Kit de développement NVIDIA Jetson Nano 4GB B01 pour Edge IA/ROS - A57 1,43GHz, GPU Maxwell 128 cœurs

Aperçu

Jetson NANO 4GB B01 AI Large Model Developer Kit est un kit de développement compact (plateforme de carte de développement) conçu pour débuter avec l'IA. Il peut exécuter plusieurs réseaux neuronaux en parallèle pour des applications telles que la classification d'images, la détection d'objets, la segmentation et le traitement de la parole, et peut fonctionner avec aussi peu que 5 watts.

Cette plateforme Jetson Nano utilise un processeur quad-core ARM Cortex-A57 et un GPU Maxwell à 128 cœurs avec une mémoire LPDDR de 4 Go, et prend en charge des frameworks et algorithmes d'IA populaires tels que TensorFlow, PyTorch, Caffe/Caffe2, Keras et MXNet.

Caractéristiques principales

• CPU : Quad-core ARM A57 @ 1,43 GHz
• GPU : 128 cœurs Maxwell
• Puissance de calcul IA : 473 GFLOPS (également indiqué comme 472 GFLOP dans le texte fourni)
• Fonctionnement à faible consommation : aussi peu que 5 W (également montré comme 5 W–10 W dans le matériel de comparaison fourni)
• Encodage vidéo : 4K @ 30; 4x 1080p @ 30; 9x 720p @ 30 (H.264/H.265)
• Décodage vidéo : 4K @ 60 ; 2x 4K @ 30 ; 8x 1080p @ 30 ; 18x 720p @ 30 (H.264/H.265)
• Interface de caméra : MIPI CSI-2 DPHY canal *2
• Affichage : HDMI et DP
• Réseau / expansion : Ethernet Gigabit ; M.2 Key E ; prend en charge la carte réseau haute vitesse double bande M.2 ; prend en charge la carte réseau haute vitesse USB
• USB : 4x USB 3.0 ; USB 2.0 Micro-B
• Autres E/S listées : GPIO, I2C, I2S, SPI, UART
• Entrées d'alimentation mentionnées : micro USB, alimentation DC, et PoE (comme indiqué dans le texte fourni)

Spécifications

Notes de stockage (Démo officielle vs Version SUB)

• Le matériel de comparaison fourni liste deux variantes : Jetson Nano 4GB Developer Kit (SUB) et Jetson Nano 4GB Developer Kit (Démo officielle).
• Stockage SUB (montré) : 16GB eMMC. Le matériel indique que la carte peut être démarrée sans stockage externe, et que 16GB eMMC répond aux besoins de développement réguliers et est compatible avec le fichier image système officiel.
• Stockage Démo officielle (montré) : microSD (Non inclus). Le matériel indique que les utilisateurs doivent acheter une carte TF (microSD) et écrire le fichier image système pour démarrer la carte.
• Si la capacité de stockage est insuffisante pour un projet, le matériel indique que la capacité peut être étendue à l'aide d'un disque USB ou d'une carte TF.

Note sur la carte TF / Image système

• Le matériel fourni indique : « Les cartes TF incluses dans la liste d'expédition sont toutes écrites avec l'image système. »
• Le matériel fourni indique également : « Toutes les versions du kit contiennent une carte TF de 64 Go. »
• Une autre note indique que l'installation de l'image système officielle + la configuration de l'environnement AI peut dépasser 32 Go, et il est recommandé d'utiliser un disque U/carte TF de 64 Go ou plus.

Vidéos tutoriels

Contenu du cours / tutoriel (tel que fourni)

• Mise à jour en juin 2026: Tutoriels de déploiement et d'application OpenClaw (NOUVEAU). Deux méthodes d'interaction sont indiquées : modules WAP et vocaux.
• Tutoriels avancés ROS (HOT) : Les bases de ROS1 et ROS2 et les matériaux d'apprentissage associés sont présentés.
• Tutoriels avancés de développement de vision AI (HOT) : inclut des éléments tels que le tutoriel de caméra embarquée, le test de caméra externe USB, la construction de l'environnement Jetson-Inference, la construction de l'environnement DeepStream, et plus encore (comme indiqué dans le plan ci-dessous).

