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

Visão Geral

O Kit de Desenvolvimento Jetson NANO 4GB B01 AI Large Model é um kit de desenvolvimento compacto (plataforma de placa de desenvolvimento) projetado para iniciar-se em IA. Ele pode executar várias redes neurais em paralelo para aplicações como classificação de imagens, detecção de objetos, segmentação e processamento de fala, e pode operar com apenas 5 watts.

Esta plataforma Jetson Nano utiliza um processador quad-core ARM Cortex-A57 e uma GPU Maxwell de 128 núcleos com 4GB de memória LPDDR, e suporta frameworks e algoritmos de IA populares como TensorFlow, PyTorch, Caffe/Caffe2, Keras e MXNet.

Principais Características

• CPU: Quad-core ARM A57 @ 1.43 GHz
• GPU: 128-core Maxwell
• Poder de computação em IA: 473 GFLOPS (também indicado como 472 GFLOP no texto fornecido)
• Operação de baixo consumo: apenas 5 W (também mostrado como 5 W–10 W no material de comparação fornecido)
• Codificação de vídeo: 4K @ 30; 4x 1080p @ 30; 9x 720p @ 30 (H.264/H.265)
• Decodificação de vídeo: 4K @ 60; 2x 4K @ 30; 8x 1080p @ 30; 18x 720p @ 30 (H.264/H.265)
• Interface da câmara: canal MIPI CSI-2 DPHY *2
• Display: HDMI e DP
• Networking / expansão: Ethernet Gigabit; M.2 Key E; suporta cartão de rede de alta velocidade de banda dupla M.2; suporta cartão de rede USB de alta velocidade
• USB: 4x USB 3.0; USB 2.0 Micro-B
• Outras I/O listadas: GPIO, I2C, I2S, SPI, UART
• Entradas de energia mencionadas: micro USB, alimentação DC e PoE (conforme indicado no texto fornecido)

Especificações

Notas de Armazenamento (Demonstração Oficial vs Versão SUB)

• O material de comparação fornecido lista duas variantes: Jetson Nano 4GB Developer Kit (SUB) e Jetson Nano 4GB Developer Kit (Demonstração Oficial).
• Armazenamento SUB (mostrado): 16GB eMMC. O material afirma que a placa pode ser iniciada sem armazenamento externo, e que 16GB eMMC atende às necessidades de desenvolvimento regulares e é compatível com o arquivo de imagem do sistema oficial.
• Armazenamento da Demonstração Oficial (mostrado): microSD (Não incluído). O material afirma que os usuários precisam comprar um cartão TF (microSD) e gravar o arquivo de imagem do sistema para iniciar a placa.
• Se a capacidade de armazenamento for insuficiente para um projeto, o material indica que a capacidade pode ser expandida utilizando um disco USB ou cartão TF.

Nota sobre o Cartão TF / Imagem do Sistema

• O material fornecido afirma: “O cartão TF incluído na lista de envio está todo gravado com a imagem do sistema.”
• O material fornecido também afirma: “Todas as versões do kit contêm um cartão TF de 64GB.”
• Outra nota indica que a instalação da imagem do sistema oficial + configuração do ambiente de IA pode exceder 32GB, e é recomendado usar um disco U/cartão TF de 64GB ou superior.

Vídeos Tutoriais

Conteúdo do Curso / Tutorial (conforme fornecido)

• Atualizado em Junho de 2026: Tutoriais de implementação e aplicação do OpenClaw (NOVO). Dois métodos de interação são indicados: módulos WAP e de voz.
• Tutoriais Avançados de ROS (QUENTE): Os fundamentos do ROS1 e ROS2 e materiais de aprendizagem relacionados são apresentados.
• Tutoriais Avançados de Desenvolvimento de Visão AI (QUENTE): inclui itens como tutorial de câmera a bordo, teste de câmera externa USB, construção do ambiente Jetson-Inference, construção do ambiente DeepStream, e mais (conforme listado no esboço abaixo).

