Le Nvidia Jetson Nano remplacera-t-il le Raspberry Pi ?
C’est une période passionnante pour l’informatique à petits facteurs. Comme si le Raspberry Pi ne suffisait pas à être une machine polyvalente, des cartes plus puissantes continuent d’apparaître, capables de prouesses incroyables.
La Jetson Nano de Nvidia est la dernière d’une gamme de cartes d’activation d’apprentissage automatique super puissantes. Qu’est-ce qui le rend spécial? Faut-il en acheter un ? Qu’est-ce que c’est qu’un Nvidia Jetson Nano ?
Qu’est-ce qu’un Nvidia Jetson Nano ?
Le Jetson Nano est un ordinateur monocarte (SBC) de la taille d’un Raspberry Pi et est principalement destiné à l’IA et à l’apprentissage automatique. Apparemment un concurrent direct de la carte Google Coral Dev, c’est la troisième de la série Jetson, en plus des cartes TX2 et AGX Xavier déjà disponibles.
Nvidia tire parti de ses prouesses dans la puissance de traitement graphique de ces mini-ordinateurs, en utilisant des réseaux de neurones parallèles pour traiter simultanément plusieurs vidéos et capteurs.
Alors que les trois cartes Jetson visent à être utilisables par tous, la Nano est destinée aux amateurs comme aux développeurs professionnels. Le kit de développement se compose de deux parties : une carte mère pour la connectivité et un système sur module (SOM) pour l’unité de traitement proprement dite.
Qu’est-ce qu’un système de modules ?
Un système sur module fait référence à toute carte de développement qui contient tous les composants critiques du système dans un module amovible. Le Nano dispose d’un connecteur de bord à 260 broches qui peut être attaché à la carte mère pour le développement.
Une fois le développement terminé, le SOM peut être supprimé et ajouté à un système intégré avec des entrées personnalisées, et un nouveau SOM connecté à la carte de base pour un développement ultérieur.
Faire une vidéo du jour
Si tout cela vous semble un peu familier, ça l’est !
Il s’agit de la même configuration que la carte Google Coral Dev, de taille similaire, et destinée à l’apprentissage automatique intégré pour les amateurs et les professionnels !
Quelles sont les spécifications du Jetson Nano ?
Nvidia a beaucoup ajouté au Jetson Nano :
quelque chose:
- Processeur : processeur MPCore ARM® Cortex-A57 quadricœur
- GPU : architecture Nvidia Maxwell™ avec 128 cœurs Nvidia CUDA
- Mémoire : 4 Go LPDDR4 64 bits
- Stockage : 16 Go eMMC 5.1 Flash
- Vidéo : encodage 4k @ 30fps, décodage 4k @ 60fps
- Caméra : 12 voies (3×4 ou 4×2) MIPI CSI-2 DPHY 1.1 (1,5 Gbps)
- Connectivité : Gigabit Ethernet
- Affichage : HDMI 2.0 ou DP1.2 | eDP 1.4 | DSI (1 x2) 2 simultanés
- PCIE/USB : 1×1/2/4 PCIE, 1x USB 3.0, 3x USB 2.0
- E/S : 1x SDIO / 2x SPI / 6x I2C / 2x I2S / GPIO
- Dimensions : 69,6 mm x 45 mm
plinthe:
- USB : 4x USB 3.0, USB 2.0 Micro-B
- Caméra : 1x canal MIPI CSI-2 DPHY (compatible avec la caméra Raspberry Pi)
- LAN : Gigabit Ethernet, clé M.2 E
- Stockage : slot microSD
- Affichage : HDMI 2.0 et eDP 1.4
- Autres E/S : GPIO, I2C, I2S, SPI, UART
Qu’est-ce que ça peut faire?
Nvidia a produit des cartes qui sont si bien adaptées aux tâches de vision qu’elles choqueront n’importe qui. La reconnaissance d’objets est au centre des préoccupations ici, et le SDK Visionworks a de nombreuses applications potentielles dans ce domaine.
Au lieu d’utiliser une unité de traitement distincte pour effectuer des tâches d’apprentissage automatique, le Jetson Nano utilise un GPU Maxwell avec 128 cœurs CUDA pour faire le gros du travail.
Le projet Jetson Inference montre des démonstrations de réseaux de neurones pré-entraînés effectuant une reconnaissance multi-objets hautes performances dans une variété d’environnements. Le suivi des fonctionnalités, la stabilisation d’image, la prédiction de mouvement et le traitement d’alimentation simultanée multi-sources sont tous inclus dans le package de démonstration disponible.
La plus impressionnante est peut-être la technologie DeepStream dans la vidéo ci-dessus. L’analyse en temps réel exécutant 8 flux 1080p simultanés à 30 ips sur un petit ordinateur monocarte est ahurissante et montre les capacités potentielles du matériel Nano.
