Przejdź do informacji o produkcie
1 z 10

NVIDIA Jetson Nano 4GB B01 Zestaw deweloperski do Edge AI/ROS - A57 1,43GHz, 128-rdzeniowy GPU Maxwell

NVIDIA Jetson Nano 4GB B01 Zestaw deweloperski do Edge AI/ROS - A57 1,43GHz, 128-rdzeniowy GPU Maxwell

Yahboom

Cena regularna $491.80 USD
Cena regularna Cena sprzedaży $491.80 USD
Sprzedaż Wyprzedane
Podatki wliczone w cenę. Wysyłka obliczone przy kasie.
Wersja
Zestaw
Zobacz pełne szczegóły

Przegląd

Jetson NANO 4GB B01 AI Large Model Developer Kit to kompaktowy zestaw deweloperski (platforma płyty deweloperskiej) zaprojektowany do rozpoczęcia pracy z AI. Może uruchamiać wiele sieci neuronowych równolegle do zastosowań takich jak klasyfikacja obrazów, wykrywanie obiektów, segmentacja i przetwarzanie mowy, a jego zużycie energii może wynosić zaledwie 5 watów.

Ta platforma Jetson Nano wykorzystuje czterordzeniowy procesor ARM Cortex-A57 oraz 128-rdzeniowy procesor graficzny Maxwell z 4 GB pamięci LPDDR i obsługuje popularne frameworki i algorytmy AI, takie jak TensorFlow, PyTorch, Caffe/Caffe2, Keras i MXNet.

Kluczowe cechy

  • CPU: Czterordzeniowy ARM A57 @ 1,43 GHz
  • GPU: 128-rdzeniowy Maxwell
  • Moc obliczeniowa AI: 473 GFLOPS (również podana jako 472 GFLOP w dostarczonym tekście)
  • Niskie zużycie energii: zaledwie 5 W (również pokazane jako 5 W–10 W w dostarczonym materiale porównawczym)
  • Kodowanie wideo: 4K @ 30; 4x 1080p @ 30; 9x 720p @ 30 (H.264/H.265)
  • Odtwarzanie wideo: 4K @ 60; 2x 4K @ 30; 8x 1080p @ 30; 18x 720p @ 30 (H.264/H.265)
  • Interfejs kamery: MIPI CSI-2 DPHY channel *2
  • Wyświetlacz: HDMI i DP
  • Sieć / rozszerzenie: Gigabit Ethernet; M.2 Key E; obsługuje podwójny pasmowy kartę sieciową M.2; obsługuje kartę sieciową USB o wysokiej prędkości
  • USB: 4x USB 3.0; USB 2.0 Micro-B
  • Inne złącza I/O: GPIO, I2C, I2S, SPI, UART
  • Wspomniane zasilania: micro USB, zasilanie DC i PoE (zgodnie z podanym tekstem)

Specyfikacje

CPU Quad-core ARM A57 @ 1.43 GHz
GPU 128 rdzeni Maxwell
Moc obliczeniowa AI 473 GFLOPS
Pamięć 4 GB 64 bit LPDDR4 25.6 GB/s
Kodowanie wideo 4K @ 30 | 4x 1080p @ 30 | 9x 720p @ 30 (H.264/H.265)
Dekoder wideo 4K @ 60 | 2x 4K @ 30 | 8x 1080p @ 30 | 18x 720p @ 30 (H.264/H.265)
Interfejs kamery MIPI CSI-2 DPHY channel *2
Połączenie Gigabit Ethernet, M.2 Key E
Wyświetlacz HDMI i DP
USB 4 USB 3.0, USB 2.0 Micro-B
Internet (jak podano) Wsparcie dla karty sieciowej USB o wysokiej prędkości; Wsparcie M.2 podwójne pasmo karta sieciowa
Inne GPIO, I2C, I2S, SPI, UART
Rozmiar 100 mm x 80 mm x 29 mm

Uwagi dotyczące pamięci (oficjalna wersja demonstracyjna vs wersja SUB)

