关于 JetBot 的任何反馈，也乐于看到大家正在开展的项目！Jetson Nano 和 JetBot 的用户社区正在不断壮大。参与其中非常简单……\n\n\u003C!--* 加入 [聊天服务器](https:\u002F\u002Fdiscord.gg\u002FAdy6NtF)-->\n* 在 [JetBot GitHub 讨论区](https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fjetbot\u002Fdiscussions) 提问并讨论与 JetBot 相关的话题\n* 通过 [创建 Issue](https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fjetbot\u002Fissues) 报告 Bug\n* 在 [Jetson 开发者论坛](https:\u002F\u002Fdevtalk.nvidia.com\u002Fdefault\u002Fboard\u002F139\u002Fjetson-embedded-systems\u002F) 分享你的项目或提出问题","# JetBot 快速上手指南\n\nJetBot 是一款基于 NVIDIA Jetson Nano 的开源机器人平台，兼具低成本、教育性和趣味性。它支持通过浏览器进行交互式编程，涵盖从基础运动控制到基于 AI 的碰撞避让等教程，是入门嵌入式 AI 项目的理想选择。\n\n## 环境准备\n\n在开始之前，请确保您具备以下硬件和软件环境：\n\n*   **核心硬件**：NVIDIA Jetson Nano 开发板（B01 版本推荐）。\n*   **外设组件**：\n    *   MicroSD 卡（建议 32GB 及以上，Class 10 速度）。\n    *   兼容的电机驱动板及直流电机（通常包含在第三方套件中）。\n    *   摄像头模块（CSI 接口）。\n    *   电池组（用于供电）。\n    *   Wi-Fi 适配器（若开发板未内置）。\n*   **系统要求**：\n    *   官方推荐使用专为 JetBot 定制的 SD 卡镜像，该镜像预装了 JetPack、PyTorch 及所有必要依赖。\n    *   或者，您可以在标准的 JetPack 4.x (Ubuntu 18.04) 系统上手动安装，但建议使用定制镜像以节省配置时间。\n*   **网络环境**：\n    *   确保 Jetson Nano 已连接互联网。\n    *   **国内加速建议**：由于依赖包多托管于 GitHub 和 PyPI，国内用户建议在刷机前配置清华或中科大镜像源，或在路由器层面进行科学上网配置，以避免下载超时。\n\n## 安装步骤\n\n最推荐的安装方式是直接烧录官方提供的预构建 SD 卡镜像，这将自动完成所有依赖项的安装。\n\n### 1. 下载镜像\n访问 [JetBot 官方发布页](https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fjetbot\u002Freleases) 下载最新版本的 SD 卡镜像文件（`.img.zip`）。\n> **提示**：如果下载速度慢，可尝试寻找国内开发者搬运的镜像资源，或使用多线程下载工具。\n\n### 2. 烧录镜像\n将 MicroSD 卡插入电脑，使用烧录工具将镜像写入卡中。\n*   **Linux\u002FmacOS**: 推荐使用 `balenaEtcher` 或命令行工具 `dd`。\n*   **Windows**: 推荐使用 `balenaEtcher` 或 `Win32 Disk Imager`。\n\n```bash\n# 示例：使用 dd 命令烧录（请将 \u002Fdev\u002FsdX 替换为实际的 SD 卡设备路径）\nsudo dd if=jetbot_image_v0p4p0.img of=\u002Fdev\u002FsdX bs=4M status=progress\nsync\n```\n\n### 3. 首次启动配置\n1.  将烧录好的 SD 卡插入 Jetson Nano。\n2.  连接摄像头、电机驱动板和电源。\n3.  开机后，JetBot 会自动创建一个 Wi-Fi 热点（名称通常为 `jetbot-xxx`）。\n4.  使用电脑或手机连接该热点。\n5.  在浏览器中访问 `192.168.2.1` 即可进入 Jupyter Lab 界面。\n\n*(注：若需手动在现有系统中安装，可参考官方文档运行 `pip3 install jetbot`，但强烈建议使用上述镜像法)*\n\n## 基本使用\n\nJetBot 的核心交互通过 Web 浏览器中的 Jupyter Notebook 完成。以下是启动并控制机器人的最简单示例。\n\n### 1. 登录 Jupyter Lab\n连接至 JetBot 热点后，在浏览器打开 `192.168.2.1`，输入默认密码（通常在镜像说明页提供，早期版本多为 `jetbot`）登录。\n\n### 2. 创建测试笔记\n在 Jupyter 界面中新建一个 Python 3 Notebook，运行以下代码来测试电机控制和摄像头预览。\n\n**初始化电机并让机器人前进：**\n\n```python\nfrom jetbot import Motor\n\n# 初始化左右电机\nleft_motor = Motor('A')\nright_motor = Motor('B')\n\n# 设置速度 (0.0 - 1.0)，让机器人全速前进 2 秒\nleft_motor.forward(0.5)\nright_motor.forward(0.5)\n\nimport time\ntime.sleep(2)\n\n# 停止\nleft_motor.stop()\nright_motor.stop()\n```\n\n**启动摄像头实时预览：**\n\n```python\nfrom jetbot import Camera\n\n# 获取摄像头实例\ncamera = Camera.instance()\n\n# 在 Notebook 中显示实时视频流\ndisplay(camera)\n```\n\n完成上述步骤后，您已成功运行了 JetBot 的基础功能。