Esboço do Curso Jetson Nano B01 (extrato)

• Comece rapidamente: 1. Aprenda o percurso; 2. Tutorial de início rápido
• Tutorial Básico do Jetson Nano B01: 1. Introdução ao Jetson Nano B01; 2. Flash da imagem do sistema; 3. Releitura do disco SD flasheado; 4. Jetson Nano B01 inicia; 5. Escrever a imagem oficial (SDK)
• Tutorial básico da placa SUB do Jetson Nano B01: 1. Introdução à placa SUB do Jetson Nano B01; 2. Escrever a imagem do sistema EMMC
• Início do TF: 1.Jetson Nano SUB inicialização e escalonamento do cartão TF; 2. Escrever imagem do sistema no cartão TF; 3. Disco SD re-lido após flash; 4. Escrever inicialização do cartão TF
• Inicialização do disco U: 1. Escrever inicialização EMMC; 2. Escrever sistema do disco U; 3. Disco U re-lido após flash; 4. Inicialização do Jetson Nano SUB
• Tutorial básico de configuração do sistema: 1. Introdução ao sistema Jetson Nano B01 e área de trabalho; 2. Expansão do cartão SD; 3. Configuração de rede; 4. Transferência de arquivos SSH Telnet; 5. Login remoto VNC; 6. Backup do sistema Jetson Nano B01; 7. Aumento do espaço de swap do Jetson Nano B01; 8. Instalação e uso do Jtop
• Tutorial de controle de hardware GPIO: 1. Uso da API das bibliotecas GPIO; 2. Configuração da biblioteca de hardware Jetson Nano B01; 3. Função de leitura de pinos; 4. Controle de saída de nível de pinos; 5. Controle de LED; 6. Jetson Nano B01 comunica com portas seriais de dispositivos externos; 7. Comunicação I2C do Jetson Nano B01
• Tutorial visual avançado de IA: 1.Tutorial da câmara a bordo; 2. Teste da câmara externa USB; 3. Instalação do Jupyter lab e Jetcham; 4. Instalar TensorFlow (opcional); 5. Construção do ambiente Jetson-Inference (opcional); 6. Olá Mundo AI; 7. Raciocínio de classificação de imagem; 8. Raciocínio de deteção de objetos; 9. Segmentação semântica; 10. Estimativa de pose; 11. Reconhecimento de ações; 12. Remoção de fundo; 13. Estimativa de profundidade monocular; 14. Construção do ambiente DeepStream (opcional); 15. Inspeção Automóvel; 16. Introdução ao yolo5; 17. Construção do ambiente YOLO5 (opcional); 18. Deteção em tempo real do yolo5; 19. yolo5 + aceleração tensorrt; 20. yolo5 + aceleração tensorrt + Deep Stream (câmara aberta); 21. Construção do ambiente Mediapipe (opcional); 22. Desenvolvimento Mediapipe; 23. Leia-me
• Uso Avançado YOLOv11 / YOLO26 (NOVO): 00. Deve ler antes de executar; 01. Construção do ambiente YOLOv11; 02. Uso de CLI; 03. Deteção de Objetos; 04. Segmentação de Instâncias; 05. Estimativa de Pose; 06.Classificação de Imagem; 07. Detecção de objetos com caixa delimitadora orientada; 08. Conversão de modelo
• Curso básico de ROS1: 1. Introdução ao ROS; 2. Estrutura de ficheiros do projeto; 3. Comandos e ferramentas comuns; 4. Publicador; 5. Assinantes; 6. Personalizar mensagens de tópico e uso; 7. Cliente; 8. Servidor; 9. Personalizar mensagens de serviço e uso; 10. Liberação e monitorização do TF
• Curso de processamento visual de imagem ROS1: 1. Visão AR; 2. Código QR AR; 3. Fundação ROS+OpenCV; 4. Aplicação ROS+OpenCV; 5. Desenvolvimento MediaPipe
• Curso básico de ROS2: 1. Introdução ao ROS2; 2. Instalação do ROS2 Humble; 3. Ambiente de desenvolvimento ROS2; 4. Espaço de trabalho ROS2; 5. Pacote de função ROS2; 6. Nó ROS2; 7. Comunicação de tópico ROS2; 8. Comunicação de serviço ROS2; 9. Comunicação de ação ROS2; 10. Mensagem de interface personalizada ROS2; 11. Caso de serviço de parâmetro ROS2; 12. Pacote de meta-função ROS2; 13. Comunicação distribuída ROS2; 14. ROS2 DDS; 15.API relacionada ao tempo do ROS2; 16. Ferramentas de comando comuns do ROS2; 17. Uso do ROS2 rviz2; 18. Caixa de ferramentas do ROS2 rqt; 19. Configuração do arquivo de inicialização do ROS2; 20. Ferramenta de gravação e reprodução do ROS2; 21. Modelo URDF do ROS2; 22. Plataforma de simulação Gazebo do ROS2; 23. Transformação de coordenadas TF2 do ROS2
