کیت توسعه‌دهنده NVIDIA Jetson Nano ۴ گیگابایت B01 برای هوش مصنوعی لبه/ROS - پردازنده A57 با فرکانس ۱.۴۳ گیگاهرتز، پردازنده گرافیکی ۱۲۸ هسته‌ای Maxwell

بررسی

کیت توسعه‌دهنده Jetson NANO 4GB B01 AI Large Model یک کیت توسعه‌دهنده جمع و جور (پلتفرم برد توسعه‌دهنده) است که برای شروع کار با هوش مصنوعی طراحی شده است. این کیت می‌تواند چندین شبکه عصبی را به طور همزمان برای کاربردهایی مانند طبقه‌بندی تصویر، شناسایی اشیاء، تقسیم‌بندی و پردازش گفتار اجرا کند و می‌تواند با تنها 5 وات کار کند.

این پلتفرم Jetson Nano از یک پردازنده چهار هسته‌ای ARM Cortex-A57 و یک GPU 128 هسته‌ای Maxwell با 4GB حافظه LPDDR استفاده می‌کند و از فریم‌ورک‌ها و الگوریتم‌های محبوب هوش مصنوعی مانند TensorFlow، PyTorch، Caffe/Caffe2، Keras و MXNet پشتیبانی می‌کند.

ویژگی‌های کلیدی

• CPU: چهار هسته‌ای ARM A57 @ 1.43 GHz
• GPU: 128 هسته‌ای Maxwell
• قدرت محاسباتی هوش مصنوعی: 473 GFLOPS (که همچنین به عنوان 472 GFLOP در متن ارائه شده ذکر شده است)
• عملکرد با توان پایین: تنها 5 W (که همچنین به عنوان 5 W–10 W در مواد مقایسه‌ای ارائه شده نشان داده شده است)
• کدگذاری ویدئو: 4K @ 30; 4x 1080p @ 30; 9x 720p @ 30 (H.264/H.265)
• کدگذاری ویدئو: 4K @ 60; 2x 4K @ 30; 8x 1080p @ 30; 18x 720p @ 30 (H.264/H.265)
• رابط دوربین: کانال MIPI CSI-2 DPHY *2
• نمایشگر: HDMI و DP
• شبکه / گسترش: اترنت گیگابیت؛ M.2 کلید E؛ پشتیبانی از کارت شبکه پرسرعت دو بانده M.2؛ پشتیبانی از کارت شبکه پرسرعت USB
• USB: 4x USB 3.0; USB 2.0 Micro-B
• سایر ورودی/خروجی‌های ذکر شده: GPIO، I2C، I2S، SPI، UART
• ورودی‌های برق ذکر شده: میکرو USB، برق DC و PoE (طبق متن ارائه شده)

مشخصات

یادداشت‌های ذخیره‌سازی (نسخه رسمی دمو در مقابل نسخه SUB)

• مواد مقایسه‌ای ارائه شده دو نوع را فهرست می‌کند: کیت توسعه Jetson Nano 4GB (SUB) و کیت توسعه Jetson Nano 4GB (نسخه رسمی دمو).
• ذخیره‌سازی SUB (نشان داده شده): 16GB eMMC. این ماده بیان می‌کند که برد می‌تواند بدون ذخیره‌سازی خارجی راه‌اندازی شود و 16GB eMMC نیازهای توسعه معمولی را برآورده کرده و با فایل تصویر سیستم رسمی سازگار است.
• ذخیره‌سازی نسخه رسمی دمو (نشان داده شده): microSD (شامل نمی‌شود). این ماده بیان می‌کند که کاربران نیاز به خرید یک کارت TF (microSD) دارند و باید فایل تصویر سیستم را برای راه‌اندازی برد بنویسند.
• اگر ظرفیت ذخیره‌سازی برای یک پروژه کافی نباشد، مواد بیان می‌کند که ظرفیت می‌تواند با استفاده از یک دیسک USB یا کارت TF گسترش یابد.

