NVIDIA Jetson Nano: Alles über das Entwicklungsboard

NVIDIA Jetson Nano Es ist ein spezielles Entwicklungsboard. Es kann in vielerlei Hinsicht wie Ihr eigenes aussehen Raspberry Pioder Arduino, aber es ist speziell für eine bestimmte Art von Projekt konzipiert. Und wie diese anderen Entwicklungsplatinen ist es auch im Vergleich zu alternativen Geräten recht günstig und klein.

Insbesondere ist der Jetson Nano von NVIDIA speziell auf die Entwicklung von ausgerichtet Projekte für künstliche Intelligenz und künstliche neuronale Netze. Ein billiger Weg, um in dieser Welt zu beginnen, zu lernen, wie diese intelligenten Systeme funktionieren, und eine Unendlichkeit von Projekten zu erstellen, die Sie sich vorstellen können ...

Was ist Jetson Nano?

NVIDIA Jetson Nano Es ist ein Development Board, ein SBC, mit dem zahlreiche Projekte basierend auf neuronalen Netzen, Deep Learning und KI erstellt werden können. Mit ihm können Sie sehr unterschiedliche Projekte erstellen, von kleinen intelligenten IoT-Anwendungen bis hin zu komplexeren Robotern, künstlichen Bildverarbeitungssystemen und Objekterkennung, Geräten, die intelligent reagieren, indem sie eine Reihe von Sensorparametern auswerten, kleinen autonomen Fahrzeugen usw.

Aber alles mit einem kleinen Teller und zu einem recht günstigen Preis erschwinglich im Vergleich zu anderen professionellen Systemen mit ähnlichen Eigenschaften.

Und wenn Sie sich fragen warum solltest du eins haben Bei diesen NVIDIA Jetson Nano-Boards sollten Sie sich bewusst sein, dass Sie mit diesen Boards viele Projekte erstellen können, während Sie sich mit einer Technologie vertraut machen, die auf dem Vormarsch ist. Es gibt immer mehr Unternehmen, die sich für Menschen mit Kenntnissen in maschinellem Lernen, KI, Deep Learning und anderen ähnlichen Disziplinen interessieren, da es sich um eine Technologie der Zukunft handelt.

Technische Merkmale

NVIDIA Jetson Nano bietet wirklich beeindruckende Eigenschaften für seine Größe und Preis. Es übersteigt kaum 100 € und ist nur wenige Zentimeter groß. Trotzdem können bis zu 472 Leistungs-GFLOPs entwickelt werden, die ausreichen, um viele KI-Algorithmen sehr schnell auszuführen und mehrere künstliche neuronale Netze gleichzeitig zu verarbeiten.

Und es beeindruckt nicht nur durch diese Zahlen, sondern auch durch den geringen Verbrauch. Dieses Board kann eine haben Verbrauch zwischen 5 und 10W. Im Vergleich zu ähnlichen Systemen ist es sicherlich niedrig, so dass Sie vor einem sehr effizienten System stehen. Es hat wenig mit anderen Maschinen zu tun, die Hunderte oder Tausende von Watt verbrauchen ...

Weitere Informationen finden Sie hier vollständige Detailliste:

NVIDIA Maxwell GPU mit 128 CUDA-Kernen
ARM Cortex-A57 QuadCore-CPU
RAM 4GB LPDDR4
16 GB eMMC 5.1 Flash-Speicher
Konnektivität:
- 12-Wege-Kameraanschluss (3 x 4 oder 4 x 2) MIPI CSI-2 DPHY 1.1 (18 Gbit / s)
- Gigabit-Ethernet-Netzwerk (RJ-45)
- HDMI 2.0- oder DP 1.2-Displayanschluss | eDP 1.4 | DSI (1 x 2) 2 gleichzeitig
- Anschlüsse 1/2/4 PCIE, 1 USB 3.0, 3 USB 2.0
- Zusätzliche E / A: 1 SDIO / 2 SPI / 4 I2C / 2 I2S / GPIO
- 260-poliger Stecker
Größe: 69,6 mm x 45 mm
Verbrauch: 5-10w
Linux OS mit Entwicklungs-Kit

Produkte der NVIDIA Jetson-Familie

NVIDIA hat mehrere davon Produkte für die KI-Entwicklung mit künstlichen neuroanalen Netzwerken. Einige der bekanntesten Produkte sind:

Jetson Xavier NX: Es ist ein SOM, dh ein System On Module oder ein komplettes System, das in ein einzelnes Modul integriert ist. Trotz seines Aussehens und seiner Größe bietet es typische Supercomputerleistungen mit bis zu 21 TOPs, dh 21 Tera-Operationen pro Sekunde. Dies reicht aus, um mehrere künstliche neuronale Netze reibungslos und gleichzeitig zu betreiben.
Jetson AGX Xavier: Ein weiteres sehr leistungsfähiges Modul in Bezug auf Rechendichte und Effizienz, das nach Jetson Nano entstanden ist und die Schaffung neuer Generationen intelligenter Maschinen ermöglicht.
Jetson TX2: eine weitere Alternative zu Jetson Nano und aus derselben Familie. Es zeichnet sich durch enorme Geschwindigkeit und Energieeffizienz aus. Speziell für eingebettete KI-Anwendungen entwickelt, bei denen Größe und Verbrauch eine Rolle spielen. In diesem Fall basiert es auf der NVIDIA Pascal-Architektur, die mit 8 GB RAM und einer Bandbreite von bis zu 59,7 GB / s betrieben wird.