Plan de cours Jetson Nano B01 (extrait)

• Démarrez rapidement: 1. Apprenez l'itinéraire ; 2. Tutoriel de démarrage rapide
• Tutoriel de base Jetson Nano B01: 1. Introduction au Jetson Nano B01 ; 2. Flasher l'image système ; 3. Relecture du disque SD flashé ; 4. Démarrage du Jetson Nano B01 ; 5. Écrire l'image officielle (SDK)
• Tutoriel de base de la carte SUB Jetson Nano B01: 1. Introduction à la carte SUB Jetson Nano B01 ; 2. Écrire l'image système EMMC
• Démarrage TF: 1.Démarrage et mise à l'échelle de la carte SUB TF Jetson Nano; 2. Écrire l'image système de la carte TF; 3. Relecture du disque SD flashé; 4. Écrire le démarrage de la carte TF
• Démarrage du disque U: 1. Écrire le démarrage EMMC; 2. Écrire le système du disque U; 3. Relecture du disque U flashé; 4. Démarrage SUB Jetson Nano
• Tutoriel de configuration de base du système: 1. Introduction au système et au bureau Jetson Nano B01; 2. Extension de la carte SD; 3. Configuration réseau; 4. SSH Telnet & Transfert de fichiers; 5. Connexion à distance VNC; 6. Sauvegarde du système Jetson Nano B01; 7. Augmentation de l'espace d'échange Jetson Nano B01; 8. Installation et utilisation de Jtop
• Tutoriel de contrôle matériel GPIO: 1. Utilisation des API des bibliothèques GPIO; 2. Configuration de la bibliothèque matérielle Jetson Nano B01; 3. Fonction de lecture des broches; 4. Contrôle de la sortie de niveau des broches; 5. Contrôler la LED; 6. Jetson Nano B01 communique avec les ports série des appareils externes; 7. Communication I2C Jetson Nano B01
• Tutoriel avancé de vision AI: 1. Tutoriel de caméra embarquée; 2. Test de caméra externe USB; 3. Installation de Jupyter lab et Jetcham; 4. Installer TensorFlow (optionnel); 5. Construction de l'environnement Jetson-Inference (optionnel); 6. Bonjour AI Monde; 7. Raisonnement de classification d'images; 8. Raisonnement de détection d'objets; 9. Segmentation sémantique; 10. Estimation de pose; 11. Reconnaissance d'actions; 12. Suppression de l'arrière-plan; 13. Estimation de profondeur monoculaire; 14. Construction de l'environnement DeepStream (optionnel); 15. Inspection automobile; 16. Introduction à yolo5; 17. Construction de l'environnement YOLO5 (optionnel); 18. Détection en temps réel de yolo5; 19. yolo5 + accélération tensorrt; 20. yolo5 + accélération tensorrt + Deep Stream (caméra ouverte); 21. Construction de l'environnement Mediapipe (optionnel); 22. Développement Mediapipe; 23. Lisez-moi
• Utilisation avancée de YOLOv11 / YOLO26 (NOUVEAU) : 00. À lire absolument avant de commencer; 01. Construction de l'environnement YOLOv11; 02. Utilisation CLI; 03. Détection d'objets; 04. Segmentation d'instances; 05. Estimation de pose; 06. Classification d'image; 07. Détection d'objet avec boîte englobante orientée; 08. Conversion de modèle
• Cours de base ROS1: 1. Introduction à ROS; 2. Structure des fichiers de projet; 3. Commandes et outils courants; 4. Éditeur; 5. Abonnés; 6. Personnaliser les messages de sujet et utilisation; 7. Client; 8. Serveur; 9. Personnaliser les messages de service et utilisation; 10. Publication et surveillance TF
• Cours de traitement d'image visuelle ROS1: 1. Vision AR; 2. Code QR AR; 3. Fondation ROS+OpenCV; 4. Application ROS+OpenCV; 5. Développement MediaPipe
• Cours de base ROS2: 1. Introduction à ROS2; 2. Installation de ROS2 Humble; 3. Environnement de développement ROS2; 4. Espace de travail ROS2; 5. Package de fonction ROS2; 6. Nœud ROS2; 7. Communication de sujet ROS2; 8. Communication de service ROS2; 9. Communication d'action ROS2; 10. Message d'interface personnalisé ROS2; 11. Cas de service de paramètre ROS2; 12. Package de méta-fonction ROS2; 13. Communication distribuée ROS2; 14. DDS ROS2; 15. ROS2 API lié au temps; 16. Outils de commande communs ROS2; 17. Utilisation de ROS2 rviz2; 18. Boîte à outils ROS2 rqt; 19. Configuration du fichier de démarrage ROS2 Launch; 20. Outil d'enregistrement et de lecture ROS2; 21. Modèle URDF ROS2; 22. Plateforme de simulation ROS2 Gazebo; 23. Transformation de coordonnées TF2 ROS2
