Phenquestions
Nedan följer våra toppval:
1. NVIDIA Jetson Xavier NX Developer Kit
Jetson Xavier NX-utvecklarpaketet är en enhet på entusiastnivå med ett konsumentnivåpris. Det tar TX2-prestandan och ökar det. Enligt NVidia överträffar NX-prestandamatriserna TX2 ungefär tio gånger på så lite som 10 W. Det kommer säkert att behaga en vanlig tinker. Dess förmåga att utveckla och testa energieffektiva, små formfaktorprojekt med mycket exakt multimodal AI-inferens öppnar grinden för nya genombrott.
Modulens dator har en 6-kärnig NVIDIA Carmel ARM v8.2 CPU, 6 MB L2 + 4 MB L3-cache, 8 GB datorminne och 16 GB hårdvarudiskstorlek. Dessutom är dess GPU baserad på NVIDIAs senaste Volta-arkitektur med 384 CUDA och 48 Tensor Cores. Dessa är ganska speciella för konsumentnivå.
Det enda problemet med det här alternativet är att L4T har en mycket liten supportgemenskap, vilket inte betyder mycket mjukvarustöd. Om du behöver programvara måste du antagligen själv bygga den.
Sammantaget har NVIDIA Jetson Xavier NX Developer Kit en energieffektiv, kompakt Jetson Xavier NX-modul för AI-edge-enheter. Det är en perfekt bärbar lösning för tinkers som tittar på AI- eller robotapplikationer. Och inte bara det, det fungerar också bra för underhållning och produktivitet.
Köp här: Amazon
2. NVIDIA Jetson Nano 4GB Developer Kit
Det näst bästa Nvidia Jeston-utvecklarpaketet på vår lista är kanske den mest underskattade SBC på marknaden. Det ger utmärkt prestanda för att köra moderna AI-arbetsbelastningar i en extraordinär storlek, kraft och prispunkt. Det gör det till en fantastisk liten dator, särskilt för maskininlärning och undervisning.
Jetson Nano är också utmärkt som en allmänt användbar Ubuntu 18.04 LTS skrivbord. Medan bilden är baserad på föregående LTS är den fortfarande en av Nvidias mer polerade bild. Även med bara 4 GB minne går det exceptionellt bra. Nano har en mycket snygg känsla när man kör en riktig Linux-distribution på hela skrivbordet. Ja, även 8GB RaspberryPi 4 kan inte slå prestanda.
Och sedan finns det huvuddraget: GPU, programmering och dess verktyg för maskininlärning. Allt kommer förinstallerat och förkonfigurerat. Du kan också lägga till andra verktyg snabbt via containerbilder. Den enda nackdelen med detta utvecklarsats är att de Maxwell-baserade 128 Cuda-kärnorna är något föråldrade. Men hej, så länge de får jobbet gjort som ett undervisningsverktyg är det allt bra.
Den viktigaste takeaway här är att det är en ganska fristående installation. Om du är ett fan av paj är det lika enkelt som paj (ordlek absolut avsedd). Allt tar bara 10 minuter att gå upp och springa. För priset slår ingenting det, särskilt som ett oberoende inlärningsverktyg.
Köp här: Amazon
3. NVIDIA Jetson AGX Xavier Developer Kit (32 GB)
Medan Nano är bra kan det vara långsamt för seriösa utvecklare. Xavier är Linux ARM64 när det är som bäst. Visst, AGX Xavier är märkbart kostsamt, men det har ett slag när det gäller prestanda. Och det också på bara en 30W effektnivå.
Låt oss prata lite om specifikationerna. Tavlan är en trevlig ARMv8 utvecklarbox komplett med CUDA, TensorRT och NVIDIAs bibliotek. Å andra sidan har modulen åtta ARM v8.2 “Carmel” -processorkärnor, 512-kärnor Volta GPU (med tensorkärnor), 16 GB LPDDR4x-minne, 32 GB eMMC5.1 lagring, 2 NVDLA-inlärningsacceleratorer och en sju-vägs VLIW-processor. Det är imponerande eldkraft.
Vi älskar dock detta kit eftersom det har ett "tyst" läge på. På grund av detta svalnar det passivt med försumbar strypning.
Vi har dock ett mindre grepp. I händelse av en elektrisk händelse har denna enhet inte automatiskt ström. Du kan byta i några stift för att sätta på den automatiskt, men vi försökte inte den här metoden under vår provkörning. Sammantaget, om du tränar nätverk eller gör lite video-AI, testar robotik och andra autonoma maskiner, är AGX Xavier Jetson för dig.
Köp här: Amazon
4. NVIDIA Jetson TX2 Development Kit
Jetson TX2 är en annan utvecklare för experterna som är snyggt optimerad för olika AI-former. Det är ganska svårt för nybörjare att komma igång med detta kit. Men även om du aldrig har tränat ett djupt inlärningsnät finns det mycket att uppskatta här.
