Orijinal makale Dmitry Maslov tarafından yazılmıştır.
Nvidia Jetson Nano, bir SoM (System on Module) ve bir referans taşıyıcı karttan oluşan bir geliştirici kitidir. Öncelikle makine öğrenimi, makine görüşü ve video işleme uygulamaları için yüksek işlem gücüne ihtiyaç duyan gömülü sistemler oluşturmak amacıyla hedeflenmiştir. Nvidia, gömülü bilgisayar pazarında yeni bir oyuncu değil – şirket daha önce makine öğrenimi uygulamaları için Jetson TK1, TX1, TX2 ve gömülü bilgisayarların bir canavarı olan Jetson AGX Xavier gibi diğer kartları piyasaya sürmüştür.
Jetson Nano hakkında birkaç şey belirgin şekilde farklıdır. Öncelikle, etkileyici fiyat etiketi, 99$. Daha önce Jetson serisi bir kart satın almak istiyorsanız, TX2 için en az 600+ USD ödemeniz gerekiyordu. İkincisi, Nvidia bu sefer başlangıç seviyesindeki kullanıcılar ve makine öğrenimi ile gömülü sistemler hakkında az bilgisi olan kişiler için özel olarak hazırlanmış eğitimler ve kullanıcı kılavuzları ile ekstra kullanıcı dostu olmaktadır. 2017’de Jetson TX1’i bir arkadaş robotu geliştirmek için kullanan biri olarak bu durum benim için özellikle belirgindir. O zaman, o kartta önemli bir şey geliştirmek neredeyse imkansızdı, çünkü
1) gömülü sistemler mühendisi yardımı olmadan
2) Stack Overflow ve NVIDIA forumlarında saatler harcayarak sorunun kaynağını daraltmaya çalışmak zorundaydınız.
Görünüşe göre bu sefer işler farklı olacak 🙂 En azından Nvidia bunu başarmak için çaba gösteriyor. Bu kart, şirketin AI-on-the-edge’i kitlelere ulaştırma çabasını simgeliyor, tıpkı Raspberry Pi’nin gömülü bilgisayarla yaptığı gibi.
Şimdi Jetson Nano’nun “gövdesinin altında” neler olduğunu yakından inceleyelim.
Sistem, 1.43 GHz’de çalışan 128 CUDA çekirdekli Maxwell GPU ve dört çekirdekli ARM A57 CPU etrafında inşa edilmiştir ve 4GB LPDDR4 bellek ile birleştirilmiştir. ARM A57 CPU oldukça hızlıdır ve 4GB bellek de 99$’lık bir kart için oldukça cömert görünse de, kartın makine öğrenimi hızlandırma yeteneklerinin temel taşı GPU’sundadır. Bildiğimiz gibi, GPU’lar yüksek paralellik mimarisi ve yüksek bellek bant genişliği ile eğitim ve çıkarım için çok daha uygundur. Yukarıda bahsedilen “128 CUDA çekirdekli Maxwell GPU” ifadesi size pek anlam ifade etmiyorsa, bu CUDA çekirdeklerini CPU çekirdekleri gibi düşünebilirsiniz; aynı anda daha fazla işlem yapmayı sağlarlar.
Nvidia, Jetson Nano GPU’sunun 472 GFLOPS (Giga Floating Point Operations per Second) işlem gücüne sahip olduğunu iddia ediyor. Bu ilginç bir rakam olsa da, ne yazık ki Nano’yu diğer Nvidia ürünleri ile karşılaştırmak için daha kullanışlıdır, doğrudan rakipleri ile karşılaştırmak için değil, çünkü gerçek çıkarım hızını belirlerken birçok başka faktör devreye girmektedir. Daha iyi bir kıyaslama, popüler makine öğrenimi modellerinin doğrudan karşılaştırılması olacaktır. İşte NVIDIA’nın web sitesinden bir örnek.
Jetson Nano mavi çubuk, Raspberry PI Model 3 turuncu çubuk, Raspberry Pi 3 + Intel Neural Compute Stick 2 kırmızı çubuk ve Google Edge TPU Coral kartı sarı çubuktur.