  • Podane materiały porównawcze wymieniają dwie wersje: Jetson Nano 4GB Developer Kit (SUB) oraz Jetson Nano 4GB Developer Kit (oficjalna wersja demonstracyjna).
  • Pamięć SUB (pokazana): 16GB eMMC. Materiał stwierdza, że płytę można uruchomić bez zewnętrznej pamięci, a 16GB eMMC spełnia regularne potrzeby rozwojowe i jest kompatybilne z oficjalnym plikiem obrazu systemu.
  • Pamięć oficjalnej wersji demonstracyjnej (pokazana): microSD (nie w zestawie). Materiał stwierdza, że użytkownicy muszą zakupić kartę TF (microSD) i zapisać plik obrazu systemu, aby uruchomić płytę.
  • Jeśli pojemność pamięci jest niewystarczająca dla projektu, materiał stwierdza, że pojemność można rozszerzyć za pomocą dysku USB lub karty TF.

Uwaga dotycząca karty TF / obrazu systemu

  • Podany materiał stwierdza: „Karta TF dołączona do listy wysyłkowej jest zapisana z obrazem systemu.”
  • Podany materiał stwierdza również: „Wszystkie wersje zestawu zawierają kartę TF o pojemności 64 GB.”
  • Inna uwaga stwierdza, że zainstalowanie oficjalnego obrazu systemu + konfiguracja środowiska AI może przekroczyć 32 GB, dlatego zaleca się użycie dysku U/karty TF o pojemności 64 GB lub większej.

Filmy instruktażowe

Zawartość kursu / tutorialu (zgodnie z dostarczonymi)

  • Zaktualizowano w czerwcu 2026: Samouczki dotyczące wdrażania i aplikacji OpenClaw (NOWOŚĆ). Podano dwie metody interakcji: moduły WAP i głosowe.
  • Zaawansowane samouczki ROS (Gorące): podstawy ROS1 i ROS2 oraz związane materiały edukacyjne są pokazane.
  • Zaawansowane samouczki rozwoju AI Vision (Gorące): obejmuje elementy takie jak samouczek kamery pokładowej, test zewnętrznej kamery USB, budowa środowiska Jetson-Inference, budowa środowiska DeepStream i inne (jak wymieniono w poniższym zarysie).

Zarys kursu Jetson Nano B01 (wyciąg)

