Jetson Nano系列教程0:初识Jetson Nano

摘要: 我,Jetson Nano Developer Kit,是一款体积小巧、功能强大的人工智能(AI)开发套件,可助你快速入门学习AI技术,并将其应用到各种智能设备。

自2019年3月19号,NVIDIA(英伟达)发布Jetson Nano以来,配合NVIDIA不断更新的AI教程资料,这一款官方售价99美刀的AI开发套件大受创客和教育者欢迎。如果你想入门AI,但是又苦于囊中羞涩,如果你想接触AI,但是又困于资料匮乏的话,相信我,Jetson Nano Developer Kit会是你不二的选择。
关于Jetson Nano Developer Kit
Jetson nano搭载四核Cortex-A57 MPCore 处理器,采用128 核 Maxwell™  GPU。支持JetPack SDK. 支持主流的AI框架和算法,例如TensorFlow, PyTorch, Caffe/Caffe2, Keras, MXNet等。
支持人脸识别,物体识别追踪,对象检测和定位等应用。
技术规格:
GPU
NVIDIA Maxwell 架构,配备 128 个 NVIDIA CUDA® 核心
CPU
四核 ARM® Cortex®-A57 MPCore 处理器
内存
4 GB 64 位 LPDDR4
存储
Micro SD 卡卡槽(需要另购16G以上SD卡接入)
视频编码
4K @ 30 (H.264/H.265)
视频解码
4K @ 60 (H.264/H.265)
摄像头
12 通道(3x4 或 4x2)MIPI CSI-2 DPHY 1.1 (1.5 Gbps)
连接
千兆以太网
显示器
HDMI 2.0 或 DP1.2 | eDP 1.4 | DSI (1 x2) 2 同步
UPHY
1 x1/2/4 PCIE、1x USB 3.0、3x USB 2.0
I/O
1x SDIO/2x SPI/4x I2C/2x I2S/GPIO
板载资源

  1. Micro SD 卡卡槽: 可接入TF卡(16G以上),烧写系统镜像
  2. 40PIN GPIO扩展接口(兼容树莓派40PIN接口)
  3. Micro USB接口:用于5V电源输入或者USB数据传输
  4. 千兆以太网口: 10/100/1000Base-T 自适应以太网端口
  5. USB3.0接口:4个USB3.0接口
  6. HDMI高清接口:用于外接HDMI屏幕
  7. DisplayPort接口:用于外接DP屏幕
  8. DC电源接口:用于外接5V电源(外径5.5, 内径2.1)
  9. MIPS CSI 摄像头接口:兼容树莓派摄像头接口
性能
下面这一份表格是NVIDIA官方给出的性能对比表格,以供参考
DNR表示无法运行。
Model
Application
Framework
NVIDIA Jetson Nano
Raspberry Pi 3
Raspberry Pi 3 + Intel Neural Compute Stick 2
Google Edge TPU Dev Board
ResNet-50
(224×224)
Classification
TensorFlow
36 FPS
1.4 FPS
16 FPS
DNR
MobileNet-v2
(300×300)
Classification
TensorFlow
64 FPS
2.5 FPS
30 FPS
130 FPS
SSD ResNet-18 (960×544)
Object Detection
TensorFlow
5 FPS
DNR
DNR
DNR
SSD ResNet-18 (480×272)
Object Detection
TensorFlow
16 FPS
DNR
DNR
DNR
SSD ResNet-18 (300×300)
Object Detection
TensorFlow
18 FPS
DNR
DNR
DNR
SSD Mobilenet-V2 (960×544)
Object
Detection
TensorFlow
8 FPS
DNR
1.8 FPS
DNR
SSD Mobilenet-V2 (480×272)
Object Detection
TensorFlow
27 FPS
DNR
7 FPS
DNR
SSD Mobilenet-V2
(300×300)
Object Detection
TensorFlow
39 FPS
1 FPS
11 FPS
48 FPS
Inception V4
(299×299)
Classification
PyTorch
11 FPS
DNR
DNR
9 FPS
Tiny YOLO V3
(416×416)
Object Detection
Darknet
25 FPS
0.5 FPS
DNR
DNR
OpenPose
(256×256)
Pose Estimation
Caffe
14 FPS
DNR
5 FPS
DNR
VGG-19 (224×224)
Classification
MXNet
10 FPS
0.5 FPS
5 FPS
DNR
Super Resolution (481×321)
Image Processing
PyTorch
15 FPS
DNR
0.6 FPS
DNR
Unet
(1x512x512)
Segmentation
Caffe
18 FPS
DNR
5 FPS
DNR