Kaufen Sie NVIDIA Jetson Nano

Wenn Sie bereit sind, mit künstlichen neuronalen Netzwerkprojekten in die Maker- oder DIY-Welt einzusteigen, können Sie dies tun Kaufen Sie dieses NVIDIA Jetson Nano Board in Fachgeschäften oder auf Plattformen wie Amazon, wo sie separat oder mit Entwicklungskits verkauft werden, um schnell mit allem zu beginnen, was Sie benötigen:

Derzeit wurde ein NVIDIA Jetson Nano Board mit einem reduzierten Preis von auf den Markt gebracht ungefähr 59 $ und zu denen sie auch WiFi hinzugefügt haben. Tolle Neuigkeiten, das einzige ist, dass sie den Hauptspeicher auf 2 GB reduziert haben. Wenn Sie es wollen, müssen Sie warten, denn jetzt ist es nur in Vorverkauf für Partner ...

Alternativen zum NVIDIA Jetson Nano

Wenn Sie sich für maschinelles Lernen, KI und künstliche neuronale Netze interessieren, sollten Sie einige kennen Alternativen zu NVIDIA Jetson Nano, da es nicht die einzige Platte für diese Zwecke ist. Sie finden einige SBCs, die speziell für diese Projekte entwickelt wurden, wie die folgenden:

Google Koralle

Google hat ein Abzeichen entwickelt, Google Koralle, zusammen mit anderem Zubehör und Modulen, die zum Erstellen von KI-Projekten benötigt werden. Unter den Artikeln, die zu dieser Plattform gehören, haben Sie:

Google Coral hat einige technische Eigenschaften auffällig, wie:

NXP i.MX 8M CPU mit Quad Core Cortex-A53 und Cortex-M4F
GC7000 Lite Graphics GPU,
Google Edge TPU-Coprozessor mit bis zu 4 TOPS oder 2 TOPS / w.
Enthält 1 GB LPDDR4-RAM
Speicherung von bis zu 8 GB eMMC-Flash und die Möglichkeit, ihn mithilfe von microSD-Karten zu erweitern.
Es verfügt über WiFi-Konnektivität, USB, Bluetooth, Ethernet, Audiobuchse, HDMI, MIPI-DSI und Stromversorgung über USB-C 5v.

Khadas VIM3

Khadas VM3 Es ist eine weitere Alternative für Ihre KI-Projekte, obwohl es einige der Eigenschaften der großen nicht aufweist, ist es ein ziemlich bescheidenes Board, das es sein kann eine gute Gelegenheit, um zu beginnen:

CPU A311D x4 Cortex-A73 2.2 GHz und x2 Cortex-A53 bei 1.8 GHz.
Mit einer NPU bei 5 TOPS
Bis zu 4 GB RAM
16-32 GB eMMC Samsung
MIPI-DIS-, HDMI-, WiFi-, Ethernet-, microSD-, USB-, PCIe-Verbindungen usw.

HiSilicon HiKey 970 (Huawei)

HiSilicon ist das Unternehmen unter Huawei das stellt die Chips her. Nun, unter dieser Marke finden Sie eine weitere Alternative zur Entwicklung neuronaler Netzwerkprojekte wie HiKey 970, kompatibel mit dem Huawei SDK. Darüber hinaus hat es einige interessante Funktionen:

ARM Kirin mit Cortex A73 QuadCore + Cortex-A53 QuaCore
GPU Mali G72 MP12
Spezielle NPUs
6 GB LPDDR4
64 GB Flash-Speicher
WLAN-, microSD-, HDMI-, USB-, PCIe-Verbindungen usw.
UEFI

Sophon BM1880 (Hybrid-ARM + RISC-V)

Sophon BM1880 Es ist ein alternatives Board, das von Sophon.ia entwickelt wurde. Wenn Sie sich für einen Kauf entscheiden, finden Sie einige Funktionen wie:

2x Cortex-A53-CPU bei 1.5 GHz + RISC-V bei 1 GHz
1 TPUs @ INT8 dank des Tensor-Prozessors
4GB LPDDR4
32 GB eMMC-Flash
Konnektivität Ethernet, WiFi, USB, microSD, Buchse usw.

Intel Neural-Stick

Ein anderes Projekt, das den vorherigen ähnlich ist, ist dieses Intel Neural Stick. Version 2 ist jetzt verfügbar, und die Besonderheit in diesem Fall ist, dass es sich um einen USB-Stick handelt, den Sie bequem an den PC anschließen können, um Ihre Projekte zu starten, obwohl er weniger vielseitig ist als frühere Boards. Wenn Sie mehr Strom benötigen, können Sie mehrere davon in einem USB-Hub verwenden, um Funktionen hinzuzufügen ...

Si Einkaufen dieser Neural Stick, kostet ca. 100 € und ist kompatibel mit Linux und Windows. Darüber hinaus können Sie mit OpenVINO als Entwicklungs-Toolkit arbeiten.

Rockchip RK3399Pro

Rockchip Sie haben dieses leistungsstarke hardwarebeschleunigte Deep Learning-Entwicklungskit, mit dem Sie sehr interessante und abwechslungsreiche Projekte erstellen können. Es unterstützt TensorFlow Caffe mit bis zu 3 TOPS sowie Android- und GNU / Linux-Betriebssysteme.

Wenn Sie es kaufen möchten, haben Sie es in verfügbar verschiedene Versionen (vom niedrigsten zum höchsten Preis bestellt):

Hardwarelibre