Комплект разработчика NVIDIA Jetson Nano 4GB B01 для Edge AI/ROS - A57 1.43ГГц, 128-ядерный GPU Maxwell

Обзор

Jetson NANO 4GB B01 AI Large Model Developer Kit - это компактный набор для разработчиков (платформа для разработки), предназначенный для начала работы с ИИ. Он может запускать несколько нейронных сетей параллельно для таких приложений, как классификация изображений, обнаружение объектов, сегментация и обработка речи, и может работать всего на 5 ватт.

Эта платформа Jetson Nano использует четырехъядерный процессор ARM Cortex-A57 и 128-ядерный графический процессор Maxwell с 4 ГБ памяти LPDDR, и поддерживает популярные фреймворки и алгоритмы ИИ, такие как TensorFlow, PyTorch, Caffe/Caffe2, Keras и MXNet.

Ключевые особенности

• ЦП: Четырехъядерный ARM A57 @ 1.43 ГГц
• ГП: 128-ядерный Maxwell
• Искусственный интеллект вычислительная мощность: 473 GFLOPS (также указано как 472 GFLOP в предоставленном тексте)
• Низкое энергопотребление: всего 5 Вт (также показано как 5 Вт–10 Вт в предоставленных сравнительных материалах)
• Кодирование видео: 4K @ 30; 4x 1080p @ 30; 9x 720p @ 30 (H.264/H.265)
• Декодирование видео: 4K @ 60; 2x 4K @ 30; 8x 1080p @ 30; 18x 720p @ 30 (H.264/H.265)
• Интерфейс камеры: MIPI CSI-2 DPHY канал *2
• Дисплей: HDMI и DP
• Сетевые / расширительные возможности: Gigabit Ethernet; M.2 Key E; поддерживает M.2 двухдиапазонную высокоскоростную сетевую карту; поддерживает USB высокоскоростную сетевую карту
• USB: 4x USB 3.0; USB 2.0 Micro-B
• Другие I/O: GPIO, I2C, I2S, SPI, UART
• Упомянутые входы питания: micro USB, DC питание и PoE (как указано в предоставленном тексте)

Спецификации

Примечания по хранению (Официальная демонстрация против версии SUB)

• Предоставленный сравнительный материал перечисляет два варианта: Jetson Nano 4GB Developer Kit (SUB) и Jetson Nano 4GB Developer Kit (Официальная демонстрация).
• SUB хранилище (показано): 16GB eMMC. Материал указывает, что плату можно запустить без внешнего хранилища, и что 16GB eMMC удовлетворяет обычным потребностям разработки и совместимо с официальным образом системы.
• Официальное демонстрационное хранилище (показано): microSD (не включен). Материал указывает, что пользователям необходимо приобрести карту TF (microSD) и записать образ системы, чтобы запустить плату.
• Если емкость хранения недостаточна для проекта, в материалах указано, что емкость можно расширить с помощью USB-диска или TF-карты.

TF-карта / Примечание о системном образе

• В предоставленных материалах указано: “TF-карта, включенная в список отправки, полностью записана с системным образом.”
• В предоставленных материалах также указано: “Все версии комплекта содержат TF-карту объемом 64 ГБ.”
• В другом примечании указано, что установка официального системного образа + конфигурация AI-окружения может превышать 32 ГБ, и рекомендуется использовать U-диск/TF-карту объемом 64 ГБ или больше.

Учебные видео

Содержание курса / учебника (как указано)

• Обновлено в июне 2026: Учебные пособия по развертыванию и применению OpenClaw (НОВОЕ). Указаны два метода взаимодействия: WAP и голосовые модули.
• Расширенные учебные материалы по ROS (ГОРЯЧО): Основы ROS1 и ROS2 и связанные учебные материалы представлены.
• Расширенные учебные материалы по разработке AI Vision (ГОРЯЧО): включает такие элементы, как учебное пособие по встроенной камере, тест внешней USB-камеры, создание среды Jetson-Inference, создание среды DeepStream и многое другое (как указано в плане ниже).

