NVIDIA Jetson Nano 4GB B01 Kit Pembangun untuk Edge AI/ROS - A57 1.43GHz, GPU Maxwell 128-teras

Tinjauan

Jetson NANO 4GB B01 AI Large Model Developer Kit adalah kit pemaju kompak (platform papan pemaju) yang direka untuk memulakan dengan AI. Ia boleh menjalankan pelbagai rangkaian neural secara selari untuk aplikasi seperti pengelasan imej, pengesanan objek, segmentasi, dan pemprosesan suara, dan boleh beroperasi dengan hanya 5 watt.

Platform Jetson Nano ini menggunakan pemproses quad-core ARM Cortex-A57 dan GPU Maxwell 128-core dengan memori 4GB LPDDR, dan menyokong rangka kerja dan algoritma AI yang popular seperti TensorFlow, PyTorch, Caffe/Caffe2, Keras, dan MXNet.

Ciri Utama

• CPU: Quad-core ARM A57 @ 1.43 GHz
• GPU: 128-core Maxwell
• Kuasa pengkomputeran AI: 473 GFLOPS (juga dinyatakan sebagai 472 GFLOP dalam teks yang diberikan)
• Operasi kuasa rendah: serendah 5 W (juga ditunjukkan sebagai 5 W–10 W dalam bahan perbandingan yang diberikan)
• Penyulitan video: 4K @ 30; 4x 1080p @ 30; 9x 720p @ 30 (H.264/H.265)
• Penyahkodan video: 4K @ 60; 2x 4K @ 30; 8x 1080p @ 30; 18x 720p @ 30 (H.264/H.265)
• Antara muka kamera: MIPI CSI-2 DPHY saluran *2
• Paparan: HDMI dan DP
• Rangkaian / pengembangan: Ethernet Gigabit; M.2 Kunci E; menyokong kad rangkaian berkelajuan tinggi jalur ganda M.2; menyokong kad rangkaian berkelajuan tinggi USB
• USB: 4x USB 3.0; USB 2.0 Micro-B
• I/O lain yang disenaraikan: GPIO, I2C, I2S, SPI, UART
• Input kuasa yang disebutkan: micro USB, kuasa DC, dan PoE (seperti yang dinyatakan dalam teks yang disediakan)

Spesifikasi

Nota Penyimpanan (Demo Rasmi vs Versi SUB)

• Dokumen perbandingan yang disediakan menyenaraikan dua varian: Jetson Nano 4GB Developer Kit (SUB) dan Jetson Nano 4GB Developer Kit (Demo Rasmi).
• Penyimpanan SUB (ditunjukkan): 16GB eMMC. Dokumen menyatakan papan boleh dihidupkan tanpa penyimpanan luaran, dan bahawa 16GB eMMC memenuhi keperluan pembangunan biasa dan serasi dengan fail imej sistem rasmi.
• Penyimpanan Demo Rasmi (ditunjukkan): microSD (Tidak termasuk). Dokumen menyatakan pengguna perlu membeli kad TF (microSD) dan menulis fail imej sistem untuk menghidupkan papan.
• Jika kapasiti penyimpanan tidak mencukupi untuk projek, bahan menyatakan kapasiti boleh diperluas menggunakan disk USB atau kad TF.

Nota Kad TF / Imej Sistem

• Bahan yang disediakan menyatakan: “Kad TF yang termasuk dalam senarai penghantaran semuanya ditulis dengan imej sistem.”
• Bahan yang disediakan juga menyatakan: “Semua versi kit mengandungi kad TF 64GB.”
• Nota lain menyatakan bahawa memasang imej sistem rasmi + konfigurasi persekitaran AI mungkin melebihi 32GB, dan disyorkan untuk menggunakan disk U/kad TF 64GB atau lebih.

Video Tutorial

Kandungan Kursus / Tutorial (seperti yang disediakan)

• Dikemas kini pada Jun 2026: Tutorial penyebaran dan aplikasi OpenClaw (BARU). Dua kaedah interaksi dinyatakan: WAP dan modul suara.
• Tutorial Lanjutan ROS (PANAS): Asas ROS1 dan ROS2 serta bahan pembelajaran berkaitan ditunjukkan.
• Tutorial Pembangunan Visi AI Lanjutan (PANAS): termasuk item seperti tutorial kamera terbina dalam, ujian kamera luar USB, pembinaan persekitaran Jetson-Inference, pembinaan persekitaran DeepStream, dan banyak lagi (seperti yang disenaraikan dalam rangka di bawah).

