Wird der Nvidia Jetson Nano den Raspberry Pi ersetzen?
Werbung
Es ist eine aufregende Zeit für Small Factor Computing. Als ob der Raspberry Pi nicht genug für eine Allzweckmaschine wäre, tauchen immer wieder leistungsstärkere Boards auf, die zu unglaublichen Leistungen fähig sind.
Der Jetson Nano von Nvidia ist eine Neuheit in der Reihe der extrem leistungsstarken Boards, die maschinelles Lernen ermöglichen. Was macht es so besonders? Solltest du eine kaufen? Was ist der Nvidia Jetson Nano?
Was ist der Nvidia Jetson Nano?
Der Jetson Nano ist ein Single Board Computer (SBC) von der Größe eines Raspberry Pi und zielt auf KI und maschinelles Lernen ab. Es scheint ein direkter Konkurrent des Google Coral Dev-Boards zu sein und ist neben den bereits erhältlichen TX2- und AGX Xavier-Entwicklungsboards der dritte in der Jetson-Familie.
Nvidia nutzt seine Fähigkeiten zur Grafikverarbeitung für diese kleinen Computer und verwendet parallele neuronale Netze, um mehrere Videos und Sensoren gleichzeitig zu verarbeiten.
Während alle drei Jetson-Boards für alle zugänglich sein sollen, richtet sich der Nano sowohl an Hobby- als auch an professionelle Entwickler. Das Entwicklungskit besteht aus zwei Teilen: einem Baseboard für die Konnektivität und einem System On Module (SOM) für die eigentlichen Prozessoreinheiten.
Was ist das System auf dem Modul?
System on Module bezieht sich auf jede Entwicklungsplatine, die alle systemkritischen Teile in einem austauschbaren Modul enthält. Der Nano verfügt über einen 260-poligen Randstecker, mit dem er zur Entwicklung an einem Baseboard befestigt werden kann.
Sobald die Entwicklung abgeschlossen ist, kann das SOM entfernt und mit benutzerdefinierten Eingaben in ein eingebettetes System eingefügt werden, und ein neues SOM wird zur weiteren Entwicklung mit dem Baseboard verbunden.
Wenn das alles ein bisschen vertraut klingt, ist es das!
Dies ist das gleiche Setup wie beim Google Coral Dev Board. Ist das Google Coral Dev Board besser als ein Raspberry Pi? Ist das Google Coral Dev Board besser als ein Raspberry Pi? Was ist das Coral Dev Board von Google, das eine neue Ära in barrierefreien Hobby-Boards einläutet? Und kann es Ihren Himbeer-Pi ersetzen? Read More, das eine ähnliche Größe hat und auch auf Embedded Machine Learning für Hobbyisten und Profis ausgerichtet ist!
Was sind die technischen Daten des Jetson Nano?
Nvidia hat viel in den Jetson Nano gepackt:
SOM :
- CPU: Vierkerniger ARM® Cortex-A57 MPCore-Prozessor
- GPU: Nvidia Maxwell ™ -Architektur mit 128 Nvidia CUDA-Kernen
- RAM: 4 GB 64-Bit-LPDDR4
- Speicher: 16 GB eMMC 5.1 Flash
- Video: 4k @ 30fps-Codierung, 4k @ 60fps-Decodierung
- Kamera: 12 Spuren (3 × 4 oder 4 × 2) MIPI CSI-2 DPHY 1.1 (1, 5 Gbit / s)
- Konnektivität: Gigabit-Ethernet
- Anzeige: HDMI 2.0 oder DP1.2 | eDP 1.4 | DSI (1 x 2) 2 gleichzeitig
- PCIE / USB: 1 x1 / 2/4 PCIE, 1x USB 3.0, 3x USB 2.0
- E / A: 1x SDIO / 2x SPI / 6x I2C / 2x I2S / GPIOs
- Abmessungen: 69, 6 mm x 45 mm
Fußleiste :
- USB: 4x USB 3.0, USB 2.0 Micro-B
- Kamera: 1x MIPI CSI-2 DPHY Spuren (Raspberry Pi Kamera kompatibel)
- LAN: Gigabit-Ethernet, M.2-Schlüssel E
- Speicher: microSD-Steckplatz
- Anzeige: HDMI 2.0 und eDP 1.4
- Andere E / A: GPIO, I2C, I2S, SPI, UART
Was kann ich tun?
