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, erscheinen immer wieder leistungsstärkere Boards mit unglaublichen Leistungen.

Der Jetson Nano von Nvidia wurde kürzlich in die Reihe der leistungsstarken Boards für maschinelles Lernen aufgenommen. Was macht es so besonders? Solltest du einen kaufen? Worum geht es beim Nvidia Jetson Nano?

Was ist der Nvidia Jetson Nano?

Der Jetson Nano ist ein Single Board Computer (SBC) von der Größe eines Raspberry Pi, der auf KI und maschinelles Lernen ausgerichtet ist. Es scheint ein direkter Konkurrent des Google Coral Dev-Boards zu sein und ist neben den bereits verfügbaren TX2- und AGX Xavier-Entwicklungsboards das 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, ist das Nano sowohl für Hobby- als auch für professionelle Entwickler gedacht. Das Entwicklungskit besteht aus zwei Teilen - einem Baseboard für die Konnektivität und einem System On Module (SOM) für die eigentlichen Verarbeitungseinheiten.

Was ist System auf 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 Kantenanschluss, mit dem er zur Entwicklung an einem Baseboard befestigt werden kann.

Sobald die Entwicklung abgeschlossen ist, kann der SOM entfernt und einem benutzerdefinierten System mit benutzerdefinierten Eingaben hinzugefügt werden. Ein neuer SOM wird zur weiteren Entwicklung mit dem Baseboard verbunden.

Wenn das alles ein wenig vertraut klingt, ist es das!

Dies ist das gleiche Setup wie das Google Coral Dev Board 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 einleitet? Und kann es Ihren Raspberry Pi ersetzen? Weiterlesen , die eine ähnliche Größe hat und auch auf eingebettetes maschinelles Lernen für Hobbyisten und Profis abzielt!

Was sind die Spezifikationen des Jetson Nano?

Nvidia hat viel in den Jetson Nano gepackt:

SO M:

• CPU: Quad-Core 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 x2) 2 gleichzeitig
• PCIE / USB: 1 x 1/2/4 PCIE, 1 x USB 3.0, 3 x 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-Lanes (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?

Es wird niemanden schockieren, dass Nvidia ein Board hergestellt hat, das sich gut für visuelle Aufgaben eignet. Die Objekterkennung steht hier im Mittelpunkt, und das Visionworks SDK bietet viele potenzielle Anwendungen in diesem Bereich.

Anstatt eine separate Verarbeitungseinheit für maschinelle Lernaufgaben zu verwenden, verwendet der Jetson Nano eine Maxwell-GPU mit 128 CUDA-Kernen für das schwere Heben.

Das Jetson Inference-Projekt bietet Demos eines vorab trainierten neuronalen Netzwerks, das eine leistungsstarke Erkennung mehrerer Objekte in einer Vielzahl von Umgebungen ausführt. Feature-Tracking, Bildstabilisierung, Bewegungsvorhersage und gleichzeitige Feed-Verarbeitung aus mehreren Quellen sind in den verfügbaren Demopaketen enthalten.

Am beeindruckendsten ist vielleicht die DeepStream-Technologie, die im obigen Video vorgestellt wird. Das Ausführen von Live-Analysen auf acht 1080p-Streams gleichzeitig mit 30 fps auf einem kleinen Einplatinencomputer ist unglaublich und zeigt die potenzielle Leistung der Nano-Hardware.

Wofür wird es verwendet?

Aufgrund seiner Fähigkeit 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 Leistung 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, die jedem bekannt sind, der mit einem Raspberry Pi herumgespielt hat. Während Sie maschinelles Lernen Frameworks wie verwenden können TensorFlow auf einem Himbeer-Pi Erste Schritte mit der Bilderkennung mit TensorFlow und Raspberry PiMöchten Sie die Bilderkennung in den Griff bekommen? Dank Tensorflow und einem Raspberry Pi können Sie sofort loslegen. Weiterlesen ist der Jetson Nano viel besser für die Aufgabe geeignet.

Was kann der Jetson Nano sonst noch?

