Kit de desarrollo NVIDIA Jetson Nano 4GB B01 para Edge AI/ROS - A57 1.43GHz, GPU Maxwell de 128 núcleos

Resumen

El kit de desarrollo Jetson NANO 4GB B01 AI Large Model es un kit de desarrollo compacto (plataforma de placa de desarrollo) diseñado para comenzar con la IA. Puede ejecutar múltiples redes neuronales en paralelo para aplicaciones como clasificación de imágenes, detección de objetos, segmentación y procesamiento de voz, y puede funcionar con tan solo 5 vatios.

Esta plataforma Jetson Nano utiliza un procesador ARM Cortex-A57 de cuatro núcleos y una GPU Maxwell de 128 núcleos con 4GB de memoria LPDDR, y es compatible con marcos y algoritmos de IA populares como TensorFlow, PyTorch, Caffe/Caffe2, Keras y MXNet.

Características clave

• CPU: ARM A57 de cuatro núcleos a 1.43 GHz
• GPU: Maxwell de 128 núcleos
• Poder de computación AI: 473 GFLOPS (también indicado como 472 GFLOP en el texto proporcionado)
• Operación de bajo consumo: tan solo 5 W (también mostrado como 5 W–10 W en el material de comparación proporcionado)
• Codificación de video: 4K @ 30; 4x 1080p @ 30; 9x 720p @ 30 (H.264/H.265)
• Decodificación de video: 4K @ 60; 2x 4K @ 30; 8x 1080p @ 30; 18x 720p @ 30 (H.264/H.265)
• Interfaz de cámara: canal MIPI CSI-2 DPHY *2
• Display: HDMI y DP
• Red / expansión: Ethernet Gigabit; M.2 Key E; soporta tarjeta de red de alta velocidad de doble banda M.2; soporta tarjeta de red USB de alta velocidad
• USB: 4x USB 3.0; USB 2.0 Micro-B
• Otras I/O listadas: GPIO, I2C, I2S, SPI, UART
• Entradas de alimentación mencionadas: micro USB, alimentación DC y PoE (como se indica en el texto proporcionado)

Especificaciones

Notas de almacenamiento (Demostración oficial vs Versión SUB)

• El material de comparación proporcionado enumera dos variantes: Kit de desarrollo Jetson Nano 4GB (SUB) y Kit de desarrollo Jetson Nano 4GB (Demostración oficial).
• Almacenamiento SUB (mostrado): 16GB eMMC. El material indica que la placa se puede iniciar sin almacenamiento externo, y que 16GB eMMC satisface las necesidades de desarrollo regulares y es compatible con el archivo de imagen del sistema oficial.
• Almacenamiento de demostración oficial (mostrado): microSD (No incluido). El material indica que los usuarios necesitan comprar una tarjeta TF (microSD) y escribir el archivo de imagen del sistema para iniciar la placa.
• Si la capacidad de almacenamiento es insuficiente para un proyecto, el material indica que la capacidad se puede expandir utilizando un disco USB o una tarjeta TF.

Nota sobre la tarjeta TF / Imagen del sistema

• El material proporcionado indica: “La tarjeta TF incluida en la lista de envío está escrita con la imagen del sistema.”
• El material proporcionado también indica: “Todas las versiones del kit contienen una tarjeta TF de 64GB.”
• Otra nota indica que instalar la imagen del sistema oficial + configuración del entorno de IA puede exceder 32GB, y se recomienda usar un disco U/tarjeta TF de 64GB o más.

Videos tutoriales

Contenido del curso / tutorial (según lo proporcionado)

• Actualizado en junio de 2026: Tutoriales de implementación y aplicación de OpenClaw (NUEVO). Se indican dos métodos de interacción: módulos WAP y de voz.
• Tutoriales Avanzados de ROS (CALIENTE): Se muestran los conceptos básicos de ROS1 y ROS2 y materiales de aprendizaje relacionados.
• Tutoriales Avanzados de Desarrollo de Visión AI (CALIENTE): incluye elementos como tutorial de cámara a bordo, prueba de cámara externa USB, construcción del entorno Jetson-Inference, construcción del entorno DeepStream, y más (como se detalla en el esquema a continuación).