• Cours Docker: 1. Aperçu et installation; 2. Commandes courantes; 3. Comprendre et publier des images; 4. Traitement des données d'interaction matérielle; 5. Entrer dans le conteneur docker; 6. Mettre à jour les images docker
• Cours de traitement d'image OpenCV: 1. Cours de base OpenCV; 2. Application ROS+opencv; 3. Reconnaissance de code QR; 4. Vision AR; 5. Mediapipe
• Tutoriels de modèles AI de grande taille hors ligne: 0. Instructions sur l'image système de modèle AI de grande taille; 1. Déploiement de l'environnement de modèle AI de grande taille; 2. Installer la plateforme de dialogue de modèle de grande taille; 3. Modèle Meta AI Llama 3.2; 4. Modèle Alibaba Cloud Qwen2; 5. Modèle Alibaba Cloud Qwen3; 6. SUTD TinyLlama; 7. Modèle DeepSeek DeepSeek-R1; 8. Microsoft Phi-3; 9. Microsoft Orca Mini; 10. NVIDIA StarCoder2; 11. Google Gemma3 Visual Multimodal Large Model; 12. Conversion de texte en parole (TTS) hors ligne; 13. Reconnaissance vocale (ASR) hors ligne
• Tutoriels en ligne pour grands modèles: 1. Plateforme d'agrégation d'API pour grands modèles OpenRouter; 2. Application de compréhension visuelle multimodale; 3. Application de localisation visuelle multimodale; 4. Application de numérisation de tableaux multimodale; 5. Application de proxy autonome multimodale
• Grand modèle en ligne (Interaction vocale): 0. Connexion matérielle pour interaction vocale (ReadMe); 1. Reconnaissance vocale (ASR) hors ligne; 2. Conversion de texte en parole (TTS) hors ligne; 3. Interaction vocale avec grand modèle d'IA; 4. Interaction vocale de compréhension visuelle multimodale; 5. Application de positionnement visuel multimodale; 6. Application de numérisation de tableaux multimodale; 7. Application de proxy autonome multimodale; 8. Assistant vocal hors ligne avec grand modèle d'IA
• Déploiement et utilisation de base d'OpenClaw: 1.Déploiement OpenClaw; 2. Application du plugin OpenClaw WAP; 3. Interaction WebChat OpenClaw; 4. Interaction TUI OpenClaw; 5. Introduction aux outils OpenClaw; 6. Manuel d'utilisateur de la passerelle OpenClaw Gate; 7. Aperçu des fonctionnalités OpenClaw; 8. Introduction au hub OpenClaw (Installation de compétences); 9. Gestion des fichiers d'application OpenClaw; 10. Application-caméra OpenClaw; 12. Exécution de scripts d'application OpenClaw; 13. Programmation d'application OpenClaw (Contrôle GPIO Périphérique &); 14. Assistant AI dédié d'application OpenClaw
• Préparation OpenClaw avant utilisation: 1. Configuration du matériel périphérique; 2. Configuration de l'API-KEY OpenClaw; 3. Modèle de commutation OpenClaw; 4. Mots d'invite OpenClaw; 5. Configuration de l'interaction vocale AI; 6. Tests de configuration de schéma 3D
• Programmation d'Act périphérique OpenClaw (Contrôle périphérique): 1. Contrôle de servo; 2. Bande lumineuse RGB; 3. OLED
• Développement avancé d'extension OpenClaw: 1. Capteurs de température et d'humidité; 2. Application de caméra; 1. Majordome de soins des plantes; 2. Estimation de la chaleur par IA; 3. Jeu de devinettes de paume par IA; 4. Animal de compagnie IA; 5. Station météorologique IA; 6. Compteur de sensibilité à la température; 7. Tâches programmées

Liste de colisage (notes affichées)

• Les matériaux fournis indiquent : le fonctionnement de la carte séparée nécessite un adaptateur secteur et une carte mémoire de 64 Go.

Applications

• Prototypage Edge AI : classification d'images, détection d'objets, segmentation, traitement de la parole
• Apprentissage ROS et développement de la robotique (le système ROS / robot ROS sont indiqués comme cibles d'apprentissage prises en charge dans le matériel fourni)
• Vision par ordinateur et projets basés sur caméra via MIPI CSI-2 (2 canaux) ou caméras USB (comme référencé dans le plan de cours)

Pour la confirmation de commande (variante de stockage, accessoires inclus) ou questions d'intégration (M.2 cartes WiFi Key E, caméras, alimentation), contactez [email protected] or visitez https://rcdrone.top/ .

Détails