План курса Jetson Nano B01 (выдержка)

• Начните быстро: 1. Изучите маршрут; 2. Учебное пособие по быстрому старту
• Основное учебное пособие по Jetson Nano B01: 1. Введение в Jetson nano B01; 2. Запись образа системы; 3. Повторное чтение диска с записанной SD-картой; 4. Запуск Jetson Nano B01; 5. Запись официального образа (SDK)
• Основное учебное пособие по плате Jetson Nano B01 SUB: 1. Введение в плату Jetson Nano B01 SUB; 2. Запись образа системы EMMC
• Запуск TF: 1.Jetson Nano SUB TF карта запуск и масштабирование; 2. Записать образ системы на TF карту; 3. Перезаписанный SD диск; 4. Записать TF карту загрузки
• Запуск U диска: 1. Записать загрузку EMMC; 2. Записать систему на U диск; 3. Перезаписанный U диск; 4. Запуск Jetson Nano SUB
• Основной учебник по настройке системы: 1. Введение в систему и рабочий стол Jetson Nano B01; 2. Расширение SD карты; 3. Настройка сети; 4. SSH Telnet & Передача файлов; 5. Удаленный вход VNC; 6. Резервное копирование системы Jetson Nano B01; 7. Увеличение пространства подкачки Jetson Nano B01; 8. Установка и использование Jtop
• Учебник по аппаратному управлению GPIO: 1. Использование API библиотек GPIO; 2. Настройка аппаратной библиотеки Jetson Nano B01; 3. Функция чтения пинов; 4. Управление уровнем выхода пинов; 5. Управление светодиодом; 6. Jetson Nano B01 взаимодействует с внешними устройствами через последовательные порты; 7. I2C связь Jetson Nano B01
• Учебник по продвинутой визуализации AI: 1.Учебник по встроенной камере; 2. Тест внешней USB-камеры; 3. Установка Jupyter lab и Jetcham; 4. Установка TensorFlow (по желанию); 5. Создание среды Jetson-Inference (по желанию); 6. Привет, мир ИИ; 7. Обоснование классификации изображений; 8. Обоснование обнаружения объектов; 9. Семантическая сегментация; 10. Оценка позы; 11. Распознавание действий; 12. Удаление фона; 13. Оценка глубины с помощью монокуляра; 14. Создание среды DeepStream (по желанию); 15. Автомобильная инспекция; 16. Введение в yolo5; 17. Создание среды YOLO5 (по желанию); 18. Обнаружение в реальном времени с помощью yolo5; 19. Ускорение yolo5 + tensorrt; 20. Ускорение yolo5 + tensorrt + Deep Stream (открыть камеру); 21. Создание среды Mediapipe (по желанию); 22. Разработка Mediapipe; 23. Прочитайте меня
• Расширенное использование YOLOv11 / YOLO26 (НОВИНКА): 00. Обязательно прочитайте перед запуском; 01. Создание среды YOLOv11; 02. Использование CLI; 03. Обнаружение объектов; 04. Сегментация экземпляров; 05. Оценка позы; 06.Классификация изображений; 07. Обнаружение объектов с ориентированным ограничивающим прямоугольником; 08. Конвертация модели
• Базовый курс ROS1: 1. Введение в ROS; 2. Структура файлов проекта; 3. Общие команды и инструменты; 4. Издатель; 5. Подписчики; 6. Настройка сообщений темы и использование; 7. Клиент; 8. Сервер; 9. Настройка сообщений сервиса и использование; 10. Выпуск TF и мониторинг
• Курс визуальной обработки изображений ROS1: 1. AR видение; 2. AR QR код; 3. Основы ROS+OpenCV; 4. Приложение ROS+OpenCV; 5. Разработка MediaPipe
• Базовый курс ROS2: 1. Введение в ROS2; 2. Установка ROS2 Humble; 3. Среда разработки ROS2; 4. Рабочая область ROS2; 5. Пакет функций ROS2; 6. Узел ROS2; 7. Связь по теме ROS2; 8. Связь по сервису ROS2; 9. Связь по действию ROS2; 10. Пользовательское сообщение интерфейса ROS2; 11. Случай сервиса параметров ROS2; 12. Пакет мета-функций ROS2; 13. Распределенная связь ROS2; 14. ROS2 DDS; 15.API, связанный со временем ROS2; 16. Общие командные инструменты ROS2; 17. Использование ROS2 rviz2; 18. Инструменты ROS2 rqt; 19. Конфигурация файла запуска ROS2; 20. Инструмент записи и воспроизведения ROS2; 21. Модель URDF ROS2; 22. Платформа симуляции Gazebo ROS2; 23. Преобразование координат TF2 ROS2