Esquema del Curso Jetson Nano B01 (extracto)

• Comienza rápidamente: 1. Aprende la ruta; 2. Tutorial de inicio rápido
• Tutorial Básico de Jetson Nano B01: 1. Introducción a Jetson nano B01; 2. Flashear la imagen del sistema; 3. Volver a leer el disco SD flasheado; 4. Jetson Nano B01 inicia; 5. Escribir la imagen oficial (SDK)
• Tutorial básico de la placa SUB de Jetson Nano B01: 1. Introducción a la placa SUB de Jetson Nano B01; 2. Escribir la imagen del sistema EMMC
• Inicio de TF: 1.Inicio y escalado de la tarjeta TF de Jetson Nano; 2. Escribir imagen del sistema en la tarjeta TF; 3. Disco re-leído de SD flasheado; 4. Escribir tarjeta TF de arranque
• Inicio de disco U: 1. Escribir arranque EMMC; 2. Escribir sistema de disco U; 3. Disco U re-leído flasheado; 4. Inicio de Jetson Nano SUB
• Tutorial básico de configuración del sistema: 1. Introducción al sistema y escritorio Jetson Nano B01; 2. Expansión de tarjeta SD; 3. Configuración de red; 4. Transferencia de archivos SSH Telnet; 5. Inicio de sesión remoto VNC; 6. Respaldo del sistema Jetson Nano B01; 7. Aumento del espacio de intercambio de Jetson Nano B01; 8. Instalación y uso de Jtop
• Tutorial de control de hardware GPIO: 1. Uso de la API de bibliotecas GPIO; 2. Configuración de la biblioteca de hardware Jetson Nano B01; 3. Función de lectura de pines; 4. Control de salida de nivel de pines; 5. Controlar LED; 6. Jetson Nano B01 se comunica con puertos serie de dispositivos externos; 7. Comunicación I2C de Jetson Nano B01
• Tutorial visual avanzado de IA: 1.Tutorial de cámara a bordo; 2. Prueba de cámara externa USB; 3. Instalación de Jupyter lab y Jetcham; 4. Instalar TensorFlow (opcional); 5. Construcción del entorno Jetson-Inference (opcional); 6. Hola Mundo AI; 7. Razonamiento de clasificación de imágenes; 8. Razonamiento de detección de objetos; 9. Segmentación semántica; 10. Estimación de pose; 11. Reconocimiento de acciones; 12. Eliminación de fondo; 13. Estimación de profundidad monocular; 14. Construcción del entorno DeepStream (opcional); 15. Inspección automotriz; 16. Introducción a yolo5; 17. Construcción del entorno YOLO5 (opcional); 18. Detección en tiempo real de yolo5; 19. yolo5 + aceleración tensorrt; 20. yolo5 + aceleración tensorrt + Deep Stream (cámara abierta); 21. Construcción del entorno Mediapipe (opcional); 22. Desarrollo de Mediapipe; 23. Léeme
• Uso avanzado de YOLOv11 / YOLO26 (NUEVO): 00. Debe leer antes de ejecutar; 01. Construcción del entorno YOLOv11; 02. Uso de CLI; 03. Detección de objetos; 04. Segmentación de instancias; 05. Estimación de pose; 06.Clasificación de imágenes; 07. Detección de objetos con caja delimitadora orientada; 08. Conversión de modelo
• Curso básico de ROS1: 1. Introducción a ROS; 2. Estructura de archivos del proyecto; 3. Comandos y herramientas comunes; 4. Publicador; 5. Suscriptores; 6. Personalizar mensajes de tema y uso; 7. Cliente; 8. Servidor; 9. Personalizar mensajes de servicio y uso; 10. Liberación y monitoreo de TF
• Curso de procesamiento de imágenes visuales de ROS1: 1. Visión AR; 2. Código QR AR; 3. Fundación ROS+OpenCV; 4. Aplicación ROS+OpenCV; 5. Desarrollo de MediaPipe
• Curso básico de ROS2: 1. Introducción a ROS2; 2. Instalación de ROS2 Humble; 3. Entorno de desarrollo de ROS2; 4. Espacio de trabajo de ROS2; 5. Paquete de funciones de ROS2; 6. Nodo de ROS2; 7. Comunicación de tema de ROS2; 8. Comunicación de servicio de ROS2; 9. Comunicación de acción de ROS2; 10. Mensaje de interfaz personalizada de ROS2; 11. Caso de servicio de parámetros de ROS2; 12. Paquete de meta-funciones de ROS2; 13. Comunicación distribuida de ROS2; 14. ROS2 DDS; 15.API relacionada con el tiempo de ROS2; 16. Herramientas de comando comunes de ROS2; 17. Uso de ROS2 rviz2; 18. Caja de herramientas de ROS2 rqt; 19. Configuración del archivo de inicio de ROS2 Launch; 20. Herramienta de grabación y reproducción de ROS2; 21. Modelo URDF de ROS2; 22. Plataforma de simulación Gazebo de ROS2; 23. Transformación de coordenadas TF2 de ROS2