کارت TF / یادداشت تصویر سیستم

• مواد ارائه شده بیان می‌کند: “کارت TF موجود در لیست حمل و نقل همگی با تصویر سیستم نوشته شده‌اند.”
• مواد ارائه شده همچنین بیان می‌کند: “تمام نسخه‌های کیت شامل یک کارت TF 64GB هستند.”
• یادداشت دیگری بیان می‌کند که نصب تصویر سیستم رسمی + پیکربندی محیط AI ممکن است از 32GB فراتر رود و توصیه می‌شود از یک دیسک U/کارت TF با ظرفیت 64GB یا بیشتر استفاده شود.

ویدیوهای آموزشی

محتوای دوره / آموزش (طبق ارائه شده)

• به‌روزرسانی شده در ژوئن 2026: آموزش‌های استقرار و کاربرد OpenClaw (جدید). دو روش تعامل بیان شده است: ماژول‌های WAP و صوتی.
• آموزش‌های پیشرفته ROS (داغ): مبانی ROS1 و ROS2 و مواد آموزشی مرتبط نمایش داده شده‌اند.
• آموزش‌های پیشرفته توسعه بینایی هوش مصنوعی (داغ): شامل مواردی مانند آموزش دوربین روی برد، تست دوربین خارجی USB، ساخت محیط Jetson-Inference، ساخت محیط DeepStream و موارد دیگر (همانطور که در طرح کلی زیر ذکر شده است).

طرح کلی دوره Jetson Nano B01 (خلاصه)

