Vil Nvidia Jetson Nano erstatte Raspberry Pi?
Reklame
Det er en spændende tid til beregning af små faktorer. Som om Raspberry Pi ikke var nok af en all-purpose maskine, vises kraftigere tavler, der er i stand til utrolige feats, fortsat.
Jetson Nano fra Nvidia er en nylig tilføjelse til rækkerne af superkraftige maskinlæringsaktiverede tavler. Hvad gør det specielt? Skal du købe en? Hvad handler Nvidia Jetson Nano om?
Hvad er Nvidia Jetson Nano?
Jetson Nano er en enkelt bordcomputer (SBC) omkring størrelsen af en Raspberry Pi og sigter mod AI og maskinlæring. Tilsyneladende en direkte konkurrent til Google Coral Dev-bestyrelsen og er den tredje i Jetson-familien sammen med de allerede tilgængelige TX2- og AGX Xavier-udviklingsborde.
Nvidia benytter sig af deres dygtighed til grafisk behandlingskraft til disse små computere ved hjælp af parallelle neurale netværk til at behandle flere videoer og sensorer samtidigt.
Mens alle tre Jetson-bestyrelser sigter mod at være tilgængelige for alle, er Nano både til hobby- og professionelle udviklere. Dev-kittet består af to dele - et baseboard til tilslutning og et System On Module (SOM) til de faktiske behandlingsenheder.
Hvad er system på modul?
System on Module refererer til ethvert udviklingskort, der har alle systemkritiske dele i et aftageligt modul. Nano har et 260-polet stikstik, der fastgør det til en baseboard til udvikling.
Når udviklingen er forbi, kan SOM fjernes og tilføjes til et indlejret system med brugerdefinerede input, og en ny SOM tilsluttes baseboard for videre udvikling.
Hvis alt dette lyder lidt kendt, er det!
Dette er den samme opsætning som Google Coral Dev-pladen Er Google Coral Dev-pladen bedre end en hindbærpi? Er Google Coral Dev Board bedre end en hindbærpi? Heralding en ny æra i tilgængelige hobby brætter, hvad er Googles Coral Dev Board? Og kan det erstatte din Raspberry Pi? Læs mere, som har en lignende størrelse, og som også sigter mod indlejret maskinlæring for både hobbyister og fagfolk!
Hvad er Jetson Nano's specifikationer?
Nvidia har pakket meget ind i Jetson Nano:
SOM :
- CPU: Quad-core ARM® Cortex-A57 MPCore-processor
- GPU: Nvidia Maxwell ™ -arkitektur med 128 Nvidia CUDA-kerner
- RAM: 4 GB 64-bit LPDDR4
- Opbevaring: 16 GB eMMC 5.1 Flash
- Video: 4k @ 30fps kodning, 4k @ 60fps afkodning
- Kamera: 12 baner (3 × 4 eller 4 × 2) MIPI CSI-2 DPHY 1.1 (1, 5 Gbps)
- Forbindelse: Gigabit Ethernet
- Skærm: 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
- 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-tast E
- Opbevaring: microSD-slot
- Skærm: HDMI 2.0 og eDP 1.4
- Anden I / O: GPIO, I2C, I2S, SPI, UART
Hvad kan det gøre?
Det vil være et chok for ingen, at Nvidia har produceret et bræt, der er velegnet til visuelle opgaver. Objektgenkendelse er et centralt fokus her, og Visionworks SDK har mange potentielle applikationer på dette felt.
I stedet for at bruge en separat behandlingsenhed til maskinlæringsopgaver, bruger Jetson Nano en Maxwell GPU med 128 CUDA-kerner til den tunge løft.
Jetson Inference-projektet indeholder demoer af et foruddannet neuralt netværk, der udfører højtydende multiple objektgenkendelse i forskellige miljøer. Funktionssporing, billedstabilisering, bevægelsesforudsigelse og multi-source samtidig feedbehandling er alle vist i de tilgængelige demopakker.
Måske mest imponerende er DeepStream-teknologien i ovenstående video. Det er utroligt at køre live-analyse på otte samtidige 1080p-streams ved 30 fps på en lille enkeltpladescomputer og viser den potentielle styrke til Nano's hardware.
Hvad bruges det til?
I betragtning af dens dygtighed til videoanalyse og lille formfaktor vil Jetson Nano næsten helt sikkert skinne i robotik og autonome køretøjer. Mange af demoerne viser disse applikationer i aktion.
I betragtning af dens kraft og størrelse fungerer det sandsynligvis også i indlejrede systemer, der er afhængige af genkendelse af ansigter og genstande.
For hobbyister som os? Det ser ud til at være en perfekt blanding af kraftfulde maskinlæringsmuligheder i en faktor, der er velkendt for enhver, der har fiklet med en Raspberry Pi. Mens du kan bruge maskinlæringsrammer som TensorFlow på en Raspberry Pi Kom i gang med billedgenkendelse Brug af TensorFlow og Raspberry Pi Kom godt i gang med billedgenkendelse Brug af TensorFlow og Raspberry Pi Vil du få fat på billedgenkendelse? Takket være Tensorflow og en Raspberry Pi, kan du komme i gang med det samme. Læs mere, Jetson Nano er meget mere velegnet til opgaven.