Garis Panduan Kursus Jetson Nano B01 (petikan)

• Mulakan dengan cepat: 1. Pelajari laluan; 2. Tutorial permulaan cepat
• Tutorial Asas Jetson Nano B01: 1. Pengenalan kepada Jetson nano B01; 2. Flash imej sistem; 3. Disk SD yang telah diflash dibaca semula; 4. Jetson Nano B01 bermula; 5. Tulis imej rasmi (SDK)
• Tutorial asas papan SUB Jetson Nano B01: 1. Pengenalan kepada papan SUB Jetson Nano B01; 2. Tulis imej sistem EMMC
• TF mula: 1.Jetson Nano SUB kad TF permulaan dan penskalaan; 2. Tulis imej sistem kad TF; 3. SD yang telah ditulis dibaca semula disk; 4. Tulis kad TF boot
• Permulaan pemacu U: 1. Tulis boot EMMC; 2. Tulis sistem pemacu U; 3. Pemacu U yang telah ditulis dibaca semula disk; 4. Permulaan Jetson Nano SUB
• Tutorial penyediaan asas sistem: 1. Pengenalan kepada sistem Jetson Nano B01 dan desktop; 2. Pengembangan kad SD; 3. Konfigurasi rangkaian; 4. Pemindahan Fail SSH Telnet; 5. Log masuk jauh VNC; 6. Sandaran sistem Jetson Nano B01; 7. Ruang swap Jetson Nano B01 ditingkatkan; 8. Pemasangan dan penggunaan Jtop
• Tutorial kawalan perkakasan GPIO: 1. Penggunaan API perpustakaan GPIO; 2. Konfigurasi perpustakaan perkakasan Jetson Nano B01; 3. Fungsi pembacaan pin; 4. Kawalan output tahap pin; 5. Kawalan LED; 6. Jetson Nano B01 berkomunikasi dengan port siri peranti luar; 7. Komunikasi I2C Jetson Nano B01
• Tutorial visual AI lanjutan: 1.Tutorial kamera dalam; 2. Ujian kamera luaran USB; 3. Pemasangan Jupyter lab dan Jetcham; 4. Pasang TensorFlow (pilihan); 5. Pembinaan persekitaran Jetson-Inference (pilihan); 6. Hello AI World; 7. Penalaran pengelasan imej; 8. Penalaran pengesanan objek; 9. Segmentasi semantik; 10. Anggaran pose; 11. Pengenalan tindakan; 12. Penghapusan latar belakang; 13. Anggaran kedalaman monokular; 14. Pembinaan persekitaran DeepStream (pilihan); 15. Pemeriksaan Automotif; 16. Pengenalan kepada yolo5; 17. Pembinaan persekitaran YOLO5 (pilihan); 18. Pengesanan masa nyata yolo5; 19. yolo5 + percepatan tensorrt; 20. yolo5 + percepatan tensorrt + Deep Stream (buka kamera); 21. Pembinaan persekitaran Mediapipe (pilihan); 22. Pembangunan Mediapipe; 23. Baca Saya
• Penggunaan Lanjutan YOLOv11 / YOLO26 (BARU): 00. Harus dibaca sebelum menjalankan; 01. Pembinaan persekitaran YOLOv11; 02. Penggunaan CLI; 03. Pengesanan Objek; 04. Segmentasi Instans; 05. Anggaran Pose; 06.Klasifikasi Imej; 07. Pengesanan objek kotak pembatas terarah; 08. Penukaran model
• Kursus asas ROS1: 1. Pengenalan kepada ROS; 2. Struktur fail projek; 3. Perintah dan alat biasa; 4. Penerbit; 5. Pelanggan; 6. Sesuaikan mesej topik dan penggunaan; 7. Klien; 8. Pelayan; 9. Sesuaikan mesej perkhidmatan dan penggunaan; 10. Pelepasan TF dan pemantauan
• Kursus pemprosesan imej visual ROS1: 1. Visi AR; 2. Kod QR AR; 3. Asas ROS+OpenCV; 4. Aplikasi ROS+OpenCV; 5. Pembangunan MediaPipe
• Kursus asas ROS2: 1. Pengenalan kepada ROS2; 2. Pasang ROS2 Humble; 3. Persekitaran pembangunan ROS2; 4. Ruang kerja ROS2; 5. Pakej fungsi ROS2; 6. Nod ROS2; 7. Komunikasi topik ROS2; 8. Komunikasi perkhidmatan ROS2; 9. Komunikasi tindakan ROS2; 10. Mesej antara muka khusus ROS2; 11. Kes perkhidmatan parameter ROS2; 12. Pakej fungsi meta ROS2; 13. Komunikasi teragih ROS2; 14. ROS2 DDS; 15.API berkaitan masa ROS2; 16. Alat perintah umum ROS2; 17. Penggunaan rviz2 ROS2; 18. Alat rqt ROS2; 19. Konfigurasi fail permulaan pelancaran ROS2; 20. Alat rakaman dan main semula ROS2; 21. Model URDF ROS2; 22. Platform simulasi Gazebo ROS2; 23. Transformasi koordinat TF2 ROS2