• به سرعت شروع کنید: 1. مسیر را یاد بگیرید؛ 2. آموزش شروع سریع
• آموزش پایه Jetson Nano B01: 1. مقدمه‌ای بر Jetson nano B01؛ 2. فلش کردن تصویر سیستم؛ 3. خواندن مجدد دیسک SD فلش شده؛ 4. شروع Jetson Nano B01؛ 5. نوشتن تصویر رسمی (SDK)
• آموزش پایه برد SUB Jetson Nano B01: 1. مقدمه‌ای بر برد SUB Jetson Nano B01؛ 2. نوشتن تصویر سیستم EMMC
• راه‌اندازی TF: 1.شروع و مقیاس‌گذاری کارت TF Jetson Nano؛ 2. نوشتن تصویر سیستم کارت TF؛ 3. خواندن مجدد دیسک SD فلش شده؛ 4. نوشتن بوت کارت TF
• شروع U دیسک: 1. نوشتن بوت EMMC؛ 2. نوشتن سیستم U دیسک؛ 3. خواندن مجدد دیسک U دیسک فلش شده؛ 4. شروع Jetson Nano SUB
• آموزش تنظیمات پایه سیستم: 1. معرفی سیستم و دسکتاپ Jetson Nano B01؛ 2. گسترش کارت SD؛ 3. پیکربندی شبکه؛ 4. انتقال فایل SSH Telnet; 5. ورود از راه دور VNC؛ 6. پشتیبان‌گیری از سیستم Jetson Nano B01؛ 7. افزایش فضای swap Jetson Nano B01؛ 8. نصب و استفاده از Jtop
• آموزش کنترل سخت‌افزاری GPIO: 1. استفاده از API کتابخانه‌های GPIO؛ 2. پیکربندی کتابخانه سخت‌افزاری Jetson Nano B01؛ 3. تابع خواندن پین؛ 4. کنترل خروجی سطح پین؛ 5. کنترل LED؛ 6. ارتباط Jetson Nano B01 با پورت‌های سری دستگاه‌های خارجی؛ 7. ارتباط I2C Jetson Nano B01
• آموزش بصری پیشرفته AI: 1.آموزش دوربین روی برد؛ 2. تست دوربین خارجی USB؛ 3. نصب Jupyter lab و Jetcham؛ 4. نصب TensorFlow (اختیاری)؛ 5. ساخت محیط Jetson-Inference (اختیاری)؛ 6. سلام دنیای هوش مصنوعی؛ 7. استدلال طبقه‌بندی تصویر؛ 8. استدلال تشخیص شیء؛ 9. تقسیم‌بندی معنایی؛ 10. تخمین حالت؛ 11. شناسایی عمل؛ 12. حذف پس‌زمینه؛ 13. تخمین عمق تک‌چشمی؛ 14. ساخت محیط DeepStream (اختیاری)؛ 15. بازرسی خودرویی؛ 16. مقدمه‌ای بر yolo5؛ 17. ساخت محیط YOLO5 (اختیاری)؛ 18. تشخیص زمان واقعی yolo5؛ 19. شتاب yolo5 + tensorrt؛ 20. شتاب yolo5 + tensorrt + Deep Stream (دوربین باز)؛ 21. ساخت محیط Mediapipe (اختیاری)؛ 22. توسعه Mediapipe؛ 23. خواندن من
• استفاده پیشرفته YOLOv11 / YOLO26 (جدید): 00. باید قبل از اجرا خوانده شود؛ 01. ساخت محیط YOLOv11؛ 02. استفاده از CLI؛ 03. تشخیص شیء؛ 04. تقسیم‌بندی نمونه؛ 05. تخمین حالت؛ 06.طبقه‌بندی تصویر؛ 07. تشخیص شیء با جعبه محاطی جهت‌دار؛ 08. تبدیل مدل
• دوره پایه ROS1: 1. مقدمه‌ای بر ROS؛ 2. ساختار فایل پروژه؛ 3. دستورات و ابزارهای رایج؛ 4. ناشر؛ 5. مشترکین؛ 6. سفارشی‌سازی پیام‌های موضوع و استفاده؛ 7. کلاینت؛ 8. سرور؛ 9. سفارشی‌سازی پیام‌های خدمات و استفاده؛ 10. انتشار و نظارت TF
• دوره پردازش تصویر بصری ROS1: 1. بینایی AR؛ 2. کد QR AR؛ 3. بنیاد ROS+OpenCV؛ 4. کاربرد ROS+OpenCV؛ 5. توسعه MediaPipe
• دوره مبانی ROS2: 1. مقدمه‌ای بر ROS2؛ 2. نصب ROS2 Humble؛ 3. محیط توسعه ROS2؛ 4. فضای کاری ROS2؛ 5. بسته عملکرد ROS2؛ 6. گره ROS2؛ 7. ارتباط موضوع ROS2؛ 8. ارتباط خدمات ROS2؛ 9. ارتباط اقدام ROS2؛ 10. پیام رابط سفارشی ROS2؛ 11. مورد خدمات پارامتر ROS2؛ 12. بسته تابع متا ROS2؛ 13. ارتباط توزیع‌شده ROS2؛ 14. ROS2 DDS؛ 15.API زمان مرتبط با ROS2; 16. ابزارهای فرمان عمومی ROS2; 17. استفاده از ROS2 rviz2; 18. جعبه ابزار ROS2 rqt; 19. پیکربندی فایل راه‌اندازی ROS2 Launch; 20. ابزار ضبط و پخش ROS2; 21. مدل URDF ROS2; 22. پلتفرم شبیه‌سازی Gazebo ROS2; 23. تبدیل مختصات TF2 ROS2