• Курс по Docker: 1. Обзор и установка; 2. Общие команды; 3. Понимание и публикация образов; 4. Обработка данных взаимодействия с оборудованием; 5. Вход в контейнер Docker; 6. Обновление образов Docker
• Курс по обработке изображений OpenCV: 1. Базовый курс OpenCV; 2. Приложение ROS+opencv; 3. Распознавание QR-кодов; 4. AR Vision; 5. Mediapipe
• Офлайн учебники по большим моделям ИИ: 0. Инструкции по системным образам больших моделей ИИ; 1. Развертывание окружения больших моделей ИИ; 2. Установка платформы диалога больших моделей; 3. Модель Meta AI Llama 3.2; 4. Модель Alibaba Cloud Qwen2; 5. Модель Alibaba Cloud Qwen3; 6. SUTD TinyLlama; 7. Модель DeepSeek DeepSeek-R1; 8. Microsoft Phi-3; 9. Microsoft Orca Mini; 10. NVIDIA StarCoder2; 11. Google Gemma3 Visual Multimodal Large Model; 12. Офлайн текст в речь (TTS); 13. Офлайн речь в текст (ASR)
• Онлайн учебники по большим моделям: 1. Платформа агрегации API больших моделей OpenRouter; 2. Приложение для многомодального визуального понимания; 3. Приложение для многомодальной визуальной локализации; 4. Приложение для многомодального сканирования таблиц; 5. Приложение для многомодального автономного прокси
• Онлайн большая модель (Голосовое взаимодействие): 0. Подключение аппаратного обеспечения для голосового взаимодействия (ReadMe); 1. Офлайн речь в текст (ASR); 2. Офлайн текст в речь (TTS); 3. Голосовое взаимодействие с большой моделью ИИ; 4. Многомодальное визуальное понимание голосового взаимодействия; 5. Приложение для многомодальной визуальной позиции; 6. Приложение для многомодального сканирования таблиц; 7. Приложение для многомодального автономного прокси; 8. Офлайн голосовой помощник большой модели ИИ
• Развертывание OpenClaw и базовое использование: 1.Развертывание OpenClaw; 2. Приложение плагина OpenClaw WAP; 3. Взаимодействие OpenClaw WebChat; 4. Взаимодействие OpenClaw TUI; 5. Введение в инструменты OpenClaw; 6. Руководство пользователя шлюза OpenClaw Gate; 7. Обзор функций OpenClaw; 8. Введение в хаб OpenClaw (Установка навыков); 9. Управление файлами приложений OpenClaw; 10. Приложение OpenClaw-камера; 12. Выполнение скриптов приложения OpenClaw; 13. Программирование приложения OpenClaw (Управление GPIO периферии &); 14. Приложение OpenClaw-специальный AI Ассистент
• Подготовка OpenClaw перед использованием: 1. Конфигурация аппаратного обеспечения периферии; 2. Конфигурация API-KEY OpenClaw; 3. Модель переключения OpenClaw; 4. Ключевые слова OpenClaw; 5. Конфигурация взаимодействия с голосом AI; 6. Тесты конфигурации 3D схем
• Программирование действий периферии OpenClaw (Управление периферией): 1. Управление сервоприводом; 2. RGB светодиодная лента; 3. OLED
• Расширенная разработка расширений OpenClaw: 1.Датчики температуры и влажности; 2. Приложение для камеры; 1. Услуга по уходу за растениями; 2. Оценка тепла с помощью ИИ; 3. Игра "Угадай пальму" с ИИ; 4. ИИ питомец; 5. Метеорологическая станция с ИИ; 6. Измеритель чувствительности к температуре; 7. Запланированные задачи

Список упаковки (показаны заметки)

• Предоставленные материалы указывают: отдельная работа платы требует адаптера питания и карты памяти на 64 ГБ.

Приложения

• Прототипирование Edge AI: классификация изображений, обнаружение объектов, сегментация, обработка речи
• Обучение ROS и разработка робототехники (система ROS / робот ROS указаны как поддерживаемые цели обучения в предоставленных материалах)
• Компьютерное зрение и проекты на основе камеры через MIPI CSI-2 (2 канала) или USB-камеры (как указано в плане курса)

Для подтверждения заказа (вариант хранения, включенные аксессуары) или вопросов по интеграции (M.2 Ключевые E WiFi карты, камеры, питание), свяжитесь с [email protected] or посетите https://rcdrone.top/ .

Детали