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

Огляд

Jetson NANO 4GB B01 AI Large Model Developer Kit - це компактний набір для розробників (платформа для розробницької плати), призначений для початку роботи з ШІ. Він може виконувати кілька нейронних мереж паралельно для таких застосувань, як класифікація зображень, виявлення об'єктів, сегментація та обробка мови, і може працювати з потужністю всього 5 ват.

Ця платформа Jetson Nano використовує чотирьохядерний процесор ARM Cortex-A57 та 128-ядерний графічний процесор Maxwell з 4 ГБ пам'яті LPDDR, і підтримує популярні фреймворки та алгоритми ШІ, такі як TensorFlow, PyTorch, Caffe/Caffe2, Keras та MXNet.

Ключові характеристики

• ЦП: Чотирьохядерний ARM A57 @ 1.43 ГГц
• ГП: 128-ядерний Maxwell
• Обчислювальна потужність ШІ: 473 GFLOPS (також вказано як 472 GFLOP у наданому тексті)
• Низьке споживання енергії: всього 5 Вт (також показано як 5 Вт–10 Вт у наданому порівняльному матеріалі)
• Кодування відео: 4K @ 30; 4x 1080p @ 30; 9x 720p @ 30 (H.264/H.265)
• Відео декодування: 4K @ 60; 2x 4K @ 30; 8x 1080p @ 30; 18x 720p @ 30 (H.264/H.265)
• Інтерфейс камери: MIPI CSI-2 DPHY канал *2
• Дисплей: HDMI та DP
• Мережа / розширення: Gigabit Ethernet; M.2 Key E; підтримує M.2 двохдіапазонну високошвидкісну мережеву карту; підтримує USB високошвидкісну мережеву карту
• USB: 4x USB 3.0; USB 2.0 Micro-B
• Інші I/O, що вказані: GPIO, I2C, I2S, SPI, UART
• Вказані джерела живлення: micro USB, DC живлення та PoE (як зазначено в наданому тексті)

Технічні характеристики

Примітки щодо зберігання (Офіційна демонстрація проти версії SUB)

• Надано матеріал для порівняння, який містить два варіанти: Jetson Nano 4GB Developer Kit (SUB) та Jetson Nano 4GB Developer Kit (Офіційна демонстрація).
• SUB зберігання (показано): 16GB eMMC. Матеріал зазначає, що плату можна запустити без зовнішнього зберігання, і що 16GB eMMC відповідає звичайним потребам розробки та сумісна з офіційним образом системи.
• Офіційна демонстрація зберігання (показано): microSD (не включено). Матеріал зазначає, що користувачам потрібно придбати TF-карту (microSD) і записати образ системи, щоб запустити плату.
• Якщо ємності для зберігання недостатньо для проекту, матеріал вказує, що ємність можна розширити за допомогою USB-диска або TF-карти.

TF-карта / Примітка про образ системи

• У наданому матеріалі зазначено: “TF-карта, включена до списку відправлення, вже записана з образом системи.”
• У наданому матеріалі також зазначено: “Усі версії комплекту містять TF-карту об'ємом 64 ГБ.”
• Ще одна примітка вказує, що встановлення офіційного образу системи + конфігурації AI середовища може перевищувати 32 ГБ, і рекомендується використовувати U-диск/TF-карту об'ємом 64 ГБ або більше.

Навчальні відео

Зміст курсу / навчання (як надано)

• Оновлено в червні 2026: Посібники з розгортання та застосування OpenClaw (НОВИНКА). Вказано два методи взаємодії: WAP та голосові модулі.
• Розширені навчальні посібники з ROS (ГАРЯЧЕ): Основи ROS1 та ROS2 та пов'язані навчальні матеріали представлені.
• Розширені навчальні посібники з розвитку AI Vision (ГАРЯЧЕ): включає такі елементи, як навчальний посібник з вбудованої камери, тест USB зовнішньої камери, побудова середовища Jetson-Inference, побудова середовища DeepStream та інше (як зазначено в плані нижче).