• Cursos de Docker: 1. Visão geral e instalação; 2. Comandos comuns; 3. Compreender e publicar imagens; 4. Processamento de dados de interação de hardware; 5. Entrar no contêiner docker; 6. Atualizar imagens docker
• Cursos de processamento de imagem OpenCV: 1. Curso Básico de OpenCV; 2. Aplicação ROS+opencv; 3. Reconhecimento de código QR; 4. Visão AR; 5. Mediapipe
• Tutoriais de modelos grandes de IA offline: 0. Instruções do sistema de imagem de modelo grande de IA; 1. Implantação do ambiente 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 para Fala Offline (TTS); 13. Fala para Texto Offline (ASR)
• Tutoriais de modelos grandes online: 1. Plataforma de agregação de API de modelos grandes OpenRouter; 2. Aplicação de compreensão visual multimodal; 3. Aplicação de localização visual multimodal; 4. Aplicação de digitalização de tabelas multimodal; 5. Aplicação de proxy autónomo multimodal
• Modelo grande online (Interação por voz): 0. Conexão de hardware de interação por voz (Leia-me); 1. Fala para texto offline (ASR); 2. Texto para fala offline (TTS); 3. Interação por voz de modelo grande de IA; 4. Interação de fala de compreensão visual multimodal; 5. Aplicação de posição visual multimodal; 6. Aplicação de digitalização de tabelas multimodal; 7. Aplicação de proxy autónomo multimodal; 8. Assistente de voz offline de modelo grande de IA
• Implantação e uso básico do OpenClaw: 1.Implantação do OpenClaw; 2. Aplicação do plugin WAP do OpenClaw; 3. Interação do WebChat do OpenClaw; 4. Interação TUI do OpenClaw; 5. Introdução às ferramentas do OpenClaw; 6. Manual do utilizador do gateway OpenClaw Gate; 7. Visão geral das funcionalidades do OpenClaw; 8. Introdução ao hub OpenClaw (Instalação de Skill); 9. Gestão de ficheiros da aplicação OpenClaw; 10. Aplicação-câmara do OpenClaw; 12. Execução de script da aplicação OpenClaw; 13. Programação da aplicação OpenClaw (Controle GPIO do & periférico); 14. Assistente AI dedicado da aplicação OpenClaw
• Preparação do OpenClaw antes do uso: 1. Configuração de hardware periférico; 2. Configuração da API-KEY do OpenClaw; 3. Modelo de comutação do OpenClaw; 4. Palavras-chave do OpenClaw; 5. Configuração da interação de voz AI; 6. Testes de configuração do esquema 3D
• Programação de Act periférico do OpenClaw (controle periférico): 1. Controle de servo; 2. Fita de luz RGB; 3. OLED
• Desenvolvimento avançado da extensão OpenClaw: 1.Sensores de temperatura e humidade; 2. Aplicação de câmara; 1. Mordomo de cuidados de plantas; 2. Estimativa de calor por IA; 3. Jogo de Adivinhação de Palma por IA; 4. Animal de Estimação por IA; 5. Estação Meteorológica por IA; 6. Medidor de sensibilidade à temperatura; 7. Tarefas agendadas

Lista de Embalagem (notas mostradas)

• O material fornecido indica: a operação da placa separada requer um adaptador de energia e um cartão de memória de 64G.

Aplicações

• Prototipagem de IA de borda: classificação de imagens, deteção de objetos, segmentação, processamento de fala
• Aprendizagem de ROS e desenvolvimento de robótica (sistema ROS / robô ROS são apresentados como alvos de aprendizagem suportados no material fornecido)
• Visão computacional e projetos baseados em câmara via MIPI CSI-2 (2 canais) ou câmaras USB (como referenciado no esboço do curso)

Para confirmação de pedido (variante de armazenamento, acessórios incluídos) ou questões de integração (M.2 Cartões E WiFi chave, câmaras, energia), contacte [email protected] or visite https://rcdrone.top/.

Detalhes