接下来您可以浏览官方仓库中的 `notebooks` 目录，依次学习物体跟踪、碰撞避让等高级 AI 项目。","某高校机器人实验室的学生团队正试图为新生设计一门入门级人工智能实践课，目标是让学生亲手搭建并编程一个能自主避障的智能小车。\n\n### 没有 jetbot 时\n- **硬件门槛极高**：学生需自行采购电机、驱动板、传感器并解决复杂的电路连接问题，往往因接线错误导致设备损坏，起步阶段就耗费数周时间。\n- **环境配置繁琐**：在普通电脑上模拟 AI 模型后，迁移到嵌入式设备时面临严重的依赖冲突和算力不足问题，代码难以实际运行。\n- **缺乏系统教程**：网上资料零散，从基础运动控制到视觉识别的跨度太大，学生容易在理论到实践的断层中失去兴趣。\n- **调试效率低下**：每次修改算法都需要重新烧录固件或通过串口查看日志，无法实时观察机器人对指令的反应，迭代周期漫长。\n\n### 使用 jetbot 后\n- **开箱即用套件**：jetbot 提供经过验证的廉价硬件清单和组装指南，学生只需按图索骥即可快速完成物理搭建，将精力集中在逻辑实现上。\n- **云端交互编程**：通过浏览器即可直接访问基于 Jupyter Lab 的控制界面，利用预置的 NVIDIA AI 容器环境，一键运行从碰撞检测到物体追踪的各种示例。\n- **渐进式学习路径**：官方提供了从基础轮式运动到深度学习避障的完整教程链，学生能循序渐进地理解 AI 如何在边缘设备上落地。\n- **实时可视化调试**：支持视频流实时回传与参数热更新，学生调整神经网络权重后可立即看到小车避障行为的变化，极大提升了实验反馈速度。\n\njetbot 将原本需要数月才能跑通的嵌入式 AI 开发流程压缩至几天，让教育者能专注于算法教学而非底层基建。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA-AI-IOT_jetbot_f5160540.png","NVIDIA-AI-IOT","NVIDIA AI IOT","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FNVIDIA-AI-IOT_3faae4f1.png","",null,"https:\u002F\u002Fdeveloper.nvidia.com\u002F","https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT",[84,88,92,96,100,104],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",66.3,{"name":89,"color":90,"percentage":91},"Python","#3572A5",23.7,{"name":93,"color":94,"percentage":95},"Shell","#89e051",4.4,{"name":97,"color":98,"percentage":99},"C++","#f34b7d",3.5,{"name":101,"color":102,"percentage":103},"Dockerfile","#384d54",1.9,{"name":105,"color":106,"percentage":107},"CMake","#DA3434",0.1,3242,1060,"2026-04-16T14:07:40","MIT",4,"Linux","必需，基于 NVIDIA Jetson Nano (集成 Maxwell GPU, 支持 CUDA)","未说明 (Jetson Nano 板载内存通常为 4GB)",{"notes":117,"python":118,"dependencies":119},"该工具是专为 NVIDIA Jetson Nano 嵌入式开发板设计的开源机器人项目，并非通用 PC 软件。需要购买 Jetson Nano 硬件及配套的电机驱动板、摄像头等外设（额外成本约 150 美元）。系统需刷入特定的 JetBot SD 卡镜像（基于 Linux），不支持在标准 Windows、macOS 或普通 Ubuntu PC 上直接运行核心功能。","未说明",[120,121],"jetson-inference","PyTorch (针对 Jetson 优化版本)",[18],"2026-03-27T02:49:30.150509","2026-04-20T04:06:37.120855",[126,131,135,140,145,150],{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},43662,"如何将道路跟随（Road Following）和避障（Collision Avoidance）功能结合起来？","要实现结合，需要分别构建两个模型的 TensorRT (TRT) 引擎。具体步骤如下：\n1. 找到包含 \"build\" 字样的脚本，例如 \"live_demo_resnet18_build_trt.ipynb\"（用于避障）和 \"live_demo_build_trt.ipynb\"（用于道路跟随），在 Jupyter Lab 中打开。\n2. 检查并确认脚本中加载模型的路径和名称是否正确（例如 model.load_state_dict(torch.load('best_model_resnet18.pth'))），如有需要请重命名。\n3. 确保对应的模型文件（.pth）与构建脚本位于同一文件夹内（例如都在 \"collision_avoidance\" 或 \"road_following\" 文件夹中）。\n4. 逐单元格运行脚本以生成 TRT 模型。\n5. 