  • Rozpocznij szybko: 1. Poznaj trasę; 2. Szybki samouczek startowy
  • Podstawowy samouczek Jetson Nano B01: 1. Wprowadzenie do Jetson nano B01; 2. Zainstaluj obraz systemu; 3. Ponownie odczytaj dysk z obrazem; 4. Jetson Nano B01 uruchamia się; 5. Napisz oficjalny obraz (SDK)
  • Podstawowy samouczek płyty SUB Jetson Nano B01: 1. Wprowadzenie do płyty SUB Jetson Nano B01; 2. Napisz obraz systemu EMMC
  • Uruchamianie TF: 1.Jetson Nano SUB karta TF uruchamianie i skalowanie; 2. Napisz obraz systemu na karcie TF; 3. Ponownie odczytaj dysk z wgranym SD; 4. Napisz kartę TF do uruchomienia
  • Uruchomienie dysku U: 1. Napisz uruchomienie EMMC; 2. Napisz system na dysku U; 3. Ponownie odczytaj dysk z wgranym dyskiem U; 4. Uruchomienie Jetson Nano SUB
  • Podstawowy samouczek dotyczący systemu: 1. Wprowadzenie do systemu Jetson Nano B01 i pulpitu; 2. Rozszerzenie karty SD; 3. Konfiguracja sieci; 4. SSH Telnet & Transfer plików; 5. Zdalne logowanie VNC; 6. Kopia zapasowa systemu Jetson Nano B01; 7. Zwiększona przestrzeń wymiany Jetson Nano B01; 8. Instalacja i użycie Jtop
  • Samouczek dotyczący kontroli sprzętu GPIO: 1. Użycie API bibliotek GPIO; 2. Konfiguracja biblioteki sprzętowej Jetson Nano B01; 3. Funkcja odczytu pinów; 4. Kontrola poziomu wyjścia pinów; 5. Kontrola LED; 6. Jetson Nano B01 komunikuje się z zewnętrznymi portami szeregowych urządzeń; 7. Komunikacja I2C Jetson Nano B01
  • Zaawansowany samouczek wizualny AI: 1.Tutorial kamery na pokładzie; 2. Test zewnętrznej kamery USB; 3. Instalacja Jupyter lab i Jetcham; 4. Instalacja TensorFlow (opcjonalnie); 5. Budowa środowiska Jetson-Inference (opcjonalnie); 6. Witaj świecie AI; 7. Rozumowanie klasyfikacji obrazów; 8. Rozumowanie detekcji obiektów; 9. Segmentacja semantyczna; 10. Estymacja pozy; 11. Rozpoznawanie akcji; 12. Usuwanie tła; 13. Estymacja głębokości monokularnej; 14. Budowa środowiska DeepStream (opcjonalnie); 15. Inspekcja motoryzacyjna; 16. Wprowadzenie do yolo5; 17. Budowa środowiska YOLO5 (opcjonalnie); 18. Wykrywanie w czasie rzeczywistym yolo5; 19. yolo5 + przyspieszenie tensorrt; 20. yolo5 + przyspieszenie tensorrt + Deep Stream (otwórz kamerę); 21. Budowa środowiska Mediapipe (opcjonalnie); 22. Rozwój Mediapipe; 23. Przeczytaj mnie
  • Zaawansowane użycie YOLOv11 / YOLO26 (NOWE): 00. Musisz przeczytać przed uruchomieniem; 01. Budowa środowiska YOLOv11; 02. Użycie CLI; 03. Detekcja obiektów; 04. Segmentacja instancji; 05. Estymacja pozy; 06.Klasyfikacja obrazów; 07. Wykrywanie obiektów z użyciem zorientowanego prostokątnego obszaru; 08. Konwersja modelu
  • Podstawowy kurs ROS1: 1. Wprowadzenie do ROS; 2. Struktura plików projektu; 3. Wspólne polecenia i narzędzia; 4. Publikator; 5. Subskrybenci; 6. Dostosowanie wiadomości tematycznych i użycie; 7. Klient; 8. Serwer; 9. Dostosowanie wiadomości serwisowych i użycie; 10. Wydanie TF i monitorowanie
  • Kurs przetwarzania obrazów w ROS1: 1. Wizja AR; 2. Kod QR AR; 3. Podstawy ROS+OpenCV; 4. Aplikacja ROS+OpenCV; 5. Rozwój MediaPipe
  • Podstawowy kurs ROS2: 1. Wprowadzenie do ROS2; 2. Instalacja ROS2 Humble; 3. Środowisko deweloperskie ROS2; 4. Przestrzeń robocza ROS2; 5. Pakiet funkcji ROS2; 6. Węzeł ROS2; 7. Komunikacja tematyczna ROS2; 8. Komunikacja serwisowa ROS2; 9. Komunikacja akcji ROS2; 10. Dostosowana wiadomość interfejsu ROS2; 11. Przypadek serwisu parametrów ROS2; 12. Pakiet meta-funkcji ROS2; 13. Komunikacja rozproszona ROS2; 14. ROS2 DDS; 15.API związane z czasem ROS2; 16. Narzędzia poleceń ogólnych ROS2; 17. Użycie ROS2 rviz2; 18. Narzędzie ROS2 rqt; 19. Konfiguracja pliku startowego ROS2 Launch; 20. Narzędzie do nagrywania i odtwarzania ROS2; 21. Model URDF ROS2; 22. Platforma symulacyjna ROS2 Gazebo; 23. Transformacja współrzędnych ROS2 TF2
