Vil Nvidia Jetson Nano erstatte bringebærpien?
Annonse
Det er en spennende tid for liten faktorberegning. Som om Raspberry Pi ikke var nok av en maskin til alle formål, dukker det opp kraftigere brett som er i stand til utrolige bragder.
Jetson Nano fra Nvidia er et nylig tillegg til rekkene av super kraftige maskinlæringsplater. Hva gjør det spesielt? Bør du kjøpe en? Hva handler Nvidia Jetson Nano om?
Hva er Nvidia Jetson Nano?
Jetson Nano er en enkelt brettet datamaskin (SBC) på størrelse med en bringebær Pi, og rettet mot AI og maskinlæring. Tilsynelatende en direkte konkurrent til Google Coral Dev-styret, og er den tredje i Jetson-familien sammen med de allerede tilgjengelige utviklingsplatene TX2 og AGX Xavier.
Nvidia utnytter sin dyktighet for grafisk prosessorkraft for disse små datamaskinene og bruker parallelle nevrale nettverk for å behandle flere videoer og sensorer samtidig.
Mens alle tre Jetson-brettene har som mål å være tilgjengelige for alle, er Nano både for hobby- og profesjonelle utviklere. Dev-settet består av to deler - en baseboard for tilkobling, og en System On Module (SOM) for de faktiske prosesseringsenhetene.
Hva er system på modul?
System on Module refererer til ethvert utviklingskort som har alle systemkritiske deler i en flyttbar modul. Nano har en 260-pinners kantskontakt for å feste den til en baseboard for utvikling.
Når utviklingen er over, kan SOM fjernes og legges til i et innebygd system med tilpassede innganger, og en ny SOM kobles til baseboard for videre utvikling.
Hvis alt dette høres litt kjent ut, er det det!
Dette er det samme oppsettet som Google Coral Dev-brettet. Er Google Coral Dev-brettet bedre enn en bringebærpi? Er Google Coral Dev Board bedre enn en bringebærpi? Heralding en ny epoke i tilgjengelige hobby brett, hva er Googles Coral Dev Board? Og kan det erstatte Raspberry Pi? Les mer, som har en lignende størrelse, og som også er rettet mot innebygd maskinlæring for hobbyer og profesjonelle!
Hva er Jetson Nanos spesifikasjoner?
Nvidia har pakket mye inn i Jetson Nano:
SOM :
- CPU: Quad-core ARM® Cortex-A57 MPCore-prosessor
- GPU: Nvidia Maxwell ™ -arkitektur med 128 Nvidia CUDA-kjerner
- RAM: 4 GB 64-bit LPDDR4
- Lagring: 16 GB eMMC 5.1 Flash
- Video: 4k @ 30fps koding, 4k @ 60fps avkoding
- Kamera: 12 baner (3 × 4 eller 4 × 2) MIPI CSI-2 DPHY 1.1 (1, 5 Gbps)
- Tilkobling: Gigabit Ethernet
- Skjerm: HDMI 2.0 eller DP1.2 | eDP 1.4 | DSI (1 x2) 2 samtidig
- 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
- Mål: 69, 6 mm x 45 mm
Baseboard :
- USB: 4x USB 3.0, USB 2.0 Micro-B
- Kamera: 1x MIPI CSI-2 DPHY-baner (Raspberry Pi-kamera kompatibelt)
- LAN: Gigabit Ethernet, M.2 Key E
- Lagring: microSD-spor
- Skjerm: HDMI 2.0 og eDP 1.4
- Andre I / O: GPIO, I2C, I2S, SPI, UART
Hva kan den gjøre?
Det vil komme som et sjokk for ingen at Nvidia har produsert et brett som passer godt til visuelle oppgaver. Objektgjenkjenning er et sentralt fokus her, og Visionworks SDK har mange potensielle applikasjoner på dette feltet.
I stedet for å bruke en separat prosesseringsenhet for maskinlæringsoppgaver, bruker Jetson Nano en Maxwell GPU med 128 CUDA kjerner for tung løfting.
Jetson Inference-prosjektet inneholder demonstrasjoner av et ferdig trent nevralt nettverk som utfører høy ytelse gjenkjenning av flere objekter i en rekke miljøer. Funksjonssporing, bildestabilisering, bevegelsesprediksjon og samtidig innmating av flere kilder er alle omtalt i de tilgjengelige demopakkene.
Den kanskje mest imponerende er DeepStream-teknologien omtalt i videoen over. Det er utrolig å kjøre live-analyse på åtte samtidige 1080p-strømmer med 30 fps på en liten datamaskin med ett enkelt bord, og viser den potensielle kraften til Nano-maskinvaren.
Hva vil den brukes til?
Gets sin dyktighet for videoanalyse og liten formfaktor, vil Jetson Nano nesten helt sikkert skinne i robotikk og autonome kjøretøy. Mange av demoene viser disse programmene i aksjon.
Gitt sin kraft og størrelse, vil det sannsynligvis også fungere i innebygde systemer som er avhengige av ansikts- og objektgjenkjenning.