План курсу Jetson Nano B01 (витяг)

• Швидкий старт: 1. Вивчіть маршрут; 2. Швидкий старт навчального посібника
• Основний навчальний посібник Jetson Nano B01: 1. Вступ до Jetson nano B01; 2. Записати образ системи; 3. Перезаписати диск з флешованою SD; 4. Jetson Nano B01 запускається; 5. Записати офіційний образ (SDK)
• Основний навчальний посібник для плати Jetson Nano B01 SUB: 1. Вступ до плати Jetson Nano B01 SUB; 2. Записати образ системи EMMC
• Запуск TF: 1.Jetson Nano SUB TF картка запуску та масштабування; 2. Записати образ системи на TF картку; 3. Переписати SD диск; 4. Записати TF картку для завантаження
• Запуск U диска: 1. Записати EMMC для завантаження; 2. Записати систему на U диск; 3. Переписати U диск; 4. Запуск Jetson Nano SUB
• Основний посібник з налаштування системи: 1. Вступ до системи Jetson Nano B01 та робочого столу; 2. Розширення SD картки; 3. Налаштування мережі; 4. SSH Telnet & Передача файлів; 5. VNC віддалений вхід; 6. Резервне копіювання системи Jetson Nano B01; 7. Збільшення простору підкачки Jetson Nano B01; 8. Встановлення та використання Jtop
• Посібник з апаратного контролю GPIO: 1. Використання API бібліотек GPIO; 2. Налаштування апаратної бібліотеки Jetson Nano B01; 3. Функція читання пінів; 4. Контроль виходу рівня пінів; 5. Контроль LED; 6. Jetson Nano B01 спілкується з зовнішніми пристроями через послідовні порти; 7. I2C зв'язок Jetson Nano B01
• Посібник з розширеного зору AI: 1.Навчальний посібник з вбудованої камери; 2. Тест зовнішньої USB-камери; 3. Встановлення Jupyter lab та Jetcham; 4. Встановлення TensorFlow (необов'язково); 5. Побудова середовища Jetson-Inference (необов'язково); 6. Привіт, світ AI; 7. Аргументація класифікації зображень; 8. Аргументація виявлення об'єктів; 9. Семантична сегментація; 10. Оцінка пози; 11. Визнання дій; 12. Видалення фону; 13. Оцінка глибини з однієї камери; 14. Побудова середовища DeepStream (необов'язково); 15. Автомобільна інспекція; 16. Вступ до yolo5; 17. Побудова середовища YOLO5 (необов'язково); 18. Виявлення в реальному часі yolo5; 19. Прискорення yolo5 + tensorrt; 20. Прискорення yolo5 + tensorrt + Deep Stream (відкрити камеру); 21. Побудова середовища Mediapipe (необов'язково); 22. Розробка Mediapipe; 23. Прочитайте мене
• Розширене використання YOLOv11 / YOLO26 (НОВЕ): 00. Обов'язково прочитайте перед запуском; 01. Побудова середовища YOLOv11; 02. Використання CLI; 03. Виявлення об'єктів; 04. Сегментація об'єктів; 05. Оцінка пози; 06.Класифікація зображень; 07. Визначення об'єктів за допомогою орієнтованих обмежувальних рамок; 08. Конверсія моделі
• Основний курс ROS1: 1. Вступ до ROS; 2. Структура проектних файлів; 3. Загальні команди та інструменти; 4. Публікатор; 5. Підписники; 6. Налаштування повідомлень теми та використання; 7. Клієнт; 8. Сервер; 9. Налаштування повідомлень сервісу та використання; 10. Випуск TF та моніторинг
• Курс обробки візуальних зображень ROS1: 1. AR візія; 2. AR QR код; 3. Основи ROS+OpenCV; 4. Застосування ROS+OpenCV; 5. Розробка MediaPipe
• Основи ROS2: 1. Вступ до ROS2; 2. Встановлення ROS2 Humble; 3. Розробницьке середовище ROS2; 4. Робоча область ROS2; 5. Пакет функцій ROS2; 6. Вузол ROS2; 7. Комунікація теми ROS2; 8. Комунікація сервісу ROS2; 9. Комунікація дій ROS2; 10. Повідомлення користувацького інтерфейсу ROS2; 11. Сервіс параметрів ROS2; 12. Пакет мета-функцій ROS2; 13. Розподілена комунікація ROS2; 14. ROS2 DDS; 15.API, пов'язані з часом ROS2; 16. Загальні команди інструментів ROS2; 17. Використання ROS2 rviz2; 18. Інструменти ROS2 rqt; 19. Конфігурація файлу запуску ROS2; 20. Інструмент запису та відтворення ROS2; 21. Модель URDF ROS2; 22. Платформа симуляції ROS2 Gazebo; 23. Перетворення координат ROS2 TF2