När det gäller specifikationer har TX2 en dual-Core NVIDIA Denver 2 CPU och Quad-Core ARM Cortex-A57 MPCore-processor, 4 GB 128-bitars LPDDR4-minne, 256-core NVIDIA: s Pascal GPU och en 16 GB eMMC 5.1 förvaring. Det översätter sig till en föreställning tre gånger snabbare än Raspberry 3. (Jetson TX2 Development Kit kom ut 2017).
För att testa dess prestanda sprang vi djupa nät för bildigenkänning med Tensorflow. Inledningsvis utbildades näten med Amazon AWS. Näten överfördes felfritt till TX2. Men naturligtvis med viss ansträngning. Det här är ingen leksak. Detta är ett pro engineering-verktyg. Det är en modul som driver en självkörande bil eller en videoinspelande fyrhjuling. Dessa uppgifter kräver snabb bearbetningskapacitet med låg energibudget.
Det är därför det inte finns något annat verktyg som det här. Om du behöver en snabb CPU som bara drar 15 watt, verkar NVIDIA Jetson TX2 Development Kit vara ett logiskt val.
Köp här: Amazon
5. NVIDIA Jetson TK1-utvecklingssats
Slutligen har vi en av de äldsta NVIDIA Jetson-utvecklarpaketen. Naturligtvis är det fortfarande värt att undersöka 2021. Om du testar vattnet med Nvidia-utvecklingssatser är TK1 fortfarande en bra ingångspunkt och en billig GPU-plattform för utveckling.
TK1 är byggd kring NVIDIA: s Tegra K1 SOC. Den använder en NVIDIA Kepler-datorkärna som känns lite föråldrad idag. Det är dock fortfarande en fullständig NVIDIA CUDA-plattform som låter dig utveckla och distribuera datorintensiva system för datorsyn, robotik, jordbruk, medicin och mer.
Fotavtrycket för denna modell är ganska stort och långt. Även om systemet går svalt, är fläkten i sig ganska hög på satsen. Eftersom detta är en äldre modell delas RAM-minnet också mellan GPU och CPU, vilket begränsar dess prestanda.
Liksom de alternativ som nämnts tidigare erbjuder NVIDIA hela BSP och mjukvarustack för den här modellen. Detta inkluderar CUDA, OpenGL 4.4 och NVIDIA: s Vision Works-kit. Med en komplett utvecklingssvit, plus kompakt kompatibilitet och support för kameror och andra kringutrustning, ger NVIDIA dig en trevlig introduktionslösning för att komma igång med inbyggda system.
Köp här: Amazon
Köphandbok för det bästa NVIDIA Jetson-utvecklarpaketet
NVIDIA har ingen brist på Jetson Developer Kits. Så håll dessa viktiga faktorer i åtanke när du tittar på marknaden för ett köp:
Fotavtryck
Det första du måste lägga märke till när du packar upp det bästa NVIDIA Jetson Developer Kit bör vara din första fråga: fotavtrycket. Hur mycket utrymme behöver satsen i din arbetsyta? Är det tungt?? Är fläkten placerad för högt? Satser med större fotavtryck är inte bärbara. Om ditt barn inte är bärbart, vad är poängen med att få en i första hand?
Enkel användning
Utvecklarpaketet ska vara redo att användas omedelbart. Det bör inte begränsa din nyfikenhet att utforska AI med olika sensorer och kringutrustning.
Stöd
Nästa funktion du bör titta på är support och kompatibilitet. Först och främst är stödet för moderna AI-ramar som TensorFlow, PyTorch och MXNet. Det bör också stödja så många populära sensorer i AI-samhället som möjligt. Att ha en stor och levande utvecklargemenskap är också till nytta. Du kan sedan felsöka problem, dela projekt med öppen källkod såväl som verkliga applikationer.
Hur man använder (eller till och med använder?)
När du har fått din produkt laddar du operativsystemet och ansluter till internet. Öppna sedan en webbläsare textredigerare och låt den sitta där i cirka 6 timmar eller mer. Att låta det vila över natten är vanligtvis bättre. Efteråt, om det inte finns några tecken på omstart, bör du vara bra att gå. Men om du märker omstart, se om det finns någon kärnkraschfil under “/ var / log”? Öppna den och sök efter “kernel oops”. Om det dyker upp, slösa inte bort din energi eller tid. Bara returnera produkten!
Slutgiltiga tankar
AI vid kanten kan frigöra otrolig potential i allt. Oavsett om det är sjukvård, tillverkning eller jordbruk, med det bästa NVIDIA Jetson-utvecklarpaketet kan din uppgift till hands otroligt givande. Dessa kit minskar dina utvecklingskostnader för programvara och ger en skalbar AI-strategi för dina autonoma maskiner. Vi hoppas att den här artikeln hjälpte dig att bestämma dig. Det var allt tills vidare. Tack för att du läste.
