Det är en spännande tid för småfaktorberäkning. Som om Raspberry Pi inte vore nog av en maskin för alla ändamål, dyker det hela tiden upp kraftfullare brädor som kan göra otroliga bedrifter.
Jetson Nano från Nvidia är ett nyligen tillägg till raden av superkraftiga maskininlärningsaktiverade kort. Vad gör den speciell? Ska du köpa en? Vad handlar Nvidia Jetson Nano om?
Vad är Nvidia Jetson Nano?
Jetson Nano är en Single Board Computer (SBC) ungefär lika stor som en Raspberry Pi och riktar sig till AI och maskininlärning. Till synes en direkt konkurrent till Google Coral Dev-brädet, det är det tredje i Jetson-familjen tillsammans med de redan tillgängliga TX2- och AGX Xavier-utvecklingskorten.
Nvidia utnyttjar sin skicklighet för grafikprocessorkraft för dessa små datorer och använder parallella neurala nätverk för att bearbeta flera videor och sensorer samtidigt.
Medan alla tre Jetson-brädorna syftar till att vara tillgängliga för alla, är Nano för både hobby- och professionella utvecklare. Utvecklingssatsen består av två delar — en basplatta för anslutning och en System On Module (SOM) för själva bearbetningsenheterna.
Vad är System on Module?
System på modul avser ett utvecklingskort som har alla systemkritiska delar i en flyttbar modul. Nano har en 260-stifts kantkontakt för att fästa den på en basplatta för utveckling.
När utvecklingen är över kan SOM tas bort och läggas till i ett inbäddat system med anpassade ingångar, och en ny SOM ansluts till baskortet för vidare utveckling.
Om allt detta låter lite bekant så är det det!
Det här är samma inställning som Google Coral Dev-brädet, som är av liknande storlek, och som också syftar till inbyggd maskininlärning för både hobbyister och proffs!
Vilka är Jetson Nanos specifikationer?
Nvidia har packat mycket i Jetson Nano:
SOM:
CPU: Fyrkärnig ARM® Cortex-A57 MPCore-processor GPU: Nvidia Maxwell™-arkitektur med 128 Nvidia CUDA-kärnor RAM: 4 GB 64-bitars LPDDR4 Lagring: 16 GB eMMC 5.1 Flash Video: 4k @ 30fps kodning Cam 60fps @ decoding Cam 60fps : 12 banor (3×4 eller 4×2) MIPI CSI-2 DPHY 1.1 (1.5 Gbps) Anslutning: Gigabit Ethernet Display: HDMI 2.0 eller DP1.2 | eDP 1.4 | DSI (1 x2) 2 samtidiga PCIE/USB: 1 x1/2/4 PCIE, 1x USB 3.0, 3x USB 2.0 I/O: 1x SDIO / 2x SPI / 6x I2C / 2x I2S / GPIOs Mått: 69,6 mm x 45 mm
Bastavla:
USB: 4x USB 3.0, USB 2.0 Micro-B-kamera: 1x MIPI CSI-2 DPHY-banor (Raspberry Pi-kamerakompatibel) LAN: Gigabit Ethernet, M.2 Key E Lagring: microSD-kortplats Display: HDMI 2.0 och eDP 1.4 Övrigt I/ O: GPIO, I2C, I2S, SPI, UART
Vad kan jag göra?
Det kommer inte att komma som en chock för någon att Nvidia har tagit fram en kort som lämpar sig väl för visuella uppgifter. Objektigenkänning är ett nyckelfokus här, och Visionworks SDK har många potentiella tillämpningar inom detta område.
Istället för att använda en separat bearbetningsenhet för maskininlärningsuppgifter, använder Jetson Nano en Maxwell GPU med 128 CUDA-kärnor för tunga lyft.
Jetson Inference-projektet innehåller demonstrationer av ett förutbildat neuralt nätverk som utför högpresterande multipelobjektigenkänning i en mängd olika miljöer. Funktionsspårning, bildstabilisering, rörelseförutsägelse och simultan flödesbearbetning med flera källor finns alla med i de tillgängliga demopaketen.
Kanske mest imponerande är DeepStream-tekniken som visas i videon ovan. Att köra liveanalyser på åtta samtidiga 1080p-strömmar med 30 fps på en liten dator med enkelkort är otroligt och visar den potentiella kraften i Nanos hårdvara.
Vad ska den användas till?
Med tanke på dess skicklighet för videoanalys och liten formfaktor kommer Jetson Nano nästan säkert att lysa i robotik och autonoma fordon. Många av demos visar dessa applikationer i aktion.
Med tanke på dess kraft och storlek kommer den sannolikt också att fungera i inbäddade system som är beroende av ansikts- och objektigenkänning.
