寻求YoloV8的cfg与权重文件及生成方法（适配DeepStream）

一、YOLOv8的cfg与权重文件说明 #

• YOLOv8官方放弃了传统Darknet的.cfg文件格式，模型结构定义在YAML文件中（比如Ultralytics仓库里的yolov8n.yaml），预训练权重直接从Ultralytics官方发布页下载.pt格式文件即可（比如yolov8n.pt、yolov8s.pt）。
• 注意：DeepStream 6.0.1部署YOLOv8不需要转成Darknet的cfg/权重，用ONNX模型+自定义解析器是更高效的路径。

二、解决Jetson Nano上PyTorch的“Illegal instruction”错误 #

• 这个问题是因为你装的PyTorch版本针对高端ARM芯片做了指令集优化，和Jetson Nano的ARMv8架构不兼容。
• 解决步骤：
  1. 卸载现有PyTorch和TorchVision，安装JetPack4.6.1对应的兼容版本：

     pip uninstall torch torchvision -y
     pip install torch==1.10.0+cu102 torchvision==0.11.1+cu102 -f https://download.pytorch.org/whl/cu102/torch_stable.html
     

  2. 如果仍报错，运行脚本前添加环境变量禁用不兼容的优化：

     export PYTHONNOUSERSITE=1
     export TORCH_NVCC_FLAGS="-D__CUDA_NO_HALF_OPERATORS__"
     python your_script.py
     

三、用export_yoloV8.py生成的ONNX适配DeepStream #

• 不需要把ONNX转成cfg/权重，直接用ONNX就能部署，操作如下：
  1. 导出ONNX时指定正确参数：

     python export_yoloV8.py --weights yolov8n.pt --include onnx --imgsz 640 --batch 1
     

  2. 配置DeepStream的推理配置文件（比如config_infer_primary_yolov8.txt），指定ONNX模型路径，同时编译YOLOv8的自定义解析器（参考DeepStream官方YOLO示例，修改解析逻辑适配YOLOv8的输出层）。
  3. 在DeepStream主配置文件中指向这个推理配置，就能实现车辆追踪功能。

四、替代方案：直接用官方工具链 #

• 直接从Ultralytics官方仓库拿YOLOv8的导出脚本，结合DeepStream官方提供的YOLO插件示例，自己修改解析器适配YOLOv8，不用依赖第三方的gen_wts_yoloV8.py脚本。

内容的提问来源于stack exchange，提问作者Shaun