jetsonが高額すぎて、５年以上前に購入したjetsonでYOLO26動かそうとしたら、全然できなかったのでdokcerでなんとかYOLO12は動かせた話です。Dockerを使った手順になりますが、ここで紹介しているコマンドだけで動くようになると思います。

Jetson NanoでUltralytics YOLOをTensorRT（.engine）へ変換し高速推論する手順を初心者向けに解説しています。Dockerが必要な理由、numpyのnp.boolエラーの直し方、YOLO26がTensorRT変換に失敗する原因（Mod演算子）と回避策までまとめました。

Jetson NanoでYOLOをTensorRT化して爆速推論する方法｜Docker必須＆np.boolエラー対策まで

Jetson NanoでYOLOを動かすと、PyTorchのままだと推論が重い・環境が壊れやすい、という壁に当たりがちです。
この記事では、Ultralytics YOLO → TensorRT（.engine） へ変換して高速推論するまでを、実ログに基づいて初心者でも再現できる形でまとめます。

さらに、Jetson Nanoでよく踏む地雷である

• AttributeError: module 'numpy' has no attribute 'bool'
• YOLO26のTensorRT変換失敗（No importer registered for op: Mod）

も「なぜ起きるか」「どう回避するか」をセットで解説します。

この記事で分かること

• Dockerとは何か（初心者向け）
• なぜJetson NanoではDocker運用が強いのか
• Ultralyticsで TensorRTエンジン（.engine）を作る手順
• np.bool エラーの原因と対処（NumPy 1.24問題）
• YOLO26が TensorRT 8.2で失敗する理由 と回避策

先に結論：Jetson Nanoは「Docker＋TensorRT」が現実解

Jetson Nano（Tegra X1 / 4GB）環境は、PCと違ってOS・CUDA・TensorRTの組み合わせが固定されがちで、Python側の依存関係を少し触っただけで崩れます。
UltralyticsのJetson向けガイドでも、Jetson NanoはJetPack 4系（Ubuntu 18.04ベース）での運用が前提であり、そこに合わせた手順が整理されています。

そして、YOLOを高速化したいなら TensorRT が最強クラスです。UltralyticsのExportドキュメントでも、TensorRTで最大5倍のGPU高速化が狙えることが明記されています。

Dockerとは何か（初心者向け）

Dockerを一言でいうと、**「動く環境まるごとパッケージ化して持ち運ぶ箱」**です。

• PCに直接Pythonやライブラリを入れると、依存関係が衝突して壊れがち
• Dockerなら、必要なPython・PyTorch・Ultralytics・ONNX・TensorRT周りを「コンテナ内」に閉じ込められる
• Jetson特有のCUDA/TensorRT環境とも相性が良い（ホスト側のGPUをコンテナから利用）

つまりDockerは、Jetson Nanoのように「環境が固定される機器」で特に強いです。

なぜJetson Nanoでは「Dockerでないとダメ」になりがちなのか

理由は大きく3つです。

1) JetPack依存で、TensorRT/ CUDA のバージョンが縛られる

Jetson NanoはJetPack（OS＋CUDA＋TensorRTセット）に強く依存します。
新しいTensorRTを入れたいと思っても、JetPack側が追いつかず、簡単には上げられません。

2) Python側の依存関係が衝突しやすい

今回のログでも、NumPyのバージョンが原因でTensorRT Pythonバインディングが落ちました。

• NumPy 1.24以降は np.bool などの古い別名が削除され、古いコードが壊れます。実際、NumPy 1.24のリリースノートでも「期限切れの非推奨（Expired deprecations）」として np.bool 等の削除が案内されています。
• その結果、AttributeError: module 'numpy' has no attribute 'bool' が発生

Dockerなら「この組み合わせで動いた」というセットを固定しやすく、壊れたらコンテナを捨てて作り直すができます。

3) 再現性（同じ手順で同じ結果）を担保しやすい

ブログ・チーム共有・量産運用では、再現性が命です。Dockerはここが圧倒的に強いです。

手順：Jetson NanoでUltralytics YOLOをDockerで動かす（最短）

Ultralytics公式のJetsonガイドには、Dockerで動かす「クイックスタート」が載っています。
（※細部は環境により変わるので、基本は公式のコマンドに寄せるのが安全です）

例：イメージ取得 → GPUを使って起動（概念としてはこういう流れです）

# 例：イメージ取得（公式ガイドに沿って）
sudo docker pull ultralytics/ultralytics:latest-jetson

# 例：JetsonのGPUを使える形で起動（公式ガイドの記載を参照）
sudo docker run -it --runtime nvidia --network host ultralytics/ultralytics:latest-jetson