For hobbyister som oss? Det ser ut til å være en perfekt blanding av kraftige maskinlæringsmuligheter i en faktor som er kjent for alle som har fiklet med en Raspberry Pi. Mens du kan bruke maskinlæringsrammer som TensorFlow på en bringebær Pi Komme i gang med bildegjenkjenning Bruke TensorFlow og Raspberry Pi Kom i gang med bildegjenkjenning Ved hjelp av TensorFlow og Raspberry Pi Vil du få tak i bildegjenkjenning? Takket være Tensorflow og en Raspberry Pi, kan du komme i gang med en gang. Les mer, Jetson Nano er mye mer egnet til oppgaven.
Hva annet kan Jetson Nano gjøre?
Jetson Nano kjører Ubuntu, selv om et spesialisert OS-bilde er tilgjengelig fra Nvidia med programvare som er spesifikk for plattformen. Mens hovedfokuset for brettet er maskinlæring, er dette Nvidia, så du kan forvente at noen grafiske veivisere også vil pågå.
Du vil ikke bli skuffet. Demoer som viser partikkelsystemer, fraktal gjengivelse i sanntid og en rekke visuelle effekter, ville bare inntil nylig blitt funnet på flaggskip-skrivebordsgrafikkort.
Gitt at videokodingen er vurdert til 4 k @ 30 fps, og avkoding til 60 fps, er det trygt å anta at Nano også vil være perfekt for videoprogrammer.
Jetson Nano vs. Coral Dev Board: Hvilken er best?
Det er tøft å si hvilket som er det bedre styret mellom Google Coral Dev-styret og Jetson Nano på dette stadiet.
Googles TensorFlow nevrale nettverk er en dominerende kraft innen maskinlæring. Det fulgte med at Googles egen Edge TPU-prosessor kanskje fungerer bedre for applikasjoner av TensorFlow Lite.
På den annen side har Nvidia allerede vist et imponerende utvalg av maskinlæringsbaserte demoer for Jetson Nano. Dette sammen med den imponerende grafikken Nano er i stand til å gjøre den til en virkelig konkurrent.
Hvor mye koster Jetson Nano?
Pris er et annet aspekt vi ikke har dekket ennå. Google Coral Dev-styret har en salgspris på 149, 99 dollar mens Jetson Nano bare er 99 dollar. Med mindre Coral Dev-brettet kan bringe noe unikt til bordet, kan hobbyister og små utviklere finne de 50 dollar ekstra en vanskelig strek å rettferdiggjøre.
Det er foreløpig ingen pris for SOM alene for noen av styrene, men jeg kan forestille meg at de fleste hobbyutviklere ikke vil være like viktige. Fra et kommersielt synspunkt vil ytelsen / priskontrasten være det som utgjør den kritiske forskjellen mellom Jetson Nano og Coral Dev-styret.
Jetson Nano er tilgjengelig fra Nvidia direkte sammen med tredjepartsselgere.
Kjøp : Jetson Nano direkte fra Nvidia
Kan det erstatte bringebærpien min?
Mens Google Coral Dev-brettet er kraftig, stabler det ikke opp til Raspberry Pi på noen måter. Raspberry Pi er en flott hobby-datamaskin for DIY-elektronikk. Det kan også fungere som en stasjonær datamaskin Bruke en Raspberry Pi som en stasjonær PC: 7 ting jeg lærte etter en uke Bruke en Raspberry Pi som en stasjonær PC: 7 ting jeg lærte etter en uke Kan en beskjeden Raspberry Pi erstatte en stasjonær PC? Jeg brukte syv dager på å skrive og redigere på Pi, med interessante resultater. Les mer i en klype.
Visst, Coral Dev-tavlen er kraftig, men deres egne dokumenter fraråder å feste mus og tastatur. Corals tilpassede operativsystem er primært for SSH-tilkoblinger. Det er imidlertid sannsynlig i stand til å opprettholde enhver variasjon av Linux. Dette setter den rett der oppe som en direkte Pi-konkurrent
Det er imidlertid et problem. Hvis du vil ha et brett for å lære maskinlæring, men et som også kan utføre andre daglige oppgaver, hvorfor vil du kjøpe Coral Dev Board?
Jetson Nano støtter en skjermport, og har som tidligere nevnt imponerende videoeksempler rett ut av boksen. Det tilpassede Ubuntu-skrivebordet vil være kjent for mange, og det billigere prispunktet vil gjøre det til et attraktivt prospekt for mange, også de som ikke er interessert i maskinlæring.
AI for alle
På dette stadiet er det vanskelig å si hvilket som vil være det bedre styret. Det er også ukjent som vil være mer tilgjengelig for hjemmeutviklere. Jeg ser frem til å tilbringe tid med både Coral Dev- og Jetson Nano-styrene for å få et definitivt svar!
Det er en spennende tid å tulle med SBC’er! Hvis du er ukjent med det og ønsker et sted å starte, skaff deg en Raspberry Pi og følg vår ultimate guide for Raspberry Pi: Den uoffisielle opplæringen Raspberry Pi: Den uoffisielle opplæringen Enten du er en aktuell Pi-eier som vil lære mer eller en potensiell eier av denne enheten med kredittkortstørrelse, er dette ikke en guide du vil gå glipp av. Les mer !
Utforsk mer om: Google TensorFlow, Jetson Nano, Machine Learning, Raspberry Pi.