För hobbyister som oss? Det verkar vara en perfekt blandning av kraftfulla maskininlärningsmöjligheter i en faktor som är bekant för alla som har pillat med en Raspberry Pi. Även om du kan använda ramverk för maskininlärning som TensorFlow på en Raspberry Pi, är Jetson Nano mycket mer lämpad för uppgiften.
Vad mer kan Jetson Nano göra?
Jetson Nano kör Ubuntu, även om en specialiserad OS-bild är tillgänglig från Nvidia med programvara som är specifik för plattformen. Medan brädans primära fokus är maskininlärning, är detta Nvidia så du förväntar dig att det kommer att pågå en del grafisk trolldom också.
Du kommer inte bli besviken. Demos som visar partikelsystem, fraktalrendering i realtid och en rad visuella effekter skulle bara tills nyligen ha hittats på flaggskeppsgrafikkort för skrivbordet.
Med tanke på att dess videokodning är klassad för 4k @ 30fps och avkodning vid 60fps, är det säkert att anta att Nano kommer att vara perfekt för videoapplikationer också.
Jetson Nano vs Coral Dev Board: Vilket är bäst?
Det är svårt att säga vilket som är det bästa kortet mellan Google Coral Dev-kortet och Jetson Nano i detta skede.
Googles TensorFlow neurala nätverk är en dominerande kraft inom området maskininlärning. Det skulle följa att Googles egen Edge TPU-samprocessor kanske fungerar bättre för applikationer av TensorFlow Lite.
Å andra sidan har Nvidia redan visat ett imponerande utbud av maskininlärningsbaserade demos för Jetson Nano. Detta, tillsammans med den imponerande grafiken, kan Nano göra den till en riktig konkurrent.
Hur mycket kostar Jetson Nano?
Priset är en annan aspekt som vi inte har täckt ännu. Google Coral Dev-brädet kostar 149,99 USD medan Jetson Nano endast kostar 99 USD. Om inte Coral Dev-brädet kan tillföra något unikt till bordet, kan hobbyister och små utvecklare hitta de extra $50 som är svårt att motivera.
Det finns för närvarande inget pris för enbart SOM för någon av brädorna, men jag kan tänka mig att för de flesta hobbyutvecklare kommer detta inte att vara lika viktigt. Ur en kommersiell synvinkel kommer prestanda/priskontrasten att vara det som gör den avgörande skillnaden mellan Jetson Nano och Coral Dev-kortet.
Jetson Nano är tillgänglig från Nvidia direkt tillsammans med tredjepartssäljare.
köpa: Jetson Nano direkt från Nvidia
Kan det ersätta min Raspberry Pi?
Även om Google Coral Dev-kortet är kraftfullt, går det inte ihop med Raspberry Pi på vissa sätt. Raspberry Pi är en fantastisk hobbydator för gör-det-själv-elektronik. Det kan också fungera som en stationär dator i ett nafs.
Visst, Coral Dev-kortet är kraftfullt, men deras egna dokument avråder från att fästa en mus och tangentbord. Corals anpassade OS är främst för SSH-anslutningar. Den är dock troligen kapabel att upprätthålla alla varianter av Linux. Detta placerar den där uppe igen som en direkt Pi-konkurrent
Det finns dock ett problem. Om du vill ha en bräda för att lära sig maskininlärning, men en som också kan utföra andra dagliga uppgifter, varför skulle du köpa Coral Dev Board?
Jetson Nano har stöd för en displayport och har som tidigare nämnt imponerande videoexempel direkt ur lådan. Det anpassade Ubuntu-skrivbordet kommer att vara bekant för många och det billigare priset kommer att göra det till en attraktiv möjlighet för många, även de som är ointresserade av maskininlärning.
AI för alla
I det här skedet är det svårt att säga vilken som blir den bästa styrelsen. Det är också okänt vilken som kommer att vara mer tillgänglig för hemutvecklare. Jag ser fram emot att tillbringa tid med både Coral Dev och Jetson Nano-brädorna för att få ett definitivt svar!
Det är en spännande tid att mixtra med SBC! Om du är ny på det och vill ha ett ställe att börja, skaffa en Raspberry Pi och följ vår ultimata guide för att komma igång!
Om författaren
Ian Buckley (220 artiklar publicerade)
Ian Buckley är en frilansjournalist, musiker, artist och videoproducent bosatt i Berlin, Tyskland. När han inte skriver eller står på scen, pysslar han med DIY-elektronik eller kod i hopp om att bli en galen vetenskapsman.
Mer från Ian Buckley
Prenumerera på vårt nyhetsbrev
Gå med i vårt nyhetsbrev för tekniska tips, recensioner, free e-böcker och exklusiva erbjudanden!
Klicka här för att prenumerera