Für niemanden wird es ein Schock sein, dass Nvidia ein Board produziert hat, das sich gut für visuelle Aufgaben eignet. Die Objekterkennung ist hier ein zentraler Punkt, und das Visionworks-SDK bietet viele potenzielle Anwendungen in diesem Bereich.
Anstatt eine separate Verarbeitungseinheit für maschinelles Lernen zu verwenden, verwendet der Jetson Nano eine Maxwell-GPU mit 128 CUDA-Kernen für das schwere Heben.
Das Jetson Inference-Projekt enthält Demos eines vorab trainierten neuronalen Netzwerks, das in einer Vielzahl von Umgebungen eine leistungsstarke Erkennung mehrerer Objekte durchführt. Feature-Tracking, Bildstabilisierung, Bewegungsvorhersage und gleichzeitige Verarbeitung mehrerer Quellen sind in den verfügbaren Demopaketen enthalten.
Am beeindruckendsten ist vielleicht die DeepStream-Technologie, die im obigen Video vorgestellt wird. Die Ausführung von Live-Analysen auf acht simultanen 1080p-Streams mit 30 fps auf einem kleinen Einplatinencomputer ist unglaublich und zeigt die potenzielle Leistung der Nano-Hardware.
Wofür wird es verwendet?
Aufgrund seiner Fähigkeiten zur Videoanalyse und seines kleinen Formfaktors wird der Jetson Nano mit ziemlicher Sicherheit in der Robotik und in autonomen Fahrzeugen glänzen. Viele der Demos zeigen diese Anwendungen in Aktion.
Aufgrund seiner Leistungsfähigkeit und Größe wird es wahrscheinlich auch in eingebetteten Systemen funktionieren, die auf Gesichts- und Objekterkennung beruhen.
Für Hobbyisten wie uns? Es scheint eine perfekte Mischung aus leistungsstarken Möglichkeiten des maschinellen Lernens zu sein - ein Faktor, der jedem vertraut ist, der sich mit einem Raspberry Pi beschäftigt hat. Während Sie maschinelles Lernen wie TensorFlow auf einem Raspberry Pi verwenden können Erste Schritte mit der Bilderkennung mithilfe von TensorFlow und Raspberry Pi Erste Schritte mit der Bilderkennung mithilfe von TensorFlow und Raspberry Pi Sie möchten sich mit der Bilderkennung befassen? Dank Tensorflow und einem Raspberry Pi können Sie sofort loslegen. Lesen Sie mehr, der Jetson Nano ist viel besser für die Aufgabe geeignet.
Was kann der Jetson Nano sonst noch?
Auf dem Jetson Nano wird Ubuntu ausgeführt, obwohl von Nvidia ein spezielles Betriebssystem-Image mit plattformspezifischer Software erhältlich ist. Während der Hauptfokus des Boards auf maschinellem Lernen liegt, ist dies Nvidia, so dass Sie erwarten würden, dass auch grafische Zauberei betrieben wird.
Sie werden nicht enttäuscht sein. Demos mit Partikelsystemen, Fraktal-Rendering in Echtzeit und einer Reihe von visuellen Effekten wurden nur bis vor kurzem auf den wichtigsten Desktop-Grafikkarten gefunden.
Da die Videokodierung für 4k @ 30fps und die Dekodierung für 60fps ausgelegt ist, kann davon ausgegangen werden, dass der Nano auch für Videoanwendungen geeignet ist.
Jetson Nano vs. Coral Dev Board: Welches ist das Beste?
Es ist schwer zu sagen, welches Board derzeit das bessere zwischen dem Google Coral Dev Board und dem Jetson Nano ist.
Das neuronale TensorFlow-Netzwerk von Google ist eine dominierende Kraft im Bereich des maschinellen Lernens. Daraus folgt, dass der Edge-TPU-Coprozessor von Google für TensorFlow Lite-Anwendungen möglicherweise besser funktioniert.