• Kursus Docker: 1. Gambaran keseluruhan dan pemasangan; 2. Perintah umum; 3. Memahami dan menerbitkan imej; 4. Pemprosesan data interaksi perkakasan; 5. Masuk ke dalam kontena docker; 6. Kemas kini imej docker
• Kursus pemprosesan imej OpenCV: 1. Kursus Asas OpenCV; 2. Aplikasi ROS+opencv; 3. Pengenalan kod QR; 4. Visi AR; 5. Mediapipe
• Tutorial model besar AI luar talian: 0. Arahan imej sistem model besar AI; 1. Penyebaran persekitaran model besar AI; 2. Pasang platform dialog model besar; 3. Model Meta AI Llama 3.2; 4. Model Alibaba Cloud Qwen2; 5. Model Alibaba Cloud Qwen3; 6. SUTD TinyLlama; 7. Model DeepSeek DeepSeek-R1; 8.Microsoft Phi-3; 9. Microsoft Orca Mini; 10. NVIDIA StarCoder2; 11. Google Gemma3 Model Besar Multimodal Visual; 12. Teks ke Ucapan (TTS) Offline; 13. Ucapan ke Teks (ASR) Offline
• Tutorial model besar dalam talian: 1. Platform pengagregatan API model besar OpenRouter; 2. Aplikasi pemahaman visual multimodal; 3. Aplikasi penglokasian visual multimodal; 4. Aplikasi pengimbasan meja multimodal; 5. Aplikasi proksi autonomi multimodal
• Model besar dalam talian (Interaksi suara): 0. Sambungan perkakasan interaksi suara (BacaSaya); 1. Ucapan ke teks (ASR) Offline; 2. Teks ke ucapan (TTS) Offline; 3. Interaksi suara model besar AI; 4. Interaksi ucapan pemahaman visual multimodal; 5. Aplikasi kedudukan visual multimodal; 6. Aplikasi pengimbasan meja multimodal; 7. Aplikasi proksi autonomi multimodal; 8. Pembantu suara offline model besar AI
• Penyebaran OpenClaw dan penggunaan asas: 1.OpenClaw Penyebaran; 2. Aplikasi plugin WAP OpenClaw; 3. Interaksi WebChat OpenClaw; 4. Interaksi TUI OpenClaw; 5. Pengenalan alat OpenClaw; 6. Manual pengguna gerbang OpenClaw; 7. Gambaran keseluruhan ciri-ciri OpenClaw; 8. Pengenalan hub OpenClaw (Pemasangan Kemahiran); 9. Pengurusan fail aplikasi OpenClaw; 10. Aplikasi kamera OpenClaw; 12. Pelaksanaan skrip aplikasi OpenClaw; 13. Pengaturcaraan aplikasi OpenClaw (Kawalan GPIO Periferal &); 14. Aplikasi pembantu AI khusus OpenClaw
• Persiapan OpenClaw sebelum digunakan: 1. Konfigurasi perkakasan periferal; 2. Konfigurasi API-KEY OpenClaw; 3. Model penukaran OpenClaw; 4. Kata-kata arahan OpenClaw; 5. Konfigurasi interaksi suara AI; 6. Ujian konfigurasi skema 3D
• Pengaturcaraan Akt periferal OpenClaw (kawalan periferal): 1. Kawalan servo; 2. Jalur lampu RGB; 3. OLED
• Pembangunan lanjutan pemanjangan OpenClaw: 1.Sensor suhu dan kelembapan; 2. Aplikasi kamera; 1. Pembantu penjagaan tumbuhan; 2. Anggaran haba AI; 3. Permainan Tebak Palm AI; 4. Haiwan Peliharaan AI; 5. Stesen Meteorologi AI; 6. Meter kepekaan suhu; 7. Tugas yang dijadualkan

Senarai Pembungkusan (nota ditunjukkan)

• Bahan yang disediakan menyatakan: operasi papan berasingan memerlukan penyesuai kuasa dan kad memori 64G.

Aplikasi

• Prototyping AI tepi: pengelasan imej, pengesanan objek, segmentasi, pemprosesan ucapan
• Pembelajaran ROS dan pembangunan robotik (sistem ROS / robot ROS ditunjukkan sebagai sasaran pembelajaran yang disokong dalam bahan yang disediakan)
• Penglihatan komputer dan projek berasaskan kamera melalui MIPI CSI-2 (2 saluran) atau kamera USB (seperti yang dirujuk dalam garis besar kursus)

Untuk pengesahan pesanan (varian penyimpanan, aksesori yang disertakan) atau soalan integrasi (M.2 Kunci E kad WiFi, kamera, kuasa), hubungi [email protected] or lawati https://rcdrone.top/.

Butiran