Hvad andet kan Jetson Nano gøre?
Jetson Nano kører Ubuntu, selvom et specialiseret operativsystembillede er tilgængeligt fra Nvidia med software, der er specifik for platformen. Mens det primære fokus på brættet er maskinlæring, er dette Nvidia, så du kunne forvente, at nogle grafiske guider også foregår.
Du bliver ikke skuffet. Demoer, der viser partikelsystemer, realtidsfraktal gengivelse og en række visuelle effekter, ville først indtil for nylig findes på flagskibets desktop grafikkort.
I betragtning af at dens videokodning er klassificeret til 4 k @ 30 fps, og afkodning ved 60 fps, er det sikkert at antage, at Nano også er perfekt til videoapplikationer.
Jetson Nano vs. Coral Dev Board: Hvilken er bedst?
Det er svært at sige, hvilket er det bedre bord mellem Google Coral Dev-brættet og Jetson Nano på dette tidspunkt.
Googles TensorFlow-neurale netværk er en dominerende kraft inden for maskinlæring. Det følger heraf, at Googles egen Edge TPU-coprocessor muligvis fungerer bedre til applikationer af TensorFlow Lite.
På den anden side har Nvidia allerede vist en imponerende række maskinlæringsbaserede demoer for Jetson Nano. Dette sammen med den imponerende grafik Nano er i stand til at gøre det til en rigtig konkurrent.
Hvor meget koster Jetson Nano?
Pris er et andet aspekt, vi ikke har dækket endnu. Google Coral Dev-bestyrelsen har en pris på $ 149, 99, mens Jetson Nano kun er $ 99. Medmindre Coral Dev-brættet kan bringe noget unikt til bordet, kan hobbyister og små udviklere muligvis finde de ekstra $ 50 en hård strækning for at retfærdiggøre.
Der er i øjeblikket ingen pris for SOM alene for begge bestyrelser, men jeg kan forestille mig, at for de fleste hobbyudviklere vil dette ikke være lige så vigtigt. Fra et kommercielt synspunkt vil performance / priskontrast være det, der gør den kritiske forskel mellem Jetson Nano og Coral Dev-brættet.
Jetson Nano fås direkte fra Nvidia sammen med tredjepartssælgere.
Køb : Jetson Nano direkte fra Nvidia
Kunne det erstatte min hindbærpi?
Mens Google Coral Dev-kortet er magtfuldt, stables det ikke på Raspberry Pi på nogle måder. Raspberry Pi er en fantastisk hobbycomputer til DIY-elektronik. Det kan også fungere som en stationær computer Brug af Raspberry Pi som en stationær pc: 7 ting, jeg lærte efter en uge Brug af Raspberry Pi som en desktop PC: 7 ting, jeg lærte efter en uge Kan en beskeden Raspberry Pi erstatte en desktop PC? Jeg brugte syv dage på at skrive og redigere på Pi med interessante resultater. Læs mere i en knivspids.
Det er helt sikkert, Coral Dev-brættet er magtfuldt, men deres egne dokumenter fraråder at montere en mus og et tastatur. Corals brugerdefinerede operativsystem er primært til SSH-forbindelser. Det er dog sandsynligvis i stand til at opretholde enhver variation af Linux. Dette sætter det lige derop som en direkte Pi-konkurrent
Der er dog et problem. Hvis du vil have et bord til læring af maskinlæring, men et, der også kan udføre andre daglige opgaver, hvorfor skulle du købe Coral Dev Board?
Jetson Nano understøtter en skærmport, og har som tidligere nævnt imponerende videoeksempler lige ud af kassen. Det brugerdefinerede Ubuntu-skrivebord vil være velkendt for mange, og det billigere prispunkt gør det til et attraktivt udsigt for mange, også dem, der ikke er interesseret i maskinlæring.
AI for alle
På dette tidspunkt er det svært at sige, hvilket vil være det bedre bord. Det er også ukendt, hvilket vil være mere tilgængeligt for hjemmeudviklere. Jeg ser frem til at tilbringe tid med både Coral Dev- og Jetson Nano-bestyrelserne for at få et definitivt svar!
Det er en spændende tid at smutte med SBC'er! Hvis du er ny på det og vil have et sted at starte, få en Raspberry Pi og følg vores ultimative guide til at komme i gang Raspberry Pi: Den uofficielle tutorial Raspberry Pi: Den uofficielle tutorial Uanset om du er en nuværende Pi-ejer, der vil lære mere eller en potentiel ejer af denne enhed med kreditkortstørrelse, er dette ikke en guide, du vil gå glip af. Læs mere !
Udforsk mere om: Google TensorFlow, Jetson Nano, Machine Learning, Raspberry Pi.