TensorRTエンジン化（.engine）まで：yolo export の基本

UltralyticsのExport（書き出し）機能は、CLIだと yolo export ... format=engine の形です。

今回の成功パターン（ログそのままに近い形）はこれです：

# 例：YOLO12nをTensorRTエンジン化（FP16）
yolo export model=yolo12n.pt format=engine imgsz=320 half=True

エンジン生成が終わったら、engineを直接推論できます：

yolo predict task=detect model=yolo12n.engine source='https://ultralytics.com/images/bus.jpg' imgsz=320 half=True

重要：np.bool エラーの原因と直し方（今回のハマりポイント）

私のログで最初に出た致命的エラーはこれです：

• AttributeError: module ‘numpy’ has no attribute ‘bool’

なぜ起きる？

NumPy 1.24で np.bool が削除されたためです（非推奨だった別名が期限切れになって削除）。
TensorRT（もしくは周辺コード）がまだ np.bool を参照していると、そこで落ちます。

どう直す？（最も安全な現実解）

NumPyを 1.23.5 に固定します。今回のログでも numpy==1.23.5 に戻したら np.bool が復活し、TensorRT推論が動きました。

コンテナ内で以下：

python3 -m pip uninstall -y numpy
python3 -m pip install "numpy==1.23.5"

# 念のため確認
python3 -c "import numpy as np; print(np.__version__, hasattr(np,'bool')); print(np.bool)"

成功例：YOLO11 / YOLO12 はTensorRT化できて推論も速い

私のログでは、

• yolo11n.engine で推論成功
• yolo12n.engine も export 成功 → 推論成功（320入力で 255.9ms 推論）

という流れでした。
Jetson Nanoでは、まず YOLO11n / YOLO12n をTensorRT化して運用が現実的です。

失敗例：YOLO26 をTensorRT化しようとすると Mod 演算子で落ちる

ログの最後で起きたのがこれです：

• No importer registered for op: Mod
• Plugin not found...
• TensorRT export failure

これは「あなたの環境が悪い」というより、TensorRT側のONNXパーサが、その演算子（Mod）を処理できないタイプの問題です。実際、NVIDIA側でも「Mod が import できない／プラグインが必要」といった報告が見つかります。

回避策1（まず試す価値が高い）：YOLO26の end2end=False を指定

UltralyticsのExport引数には end2end があり、YOLO26/YOLOv10の NMS-free（end-to-end）挙動を上書きできると説明されています。False にすると従来のNMSベース互換の出力に寄せられます。

なので、次を試す価値があります：

yolo export model=yolo26n.pt format=engine imgsz=320 half=True end2end=False

※これで内部グラフが変わり、Mod が消える（もしくは別形に落ちる）可能性があります。必ず成功する保証はないですが、「同じモデルでグラフを変えられる」唯一の公式ルートです。

回避策2：TensorRTにこだわらず、ONNX止まりで運用する

Jetson NanoのTensorRT（特に8.2系）では、モデルによっては対応演算子の都合で詰みます。
その場合は、

• format=onnx で止める
• ONNX Runtime（GPU）や別の推論経路で動かす

という逃げ道もあります（ただしJetsonはここも依存関係が難しいので、運用難易度は上がります）。

回避策3：JetPack / TensorRT を上げられる機種へ（Orin等）

どうしてもYOLO26をTensorRT化したいなら、**新しいTensorRTが使えるJetson（Orin世代）**へ寄せるのが最短なこともあります。

つまずきやすいポイントまとめ（チェックリスト）

• Dockerで環境固定できているか（ホストに直接pip地獄を作らない）
• np.bool エラーが出たら NumPy 1.23.5 に固定（NumPy 1.24で削除）
• yolo export ... format=engine の基本を守る（Ultralytics公式のExport手順）
• YOLO26が Mod で落ちたら end2end=False を試す（YOLO26向け引数）
• それでもダメなら「モデルをYOLO12にする」か「ONNX運用」か「機種更新」

この記事のまとめ

Jetson NanoでYOLOを本気で運用するなら、

• Dockerで環境を固定
• TensorRT（.engine）化で高速推論
• NumPy 1.24問題（np.bool）を踏まえて 1.23.5 に固定
• YOLO26はTensorRT 8.2で演算子（Mod）詰まりの可能性 → end2end=False等で回避を試す

が、いちばん再現性が高いルートです

それではまた。