• Curso de Docker: 1. Descripción general e instalación; 2. Comandos comunes; 3. Entender y publicar imágenes; 4. Procesamiento de datos de interacción de hardware; 5. Entrar en el contenedor de docker; 6. Actualizar imágenes de docker
• Curso de procesamiento de imágenes OpenCV: 1. Curso básico de OpenCV; 2. Aplicación ROS+opencv; 3. Reconocimiento de códigos QR; 4. Visión AR; 5. Mediapipe
• Tutoriales de modelos grandes de IA fuera de línea: 0. Instrucciones del sistema de imagen de modelo grande de IA; 1. Despliegue del entorno de modelo grande de IA; 2. Instalar plataforma de diálogo de modelo grande; 3. Modelo Meta AI Llama 3.2; 4. Modelo Alibaba Cloud Qwen2; 5. Modelo Alibaba Cloud Qwen3; 6. SUTD TinyLlama; 7. Modelo DeepSeek DeepSeek-R1; 8. Microsoft Phi-3; 9. Microsoft Orca Mini; 10. NVIDIA StarCoder2; 11. Google Gemma3 Modelo Grande Multimodal Visual; 12. Texto a Voz (TTS) Offline; 13. Voz a Texto (ASR) Offline
• Tutoriales de modelos grandes en línea: 1. Plataforma de agregación de API de modelos grandes OpenRouter; 2. Aplicación de comprensión visual multimodal; 3. Aplicación de localización visual multimodal; 4. Aplicación de escaneo de tablas multimodal; 5. Aplicación de proxy autónomo multimodal
• Modelo grande en línea (Interacción por voz): 0. Conexión de hardware de interacción por voz (ReadMe); 1. Voz a texto (ASR) offline; 2. Texto a voz (TTS) offline; 3. Interacción por voz de modelo grande de IA; 4. Interacción de voz de comprensión visual multimodal; 5. Aplicación de posición visual multimodal; 6. Aplicación de escaneo de tablas multimodal; 7. Aplicación de proxy autónomo multimodal; 8. Asistente de voz offline de modelo grande de IA
• Despliegue y uso básico de OpenClaw: 1.Despliegue de OpenClaw; 2. Aplicación del plugin WAP de OpenClaw; 3. Interacción de WebChat de OpenClaw; 4. Interacción TUI de OpenClaw; 5. Introducción a las herramientas de OpenClaw; 6. Manual del usuario del gateway OpenClaw Gate; 7. Resumen de características de OpenClaw; 8. Introducción al hub de OpenClaw (Instalación de habilidades); 9. Gestión de archivos de aplicación de OpenClaw; 10. Aplicación-cámara de OpenClaw; 12. Ejecución de scripts de aplicación de OpenClaw; 13. Programación de aplicación de OpenClaw (Control GPIO de periféricos &); 14. Asistente AI dedicado de aplicación de OpenClaw
• Preparación de OpenClaw antes de su uso: 1. Configuración de hardware periférico; 2. Configuración de API-KEY de OpenClaw; 3. Modelo de conmutación de OpenClaw; 4. Palabras clave de OpenClaw; 5. Configuración de interacción de voz AI; 6. Pruebas de configuración de esquema 3D
• Programación de Act periférico de OpenClaw (control de periféricos): 1. Control de servo; 2. Tira de luz RGB; 3. OLED
• Desarrollo avanzado de extensión de OpenClaw: 1.Sensores de temperatura y humedad; 2. Aplicación de cámara; 1. Mayordomo de cuidado de plantas; 2. Estimación de calor por IA; 3. Juego de adivinanza de palma por IA; 4. Mascota IA; 5. Estación meteorológica IA; 6. Medidor de sensibilidad a la temperatura; 7. Tareas programadas

Lista de empaque (notas mostradas)

• El material proporcionado indica: la operación de la placa separada requiere un adaptador de corriente y una tarjeta de memoria de 64G.

Aplicaciones

• Prototipado de IA en el borde: clasificación de imágenes, detección de objetos, segmentación, procesamiento de voz
• Aprendizaje de ROS y desarrollo de robótica (el sistema ROS / robot ROS se muestran como objetivos de aprendizaje soportados en el material proporcionado)
• Visión por computadora y proyectos basados en cámara a través de MIPI CSI-2 (2 canales) o cámaras USB (como se menciona en el esquema del curso)

Para la confirmación del pedido (variante de almacenamiento, accesorios incluidos) o preguntas de integración (M.2 Tarjetas E WiFi clave, cámaras, energía), contacta [email protected] or visita https://rcdrone.top/.

Detalles