  • Kurs Docker: 1. Przegląd i instalacja; 2. Polecenia ogólne; 3. Zrozumienie i publikowanie obrazów; 4. Przetwarzanie danych interakcji z hardwarem; 5. Wejście do kontenera docker; 6. Aktualizacja obrazów docker
  • Kurs przetwarzania obrazów OpenCV: 1. Podstawowy kurs OpenCV; 2. Aplikacja ROS+opencv; 3. Rozpoznawanie kodów QR; 4. Wizja AR; 5. Mediapipe
  • Offline AI duże modele tutoriale: 0. Instrukcje dotyczące systemu obrazów dużych modeli AI; 1. Wdrożenie środowiska dużego modelu AI; 2. Instalacja platformy dialogowej dużego modelu; 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 Visual Multimodal Large Model; 12. Offline Text to Speech (TTS); 13. Offline Speech to Text (ASR)
  • Online duże modele samouczki: 1. OpenRouter platforma agregacji API dużych modeli; 2. Aplikacja do multimodalnego rozumienia wizualnego; 3. Aplikacja do multimodalnej lokalizacji wizualnej; 4. Aplikacja do skanowania tabel multimodalnych; 5. Aplikacja do autonomicznych proxy multimodalnych
  • Online duży model (Interakcja głosowa): 0. Połączenie sprzętowe interakcji głosowej (ReadMe); 1. Offline rozpoznawanie mowy (ASR); 2. Offline syntezator mowy (TTS); 3. Interakcja głosowa dużego modelu AI; 4. Interakcja mowy multimodalnego rozumienia wizualnego; 5. Aplikacja do pozycji wizualnej multimodalnej; 6. Aplikacja do skanowania tabel multimodalnych; 7. Aplikacja do autonomicznych proxy multimodalnych; 8. Offline asystent głosowy dużego modelu AI
  • Wdrożenie OpenClaw i podstawowe użycie: 1.OpenClaw Wdrożenie; 2. Aplikacja wtyczki OpenClaw WAP; 3. Interakcja OpenClaw WebChat; 4. Interakcja OpenClaw TUI; 5. Wprowadzenie do narzędzi OpenClaw; 6. Podręcznik użytkownika bramy OpenClaw Gate; 7. Przegląd funkcji OpenClaw; 8. Wprowadzenie do hubu OpenClaw (Instalacja umiejętności); 9. Zarządzanie plikami aplikacji OpenClaw; 10. Aplikacja OpenClaw-kamera; 12. Wykonanie skryptu aplikacji OpenClaw; 13. Programowanie aplikacji OpenClaw (Kontrola GPIO &); 14. Aplikacja OpenClaw-dedykowany asystent AI
  • Przygotowanie OpenClaw przed użyciem: 1. Konfiguracja sprzętu peryferyjnego; 2. Konfiguracja klucza API OpenClaw; 3. Model przełączania OpenClaw; 4. Słowa wywołujące OpenClaw; 5. Konfiguracja interakcji głosowej AI; 6. Testy konfiguracji schematu 3D
  • Programowanie działania peryferyjnego OpenClaw (Kontrola peryferyjna): 1. Kontrola serwomechanizmu; 2. Taśma świetlna RGB; 3. OLED
  • Zaawansowany rozwój rozszerzenia OpenClaw: 1.Czujniki temperatury i wilgotności; 2. Aplikacja kamery; 1. Butler do pielęgnacji roślin; 2. Szacowanie ciepła AI; 3. Gra w zgadywanie AI Palm; 4. Zwierzak AI; 5. Stacja meteorologiczna AI; 6. Miernik wrażliwości na temperaturę; 7. Zaplanowane zadania

Lista pakowania (pokazane notatki)

  • Dostarczony materiał stwierdza: oddzielna operacja płyty wymaga zasilacza i karty pamięci 64G.

Aplikacje

  • Prototypowanie Edge AI: klasyfikacja obrazów, wykrywanie obiektów, segmentacja, przetwarzanie mowy
  • Uczenie się ROS i rozwój robotyki (system ROS / robot ROS są pokazane jako wspierane cele nauki w dostarczonym materiale)
  • Wizja komputerowa i projekty oparte na kamerach za pośrednictwem MIPI CSI-2 (2 kanały) lub kamer USB (jak odniesiono w zarysie kursu)

W celu potwierdzenia zamówienia (wariant przechowywania, dołączone akcesoria) lub pytań dotyczących integracji (M.2 kluczowe karty E WiFi, kamery, zasilanie), skontaktuj się z [email protected] or odwiedź https://rcdrone.top/ .

Szczegóły