Kommer Nvidia Jetson Nano att ersätta Raspberry Pi?
Annons
Det är en spännande tid för små faktorer. Som om Raspberry Pi inte var tillräckligt med en maskin för alla ändamål, fortsätter kraftigare brädor med otroliga prestationer att visas.
Jetson Nano från Nvidia är ett nyligen tillägg till raden av superkraftiga maskininlärningskort. Vad gör det speciellt? Ska du köpa en? Vad handlar Nvidia Jetson Nano om?
Vad är Nvidia Jetson Nano?
Jetson Nano är en enkelbordsdator (SBC) i storleken på en Raspberry Pi och syftar till AI och maskininlärning. Till synes en direkt konkurrent till Google Coral Dev-styrelsen och är den tredje i Jetson-familjen tillsammans med de redan tillgängliga utvecklingsstyrelserna TX2 och AGX Xavier.
Nvidia utnyttjar sin skicklighet för grafikbearbetningskraft för dessa små datorer och använder parallella nervnätverk för att behandla flera videor och sensorer samtidigt.
Medan alla tre Jetson-styrelser syftar till att vara tillgängliga för alla, är Nano för både hobby- och professionella utvecklare. Dev-satsen består av två delar - en bastavla för anslutning och en System On Module (SOM) för de faktiska behandlingsenheterna.
Vad är systemet på modulen?
System on Module hänvisar till alla utvecklingskort som har alla systemkritiska delar i en löstagbar modul. Nano har en 260-polig kantkontakt för att fästa den på en bastavla för utveckling.
När utvecklingen är över kan SOM tas bort och läggas till i ett inbäddat system med anpassade ingångar, och en ny SOM ansluter till basbordet för vidareutveckling.
Om allt detta låter lite bekant är det!
Det här är samma inställning som Google Coral Dev-kortet. Är Google Coral Dev-styrelsen bättre än en hallonpi? Är Google Coral Dev Board bättre än en hallonpi? Försäljning av en ny era i tillgängliga hobbybrädor, vad är Googles Coral Dev Board? Och kan det ersätta din Raspberry Pi? Läs mer, som är av liknande storlek, och som även syftar till inbäddad maskininlärning för både hobbyister och yrkesverksamma!
Vad är Jetson Nanos specifikationer?
Nvidia har packat mycket i Jetson Nano:
SOM :
- CPU: Quad-core 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, 4k @ 60fps avkodning
- Kamera: 12 banor (3 × 4 eller 4 × 2) MIPI CSI-2 DPHY 1.1 (1, 5 Gbps)
- Anslutning: Gigabit Ethernet
- Skärm: HDMI 2.0 eller DP1.2 | eDP 1.4 | DSI (1 x2) 2 samtidigt
- 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
Baseboard :
- USB: 4x USB 3.0, USB 2.0 Micro-B
- Kamera: 1x MIPI CSI-2 DPHY-körfält (Raspberry Pi-kamera kompatibel)
- LAN: Gigabit Ethernet, M.2 Key E
- Lagring: microSD-kortplats
- Display: HDMI 2.0 och eDP 1.4
- Andra I / O: GPIO, I2C, I2S, SPI, UART
Vad kan jag göra?
Det kommer att bli en chock för ingen att Nvidia har producerat ett bräde som passar bra för visuella uppgifter. Objektigenkänning är ett centralt fokus här, och Visionworks SDK har många potentiella applikationer 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 visar demonstrationer av ett förutbildat neuralt nätverk som utför högpresterande flera objektigenkänning i olika miljöer. Funktionsspårning, bildstabilisering, rörelseförutsägelse och samtidig källbehandling med flera källor finns alla i de tillgängliga demopaketen.
Kanske mest imponerande är DeepStream-tekniken i videon ovan. Att köra liveanalyser på åtta samtidiga 1080p-strömmar vid 30 fps på en liten dator med ett enda kort är otroligt och visar den potentiella kraften i Nanos hårdvara.
Vad kommer det att användas till?
Med tanke på sin 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 fungerar det sannolikt också i inbäddade system som förlitar sig på 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 fiklat med en Raspberry Pi. Medan du kan använda maskininlärningsramar som TensorFlow på en hallon Pi Komma igång med bildigenkänning Använda TensorFlow och Raspberry Pi Komma igång med bildigenkänning Använda TensorFlow och Raspberry Pi Vill du ta grepp om bildigenkänning? Tack vare Tensorflow och en Raspberry Pi kan du komma igång direkt. Läs mer, Jetson Nano är mycket mer lämpad för uppgiften.
Vad annat kan Jetson Nano göra?