Auf der anderen Seite hat Nvidia für den Jetson Nano bereits eine beeindruckende Reihe maschinell erlernter Demos gezeigt. Zusammen mit der beeindruckenden Grafik kann der Nano so zu einem echten Konkurrenten werden.
Wie viel kostet Jetson Nano?
Der Preis ist ein weiterer Aspekt, den wir noch nicht behandelt haben. Das Google Coral Dev Board kostet 149, 99 USD, während das Jetson Nano nur 99 USD kostet. Sofern das Coral Dev-Board nicht etwas Einzigartiges auf den Tisch bringen kann, ist es für Hobby- und Kleinentwickler schwierig, die zusätzlichen 50 US-Dollar zu rechtfertigen.
Es gibt derzeit keinen Preis für die SOM alleine für beide Boards, aber ich würde mir vorstellen, dass dies für die meisten Hobby-Entwickler nicht ganz so wichtig ist. Aus kommerzieller Sicht wird der Performance- / Preiskontrast den entscheidenden Unterschied zwischen dem Jetson Nano und dem Coral Dev Board ausmachen.
Der Jetson Nano ist bei Nvidia direkt zusammen mit Drittanbietern erhältlich.
Kaufe : Jetson Nano direkt von Nvidia
Könnte es meinen Himbeer-Pi ersetzen?
Das Google Coral Dev Board ist zwar leistungsstark, kann sich jedoch in gewisser Weise nicht auf den Raspberry Pi übertragen. Der Raspberry Pi ist ein großartiger Hobby-Computer für die Heimwerkerelektronik. Es kann auch als Desktop-Computer verwendet werden. Verwenden eines Raspberry Pi als Desktop-PC: 7 Dinge, die ich nach einer Woche gelernt habe Verwenden eines Raspberry Pi als Desktop-PC: 7 Dinge, die ich nach einer Woche gelernt habe Kann ein bescheidener Raspberry Pi einen Desktop-PC ersetzen? Ich habe sieben Tage damit verbracht, am Pi zu schreiben und zu bearbeiten, mit interessanten Ergebnissen. Lesen Sie zur Not mehr.
Sicher, das Coral Dev Board ist leistungsstark, aber die eigenen Dokumente raten davon ab, eine Maus und eine Tastatur anzuschließen. Das benutzerdefinierte Betriebssystem der Coral ist in erster Linie für SSH-Verbindungen vorgesehen. Es ist jedoch wahrscheinlich in der Lage, alle Variationen von Linux zu unterstützen. Dies macht es zu einem direkten Pi-Konkurrenten
Es gibt jedoch ein Problem. Wenn Sie ein Board für maschinelles Lernen möchten, das aber auch andere tägliche Aufgaben erledigen kann, warum sollten Sie das Coral Dev Board kaufen?
Der Jetson Nano unterstützt einen Display-Port und bietet, wie bereits erwähnt, sofort beeindruckende Videobeispiele. Der benutzerdefinierte Ubuntu-Desktop wird vielen bekannt sein, und der günstigere Preis wird ihn für viele attraktiv machen, auch für diejenigen, die kein Interesse an maschinellem Lernen haben.
KI für alle
Zu diesem Zeitpunkt ist es schwer zu sagen, welches Board das bessere sein wird. Es ist auch unbekannt, welche für Heimentwickler zugänglicher sind. Ich freue mich darauf, Zeit mit den Coral Dev- und Jetson Nano-Boards zu verbringen, um eine endgültige Antwort zu erhalten!
Es ist eine aufregende Zeit, um mit SBCs zu basteln! Wenn Sie noch nicht mit dem Thema vertraut sind und einen Einstiegspunkt suchen, holen Sie sich einen Raspberry Pi und befolgen Sie unseren ultimativen Einstiegsleitfaden Raspberry Pi: Das inoffizielle Tutorial Raspberry Pi: Das inoffizielle Tutorial Dies ist kein Leitfaden, den Sie verpassen sollten, wenn Sie ein potenzieller Besitzer dieses Geräts in Kreditkartengröße sind. Weiterlesen !
Erfahren Sie mehr über: Google TensorFlow, Jetson Nano, Maschinelles Lernen, Raspberry Pi.