确保已预先安装 \"torch2trt\" 库，且系统基于 JetBot SD 镜像（如 4.3 版本）。","https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fjetbot\u002Fissues\u002F267",{"id":132,"question_zh":133,"answer_zh":134,"source_url":130},43663,"如何在 Jetson Nano 上将训练好的 ResNet 模型转换为 TensorRT (TRT) 模型？","转换步骤如下：\n1. 在 Jupyter Lab 中找到对应的构建脚本，通常文件名包含 \"build_trt\"，例如 \"live_demo_resnet18_build_trt.ipynb\"。\n2. 打开脚本后，检查加载预训练模型的代码行（如 model.load_state_dict...），确保文件名和路径指向你训练好的 .pth 文件。\n3. 将训练好的模型文件放置在与该脚本相同的目录下。\n4. 确保已安装 torch2trt 库。\n5. 按顺序逐单元格运行 Notebook，即可完成转换。",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},43664,"PiOLED 显示屏缺货，有什么替代方案或解决方法？","如果原装屏幕缺货或购买到兼容屏幕出现显示问题（如花屏），可以尝试以下方法：\n1. 手动运行统计脚本来测试屏幕：执行命令 `python3 stats.py`（对应文件为 jetbot\u002Fapps\u002Fstats.py）。有些用户反馈屏幕在手动运行此脚本时工作正常，但开机自启失败。\n2. 检查接线：确保 SDA 接 Pin 3, SCL 接 Pin 5, GND 接 Pin 6, VIN 接 Pin 1 (3V3)。部分屏幕可能需要将 RST 引脚接地 (GND)。\n3. 如果软件调试无效，建议直接在本地电子商店购买规格完全匹配的原厂屏幕以避免兼容性问题。","https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fjetbot\u002Fissues\u002F106",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},43665,"运行 `robot = Robot()` 时出现 \"i2c Remote I\u002FO error\" 错误怎么办？","该错误通常表示 I2C 通信失败，请按以下步骤排查：\n1. 检查 I2C 设备是否被识别：运行 `i2cdetect -y -r \u003Cbus_number>`，查看是否能检测到地址 0x40 (PCA9685) 或 0x70 (OLED)。\n2. 如果能看到 I2C 设备地址，说明总线正常，问题可能出在电机驱动板连接或型号不匹配上。\n3. 如果你使用的是 SparkFun 套件，必须使用 SparkFun 提供的预构建镜像，而不是通用的 JetBot 镜像，因为硬件配置不同。\n4. 确认电机驱动板供电充足且接线牢固。","https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fjetbot\u002Fissues\u002F45",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},43666,"刷入新的 JetBot 镜像后 Jetson Nano 无法启动（无 Nvidia Logo）如何解决？","如果刷入新镜像后无法启动，甚至原官方镜像也无法启动，可能是烧录过程损坏了引导分区或 eMMC\u002FSD 卡文件系统。建议尝试：\n1. 重新格式化 SD 卡，确保使用可靠的工具（如 BalenaEtcher）重新烧录官方提供的最新稳定版镜像。\n2. 尝试更换一张高质量的 SD 卡，排除存储介质损坏的可能。\n3. 如果是 eMMC 版本的 Nano，可能需要通过 USB 强制恢复模式（Force Recovery Mode）重新刷写整个系统镜像。\n4. 检查电源适配器是否能为启动过程提供足够的电流（建议 5V\u002F4A）。","https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fjetbot\u002Fissues\u002F390",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},43667,"由于运输限制无法购买 LiPO 电池，应该选择多大容量的充电宝？","虽然具体的容量取决于你的使用时长需求，但选择充电宝时需注意以下几点以替代 LiPO 电池：\n1. 输出电压必须稳定在 5V。\n2. 输出电流能力建议至少达到 3A-4A，以满足 Jetson Nano 和电机同时工作的峰值功耗，否则可能导致系统重启。\n3. 接口建议使用高质量的 Micro-USB 或 USB-C 线缆以减少压降。\n4. 容量方面，建议选择 10000mAh 或以上的高倍率放电充电宝，以保证足够的续航时间。","https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002Fjetbot\u002Fissues\u002F16",[156,161,166,171,176],{"id":157,"version":158,"summary_zh":159,"released_at":160},344737,"v0.4.3","| 平台 | JetPack 版本 | JetBot 版本 | 下载 | MD5 校验和 | \r\n|--------|-----------------|----------------|--------|----|\r\n| Jetson Nano 2GB | 4.5 | 0.4.3 | [jetbot-043_nano-2gb-jp45.zip](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1tsuSY3iZrfiKu4ww-RX-eCPcwuT2DPwJ\u002Fview?usp=sharing) | e6dda4d13b1b1b31f648402b9b742152 |\r\n| Jetson