A quoi va-t-il servir ?
Compte tenu de ses capacités d’analyse vidéo et de son petit facteur de forme, le Jetson Nano brillera presque certainement dans la robotique et les voitures autonomes. De nombreuses démos montrent ces applications en action.
Compte tenu de ses capacités et de sa taille, il peut également fonctionner dans des systèmes embarqués qui reposent sur la reconnaissance faciale et d’objets.
Pour les amoureux comme nous ? Cela semble être la combinaison parfaite de puissantes possibilités d’apprentissage automatique, un facteur familier à tous ceux qui ont joué avec le Raspberry Pi. Bien que vous puissiez utiliser des cadres d’apprentissage automatique comme TensorFlow sur le Raspberry Pi, le Jetson Nano est mieux adapté à cette tâche.
Que peut faire d’autre Jetson Nano ?
Le Jetson Nano exécute Ubuntu, bien que Nvidia fournisse une image de système d’exploitation dédiée avec un logiciel spécifique à la plate-forme. Bien que l’objectif principal de la carte soit l’apprentissage automatique, il s’agit de Nvidia, vous vous attendez donc à ce que la magie graphique continue également.
Vous ne serez pas déçu. Des démos présentant des systèmes de particules, un rendu fractal en temps réel et une gamme d’effets visuels n’ont été trouvées que récemment sur les cartes graphiques de bureau phares.
Étant donné que sa vidéo encode à 4k @ 30fps et décode à 60fps, il est prudent de supposer que le Nano convient également aux applications vidéo.
Carte de développement Jetson Nano vs Coral : quelle est la meilleure ?
À ce stade, il est difficile de dire quelle carte est la meilleure entre la carte Google Coral Dev et la Jetson Nano.
Le réseau de neurones TensorFlow de Google est une force dominante dans l’apprentissage automatique. Par conséquent, le propre coprocesseur Edge TPU de Google peut être mieux adapté aux applications TensorFlow Lite.
Nvidia, d’autre part, a présenté une série de démonstrations impressionnantes basées sur l’apprentissage automatique du Jetson Nano. Ceci, combiné à des graphismes impressionnants, le Nano est capable d’en faire un véritable concurrent.
Quel est le prix de Jetson Nano ?
Le prix est un autre aspect que nous n’avons pas encore couvert. La carte Google Coral Dev coûte 149,99 $, tandis que la Jetson Nano ne coûte que 99 $. À moins que la carte Coral Dev puisse apporter quelque chose d’unique, les amateurs et les petits développeurs peuvent trouver les 50 $ supplémentaires difficiles à justifier.
Actuellement, il n’y a pas de prix sur le SOM pour l’une ou l’autre des cartes, mais je suppose que pour la plupart des développeurs amateurs, cela n’aura pas beaucoup d’importance. D’un point de vue commercial, la comparaison performances / prix sera le principal différenciateur entre les cartes Jetson Nano et Coral Dev.
Le Jetson Nano est disponible directement auprès de Nvidia avec des vendeurs tiers.
achat: Jetson Nano directement de Nvidia
Peut-il remplacer mon Raspberry Pi ?
Bien que la carte Google Coral soit puissante, elle ne se compare pas au Raspberry Pi à certains égards. Le Raspberry Pi est un excellent ordinateur de loisir pour l’électronique de bricolage. Il sert également d’ordinateur de bureau à la rigueur.
Bien sûr, la carte Coral Dev est puissante, mais leur propre documentation déconseille de connecter une souris et un clavier. Le système d’exploitation personnalisé de Coral est principalement utilisé pour les connexions SSH. Cependant, il peut être capable de prendre en charge n’importe quelle variante de Linux.Cela le remet là en tant que concurrent direct du Pi
Mais il y a un problème. Si vous voulez qu’une carte apprenne l’apprentissage automatique, mais aussi qu’elle effectue d’autres tâches quotidiennes, pourquoi devriez-vous acheter une carte de développement Coral ?
Le Jetson Nano prend en charge DisplayPort et, comme mentionné, les exemples vidéo prêts à l’emploi sont impressionnants. Un bureau Ubuntu personnalisé sera familier à beaucoup, et le prix moins cher en fera une perspective attrayante pour beaucoup, même ceux qui ne sont pas intéressés par l’apprentissage automatique.
L’IA pour tous
À ce stade, il est difficile de dire quelle carte est la meilleure. Lequel est le plus accessible aux développeurs de maison est également inconnu. J’ai hâte de passer du temps avec Coral Dev et la carte Jetson Nano pour obtenir une réponse définitive !
C’est une période passionnante pour bricoler avec SBC ! Si vous êtes nouveau et que vous souhaitez commencer à un seul endroit, procurez-vous un Raspberry Pi et suivez notre guide de démarrage ultime !
A propos de l’auteur