Auf dem Jetson Nano wird Ubuntu ausgeführt, obwohl Nvidia ein spezielles Betriebssystem-Image mit plattformspezifischer Software zur Verfügung stellt. Während der Hauptfokus des Boards auf maschinellem Lernen liegt, ist dies Nvidia, sodass Sie erwarten können, dass auch einige grafische Zaubereien ausgeführt werden.

Sie werden nicht enttäuscht sein. Demos, die Partikelsysteme, fraktales Echtzeit-Rendering und eine Reihe visueller Effekte zeigen, wurden nur bis vor kurzem auf Flaggschiff-Desktop-Grafikkarten gefunden.

Da die Videokodierung für 4k @ 30fps und die Dekodierung bei 60fps ausgelegt ist, kann davon ausgegangen werden, dass der Nano auch für Videoanwendungen perfekt 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 Googles eigener Edge-TPU-Coprozessor für Anwendungen von TensorFlow Lite möglicherweise besser funktioniert.

Auf der anderen Seite hat Nvidia bereits eine beeindruckende Reihe von Demos gezeigt, die auf maschinellem Lernen für den Jetson Nano basieren. Dies, zusammen mit der beeindruckenden Grafik, kann der Nano ihn zu einem echten Konkurrenten machen.

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 US-Dollar, während das Jetson Nano nur 99 US-Dollar kostet. Wenn das Coral Dev-Board nicht etwas Einzigartiges auf den Tisch bringen kann, ist es für Hobbyisten und kleine Entwickler möglicherweise schwierig, die zusätzlichen 50 US-Dollar zu rechtfertigen.

Derzeit gibt es für beide Boards keinen Preis für die SOM allein, aber ich würde mir vorstellen, dass dies für die meisten Hobbyentwickler nicht ganz so wichtig ist. Aus kommerzieller Sicht wird der Leistungs- / Preiskontrast den entscheidenden Unterschied zwischen dem Jetson Nano und dem Coral Dev Board ausmachen.

Der Jetson Nano ist direkt bei Nvidia zusammen mit Drittanbietern erhältlich.

Kaufen: Jetson Nano direkt von Nvidia

Könnte es meinen Himbeer-Pi ersetzen?

Das Google Coral Dev-Board ist zwar leistungsstark, kann jedoch in gewisser Weise nicht mit dem Raspberry Pi kombiniert werden. Der Raspberry Pi ist ein großartiger Hobbycomputer für die Heimwerkerelektronik. Es kann auch doppelt als Desktop-Computer Verwenden eines Raspberry Pi als Desktop-PC: 7 Dinge, die ich nach einer Woche gelernt habeKann ein bescheidener Raspberry Pi einen Desktop-PC ersetzen? Ich habe sieben Tage damit verbracht, auf dem Pi zu schreiben und zu bearbeiten, mit interessanten Ergebnissen. Weiterlesen im Notfall.

Sicher, das Coral Dev Board ist leistungsstark, aber ihre eigenen Dokumente raten davon ab, eine Maus und eine Tastatur anzubringen. Das benutzerdefinierte Betriebssystem der Coral ist hauptsächlich für SSH-Verbindungen vorgesehen. Es ist jedoch wahrscheinlich in der Lage, jede Variation von Linux aufrechtzuerhalten. Damit ist es wieder ein direkter Pi-Konkurrent

Es gibt jedoch ein Problem. Wenn Sie ein Board zum Lernen von maschinellem Lernen möchten, das aber auch andere tägliche Aufgaben ausführen 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 ist vielen bekannt, und der günstigere Preis macht ihn für viele attraktiv, auch für diejenigen, die nicht an maschinellem Lernen interessiert sind.

KI für alle

Zu diesem Zeitpunkt ist es schwer zu sagen, welches Board das bessere sein wird. Es ist auch nicht bekannt, welche für Heimentwickler zugänglicher sein wird. 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 an SBCs zu basteln! Wenn Sie neu darin sind und einen Startplatz suchen, holen Sie sich einen Raspberry Pi und folgen Sie unserem ultimative Anleitung für den Einstieg Raspberry Pi: Das inoffizielle TutorialEgal, ob Sie ein aktueller Pi-Besitzer sind, der mehr erfahren möchte, oder ein potenzieller Besitzer dieses Geräts in Kreditkartengröße, dies ist kein Leitfaden, den Sie verpassen sollten. Weiterlesen !