• دوره داکر: 1. مرور کلی و نصب; 2. دستورات عمومی; 3. درک و انتشار تصاویر; 4. پردازش داده‌های تعامل سخت‌افزاری; 5. ورود به کانتینر داکر; 6. به‌روزرسانی تصاویر داکر
• دوره پردازش تصویر OpenCV: 1. دوره پایه OpenCV; 2. برنامه کاربردی ROS+opencv; 3. شناسایی کد QR; 4. بینایی AR; 5. Mediapipe
• آموزش‌های مدل بزرگ AI آفلاین: 0. دستورالعمل‌های تصویر سیستم مدل بزرگ AI; 1. استقرار محیط مدل بزرگ AI; 2. نصب پلتفرم گفتگوی مدل بزرگ; 3. مدل Meta AI Llama 3.2; 4. مدل Alibaba Cloud Qwen2; 5. مدل Alibaba Cloud Qwen3; 6. SUTD TinyLlama; 7. مدل DeepSeek DeepSeek-R1; 8.مایکروسافت فی-۳؛ ۹. مایکروسافت اورکا مینی؛ ۱۰. انویدیا استارکودر۲؛ ۱۱. گوگل جمما۳ مدل بزرگ چندرسانه‌ای بصری؛ ۱۲. تبدیل متن به گفتار آفلاین (TTS)؛ ۱۳. تبدیل گفتار به متن آفلاین (ASR)
• آموزش‌های مدل بزرگ آنلاین: ۱. پلتفرم تجمیع API مدل بزرگ OpenRouter؛ ۲. برنامه درک بصری چندرسانه‌ای؛ ۳. برنامه محلی‌سازی بصری چندرسانه‌ای؛ ۴. برنامه اسکن جدول چندرسانه‌ای؛ ۵. برنامه پروکسی خودکار چندرسانه‌ای
• مدل بزرگ آنلاین (تعامل صوتی): ۰. اتصال سخت‌افزار تعامل صوتی (ReadMe)؛ ۱. تبدیل گفتار به متن آفلاین (ASR)؛ ۲. تبدیل متن به گفتار آفلاین (TTS)؛ ۳. تعامل صوتی مدل بزرگ AI؛ ۴. تعامل گفتاری درک بصری چندرسانه‌ای؛ ۵. برنامه موقعیت‌یابی بصری چندرسانه‌ای؛ ۶. برنامه اسکن جدول چندرسانه‌ای؛ ۷. برنامه پروکسی خودکار چندرسانه‌ای؛ ۸. دستیار صوتی آفلاین مدل بزرگ AI
• استقرار و استفاده پایه OpenClaw: ۱.استقرار OpenClaw; 2. برنامه افزودنی WAP OpenClaw; 3. تعامل WebChat OpenClaw; 4. تعامل TUI OpenClaw; 5. معرفی ابزارهای OpenClaw; 6. راهنمای کاربر دروازه OpenClaw; 7. مرور ویژگی‌های OpenClaw; 8. معرفی هاب OpenClaw (نصب مهارت); 9. مدیریت فایل‌های برنامه OpenClaw; 10. برنامه دوربین OpenClaw; 12. اجرای اسکریپت برنامه OpenClaw; 13. برنامه‌نویسی OpenClaw (کنترل GPIO &); 14. برنامه OpenClaw - دستیار هوش مصنوعی اختصاصی
• آماده‌سازی OpenClaw قبل از استفاده: 1. پیکربندی سخت‌افزار جانبی; 2. پیکربندی کلید API OpenClaw; 3. مدل سوئیچینگ OpenClaw; 4. کلمات کلیدی OpenClaw; 5. پیکربندی تعامل صوتی AI; 6. آزمایش‌های پیکربندی طرح 3D
• برنامه‌نویسی عمل جانبی OpenClaw (کنترل جانبی): 1. کنترل سروو; 2. نوار نور RGB; 3. OLED
• توسعه پیشرفته افزونه OpenClaw: 1.حسگرهای دما و رطوبت؛ 2. برنامه دوربین؛ 1. خدمتکار مراقبت از گیاه؛ 2. تخمین گرمای هوش مصنوعی؛ 3. بازی حدس زدن نخل هوش مصنوعی؛ 4. حیوان خانگی هوش مصنوعی؛ 5. ایستگاه هواشناسی هوش مصنوعی؛ 6. متر حساسیت دما؛ 7. وظایف زمانبندی شده

لیست بسته بندی (یادداشت‌های نشان داده شده)

• مواد ارائه شده بیان می‌کند: عملکرد جداگانه برد نیاز به یک آداپتور برق و یک کارت حافظه 64 گیگابایتی دارد.

برنامه‌ها

• نمونه‌سازی هوش مصنوعی لبه: طبقه‌بندی تصویر، شناسایی اشیاء، تقسیم‌بندی، پردازش گفتار
• یادگیری ROS و توسعه رباتیک (سیستم ROS / ربات ROS به عنوان اهداف یادگیری پشتیبانی شده در مواد ارائه شده نشان داده شده‌اند)
• بینایی کامپیوتری و پروژه‌های مبتنی بر دوربین از طریق MIPI CSI-2 (2 کانال) یا دوربین‌های USB (همانطور که در طرح دوره اشاره شده است)

برای تأیید سفارش (نوع ذخیره‌سازی، لوازم جانبی شامل شده) یا سوالات ادغام (M.2 کلید E کارت‌های WiFi، دوربین‌ها، برق)، با [email protected] or تماس بگیرید https://rcdrone.top/.

جزئیات