Jetson Nano driver Ubuntu, men en specialiserad OS-bild är tillgänglig från Nvidia med mjukvara som är specifik för plattformen. Medan brädans primära fokus är maskininlärning, är detta Nvidia så du kan förvänta dig att vissa grafiska trollkarlar också pågår.
Du blir inte besviken. Demon som visar partikelsystem, realtidsfraktalframställning och en mängd visuella effekter skulle bara tills nyligen hittas på flaggskepps skrivbordsgrafikkort.
Med tanke på att dess videokodning är betygsatt för 4 k @ 30 fps och avkodning till 60 fps är det säkert att anta att Nano också är perfekt för videoprogram.
Jetson Nano vs. Coral Dev Board: Vilket är bäst?
Det är svårt att säga vilket är det bättre brädet mellan Google Coral Dev-styrelsen och Jetson Nano i detta skede.
Googles TensorFlow neurala nätverk är en dominerande kraft inom maskininlärning. Det följer att Googles egen Edge TPU-samarbetsprocessor kanske fungerar bättre för applikationer av TensorFlow Lite.
Å andra sidan har Nvidia redan visat en imponerande mängd maskininlärningsbaserade demonstrationer för Jetson Nano. Detta, tillsammans med den imponerande grafiken som Nano kan göra den till en riktig konkurrent.
Hur mycket kostar Jetson Nano?
Pris är en annan aspekt som vi inte har täckt ännu. Google Coral Dev-kortet har en pris på 149, 99 dollar medan Jetson Nano endast är 99 dollar. Om inte Coral Dev-styrelsen kan ta med sig något unikt till bordet, kanske hobbyister och små utvecklare kan hitta de extra $ 50 en hård sträcka för att motivera.
Det finns för närvarande inget pris för SOM ensam för endera styrelsen, men jag kan föreställa mig för de flesta hobbyutvecklare att detta inte blir lika viktigt. Ur kommersiell synvinkel kommer prestanda / priskontrast att vara det som gör den kritiska skillnaden mellan Jetson Nano och Coral Dev-styrelsen.
Jetson Nano är tillgänglig från Nvidia direkt tillsammans med säljare från tredje part.
Köp : Jetson Nano direkt från Nvidia
Kan det ersätta min hallonpi?
Medan Google Coral Dev-kortet är kraftfullt, staplas det inte på Raspberry Pi på några sätt. Raspberry Pi är en bra hobbydator för DIY-elektronik. Det kan också fungera som en stationär dator Använda en Raspberry Pi som en stationär dator: 7 saker jag lärde mig efter en vecka med en Raspberry Pi som en stationär dator: 7 saker jag lärde mig efter en vecka Kan en blygsam Raspberry Pi ersätta en stationär dator? Jag tillbringade sju dagar på att skriva och redigera på Pi, med intressanta resultat. Läs mer i en nypa.
Visst, Coral Dev-kortet är kraftfullt, men deras egna dokument rekommenderar att inte fästa mus och tangentbord. Corals anpassade operativsystem är främst för SSH-anslutningar. Det är dock troligtvis kapabelt att upprätthålla någon variation av Linux. Detta sätter det direkt uppe som en direkt Pi-konkurrent
Det finns dock ett problem. Om du vill ha en styrelse för att lära dig maskinlärning, men en som också kan utföra andra dagliga uppgifter, varför skulle du köpa Coral Dev Board?
Jetson Nano stöder en skärmport och har som tidigare nämnts imponerande videoexempel rakt ut ur lådan. Det anpassade Ubuntu-skrivbordet kommer att vara bekant för många och den billigare prispunkten kommer att göra det till en attraktiv möjlighet för många, även de som inte är intresserade av maskininlärning.
AI för alla
I det här skedet är det svårt att säga vilket blir det bättre styrelsen. Det är också okänt vilket kommer att vara mer tillgängligt för hemutvecklare. Jag ser fram emot att spendera tid med både Coral Dev- och Jetson Nano-styrelserna för att få ett definitivt svar!
Det är en spännande tid att smutsa med SBC: er! Om du är ny på det och vill ha en plats att börja, skaffa en Raspberry Pi och följ vår ultimata guide för att komma igång Raspberry Pi: Den inofficiella självstudien Raspberry Pi: Den inofficiella självstudien Oavsett om du är en aktuell Pi-ägare som vill lära sig mer eller en potentiell ägare av den här kreditkortsstorlekenheten, detta är inte en guide du vill missa. Läs mer !
Utforska mer om: Google TensorFlow, Jetson Nano, Machine Learning, Raspberry Pi.