Görüldüğü gibi, Jetson Nano açıkça Raspberry Pi 3 + Intel Neural Compute Stick 2’den daha avantajlıdır. Coral kartı ile karşılaştırıldığında ise, henüz erken, çünkü bunun için birçok kıyaslama mevcut değil.
Jetson Nano, NVIDIA’nın “kitleler için AI gömülü platformu” üzerindeki görüşüdür. Başarı elde etmek için gerekli tüm özelliklere ve fiyat etiketine sahiptir. Zaman, doğrudan rakipleriyle nasıl performans gösterdiğini gösterecektir.
Donanım incelemesi devamı
Nvidia Jetson Nano Geliştirici Kiti | Donanım incelemesi
Nvidia, örnek taşıyıcı kartın pinleri ve arayüzleri hakkında detaylı bir açıklama yapmıştır bu kılavuzda.
Vurgulanması gereken birkaç şey var:
- Fan dahil olmamasına rağmen, kartın çalışırken belirgin şekilde ısındığını göz önünde bulundurarak, ayrı bir fan almayı düşünmelisiniz.
- WiFi dongle’ları için destek şu anda yetersiz. Üç farklı model denedim ve bunlardan ikisinin Jetson Nano’nun mimarisi için sürücüleri yoktu.
- Resmi olarak HDMI-to-VGA adaptörleri desteklenmiyor, ancak bazı modeller çalışıyor. Hangi adaptörlerin çalıştığına dair bir liste olmadığından, HDMI girişi destekleyen bir ekran bulundurmanız önerilir.
- Kartları güç vermenin 4 yolu vardır: Micro USB (5V, 2A), DC barrel jack (5V, 4A), GPIO ve PoE (Power over Ethernet). Kartta, varsayılan Micro USB güç modundan DC barrel jack veya PoE’ye geçiş yapmak için jumperlar bulunmaktadır.
Yazılım incelemesi devamı:
İlk açılış hazırlığı ve demoların detaylı video incelemesi
Varsayılan görüntü ile birlikte gelen demoları bulmak ve çalıştırmak oldukça zorlayıcıydı. Jetson Nano’nun hedef grubu, Linux hakkında başlangıç ve orta düzey bilgiye sahip kişiler olduğundan, görüntü ile birlikte gelen farklı demoların çalıştırılmasını ve (muhtemelen) üzerine inşa edilmesini kolaylaştırmak gerektiğini düşünüyorum.
Her neyse, şu anda aşağıdaki demoları bulabilirsiniz:
CUDA örnekleri usr/local/cuda-10.0/samples Parçacık, duman simülasyonu vb.
Bunu ev dizininize kopyalayın, ardından çalıştırmak istediğiniz örneğin dizinine gidin ve make komutuyla derleyin. Ardından /.çalıştırılabilir dosyanın adı ile çalıştırın.
Visionworks örnekleri usr/share/visionworks/sources/demos Video işleme, hareket tahmini, nesne takibi vb.
Bunu ev dizininize kopyalayın, ardından demolar dizinine gidin ve make komutunu çalıştırın. Çalıştırılabilir dosyalar birlikte derlenecek ve ~sources/bin/aarch64/linux/releases dizinine yerleştirilecektir.
Ayrıca, makine öğrenimi odaklı TensorRT demoları da bulunmaktadır, bunları videodan çıkardım çünkü çoğu komut satırında çalıştırılıyor ve izlemek için pek ilginç değil.
Şu anda Jetson Nano ile eğlenceli bir proje oluşturmak için Jetbot çerçevesini kullanıyorum; bir Derin Öğrenme Dört Ayaklı robot!
Yeni ürünler hakkında ne görmek istediğinizi forumda bize bildirmekten çekinmeyin! Gelecek projelerinize yardımcı olmak için ihtiyaçlarınızı karşılamak için elimizden geleni yapacağız! Biz dinliyoruz, ardından harekete geçeceğiz! Bizimle abone olun yeni ürünleri ve Seeed’de neler olduğunu öğrenmek için! En son IoT donanım haberlerini kaçırmayın!