Nano (4GB) | 4.5 | 0.4.3 | [jetbot-043_nano-4gb-jp45.zip](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1o08RPDRZuDloP_o76tCoSngvq1CVuCDh\u002Fview?usp=sharing) | 760b1885646bfad8590633acca014289 |\r\n\r\n## 变更\r\n\r\n新增\r\n\r\n    新增 LocalController 类，允许用户将控制器直接连接到 JetBot\r\n","2021-02-02T23:03:48",{"id":162,"version":163,"summary_zh":164,"released_at":165},344738,"v0.4.2","添加了一个小修复，以支持后续版本的 Waveshare JetBot。\n\n| 平台 | JetPack 版本 | JetBot 版本 | 下载 |\r\n|--------|-----------------|----------------|--------|\r\n| Jetson Nano 2GB | 4.4.1 | 0.4.2 | [jetbot-042_nano-2gb-jp441.zip](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1uiWz6QTcqB3wzN81gdv_zY8t_V3ZzkNE\u002Fview) |\r\n| Jetson Nano (4GB) | 4.4.1 | 0.4.2 | [jetbot-042_nano-4gb-jp441.zip](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1MAX1ibJvcLulKQeMtxbjMhsrOevBfUJd\u002Fview) |","2021-01-25T21:13:54",{"id":167,"version":168,"summary_zh":169,"released_at":170},344739,"v0.4.1","本次发布首次支持 JetBot 2G，并新增对 Docker 的支持。\n\n| 平台           | JetPack 版本 | JetBot 版本 | 下载链接                                   |\n|----------------|--------------|-------------|------------------------------------------|\n| Jetson Nano 2GB | 4.4.1        | 0.4.1       | [jetbot-041_nano-2gb-jp441.zip](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1d03TOrQyffxFsv_Nhp-XQ7Q3-nCHbT9a\u002Fview) |\n| Jetson Nano (4GB)| 4.4.1        | 0.4.1       | [jetbot-041_nano-4gb-jp441.zip](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1yQ5MEiiBxbytCXHFPPBi-5SAxWklhZQA\u002Fview) |","2021-01-25T20:25:53",{"id":172,"version":173,"summary_zh":174,"released_at":175},344740,"v0.4.0","基于 JetPack 4.3 的 JetBot SD 卡镜像（适用于 Jetson Nano 开发者套件 B01 版本）：\r\n\r\nhttps:\u002F\u002Fdrive.google.com\u002Fopen?id=1G5nw0o3Q6E08xZM99ZfzQAe7-qAXxzHN\r\n\r\n目标检测引擎：\r\n\r\nhttps:\u002F\u002Fdrive.google.com\u002Fopen?id=1KjlDMRD8uhgQmQK-nC2CZGHFTbq4qQQH","2020-01-16T04:54:44",{"id":177,"version":178,"summary_zh":179,"released_at":180},344741,"v0.3.0","## SD卡镜像\n\n下载地址：[jetbot_image_v0p3p0.zip](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1RgQ99QOqhcNxivSNJpetXdoOCqUWAWH_)\n\n- 预装PyTorch 1.0\n- 预装TensorFlow 1.13\n- 启用了4GB交换空间\n- 默认功耗模式为5W\n- 安装了Jupyter Lab服务\n- 安装了状态显示服务\n\n## Python包\n\n- `Heartbeat`类，用于检测与浏览器的连接断开情况\n- `Camera`类，用于生成带有事件的摄像头帧\n- `Robot`类，用于控制机器人运动\n- `Motor`类，用于基于事件的电机控制\n- `ObjectDetector`类，用于使用子包`jetbot.ssd_tensorrt`进行目标检测\n- `TRTModel`类，用于抽象在NumPy数组上执行TensorRT模型的操作\n\n## 笔记本\n\n### 机器人\n\n- 基础运动：教授编程控制机器人的方法\n- 远程操控：演示视频流传输和游戏手柄控制\n- 碰撞避让：\n  - 数据采集：收集“自由”和“阻挡”两类标签\n  - 实时演示：展示简单的漫游与避障功能\n- 目标跟随：\n  - 实时演示：展示使用多网络进行COCO目标跟踪，并同时实现碰撞避让\n\n### 主机\n\n- 碰撞避让：\n  - 训练：演示如何使用PyTorch训练图像分类网络","2019-03-10T07:25:55"]