• Курс Docker: 1. Огляд та установка; 2. Загальні команди; 3. Розуміння та публікація зображень; 4. Обробка даних взаємодії з апаратним забезпеченням; 5. Вхід у контейнер Docker; 6. Оновлення зображень Docker
• Курс обробки зображень OpenCV: 1. Основний курс OpenCV; 2. Додаток ROS+opencv; 3. Розпізнавання QR-кодів; 4. AR Vision; 5. Mediapipe
• Офлайн навчання великих моделей ШІ: 0. Інструкції з системного зображення великої моделі ШІ; 1. Розгортання середовища великої моделі ШІ; 2. Встановлення платформи діалогу великої моделі; 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 у мову (TTS); 13. Офлайн мова у текст (ASR)
• Онлайн навчання великих моделей: 1. Платформа агрегації API великих моделей OpenRouter; 2. Додаток для мультимодального візуального розуміння; 3. Додаток для мультимодальної візуальної локалізації; 4. Додаток для мультимодального сканування таблиць; 5. Додаток для мультимодального автономного проксі
• Онлайн велика модель (Голосова взаємодія): 0. Підключення апаратного забезпечення для голосової взаємодії (ReadMe); 1. Офлайн мова у текст (ASR); 2. Офлайн текст у мову (TTS); 3. Голосова взаємодія великої моделі ШІ; 4. Мультимодальна візуальна взаємодія з мовою; 5. Додаток для мультимодальної візуальної позиції; 6. Додаток для мультимодального сканування таблиць; 7. Додаток для мультимодального автономного проксі; 8. Офлайн голосовий асистент великої моделі ШІ
• Розгортання OpenClaw та основне використання: 1.Впровадження OpenClaw; 2. Застосування плагіна OpenClaw WAP; 3. Взаємодія OpenClaw WebChat; 4. Взаємодія OpenClaw TUI; 5. Вступ до інструментів OpenClaw; 6. Посібник користувача шлюзу OpenClaw Gate; 7. Огляд функцій OpenClaw; 8. Вступ до хабу OpenClaw (Встановлення навички); 9. Управління файлами застосунку OpenClaw; 10. Застосунок OpenClaw-камера; 12. Виконання сценарію застосунку OpenClaw; 13. Програмування застосунку OpenClaw (Контроль GPIO периферії &); 14. Спеціалізований AI Асистент застосунку OpenClaw
• Підготовка OpenClaw перед використанням: 1. Конфігурація апаратного забезпечення периферії; 2. Конфігурація API-KEY OpenClaw; 3. Модель перемикання OpenClaw; 4. Слова підказки OpenClaw; 5. Конфігурація взаємодії голосу AI; 6. Тести конфігурації 3D-схеми
• Програмування Peripheral Act OpenClaw (Контроль периферії): 1. Контроль сервоприводу; 2. RGB світлодіодна стрічка; 3. OLED
• Розширене розроблення розширення OpenClaw: 1.Датчики температури та вологості; 2. Додаток для камери; 1. Помічник по догляду за рослинами; 2. Оцінка тепла за допомогою ШІ; 3. Гра "Вгадай пальму" за допомогою ШІ; 4. ШІ домашній улюбленець; 5. ШІ метеорологічна станція; 6. Прилад чутливості до температури; 7. Заплановані завдання

Список упаковки (показані нотатки)

• Надані матеріали вказують: окрема робота плати вимагає адаптера живлення та картки пам'яті на 64 ГБ.

Застосування

• Прототипування на основі крайового ШІ: класифікація зображень, виявлення об'єктів, сегментація, обробка мови
• Навчання ROS та розробка робототехніки (система ROS / робот ROS вказані як підтримувані навчальні цілі в наданих матеріалах)
• Комп'ютерне зір і проекти на основі камери через MIPI CSI-2 (2 канали) або USB-камери (як зазначено в плані курсу)

Для підтвердження замовлення (варіант зберігання, включені аксесуари) або питань інтеграції (M.2 Ключові E WiFi карти, камери, живлення), зв'яжіться з [email protected] or відвідайте https://rcdrone.top/ .

Деталі