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
- Micro SD 卡卡槽: 可接入TF卡(16G以上),烧写系统镜像
- 40PIN GPIO扩展接口(兼容树莓派40PIN接口)
- Micro USB接口:用于5V电源输入或者USB数据传输
- 千兆以太网口: 10/100/1000Base-T 自适应以太网端口
- USB3.0接口:4个USB3.0接口
- HDMI高清接口:用于外接HDMI屏幕
- DisplayPort接口:用于外接DP屏幕
- DC电源接口:用于外接5V电源(外径5.5, 内径2.1)
- 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 |
|