自2019年3月19号，NVIDIA（英伟达）发布Jetson Nano以来，配合NVIDIA不断更新的AI教程资料，这一款官方售价99美刀的AI开发套件大受创客和教育者欢迎。如果你想入门AI，但是又苦于囊中羞涩，如果你想接触AI，但是又困于资料匮乏的话，相信我，Jetson Nano Developer Kit会是你不二的选择。 关于Jetson Nano Developer Kit Jetson nano搭载四核Cortex-A57 MPCore 处理器，采用128 核 Maxwell™ GPU。支持JetPack SDK. 支持主流的AI框架和算法，例如TensorFlow， PyTorch, Caffe/Caffe2, Keras, MXNet等。 支持人脸识别，物体识别追踪，对象检测和定位等应用。 技术规格： GPU | NVIDIA Maxwell™ 架构，配备 128 个 NVIDIA CUDA® 核心 | CPU | 四核 ARM® Cortex®-A57 MPCore 处理器 | 内存 | 4 GB 64 位 LPDDR4 | 存储 | Micro SD 卡卡槽（需要另购16G以上SD卡接入） | 视频编码 | 4K @ 30 (H.264/H.265) | 视频解码 | 4K @ 60 (H.264/H.265) | 摄像头 | 12 通道（3x4 或 4x2）MIPI CSI-2 DPHY 1.1 (1.5 Gbps) | 连接 | 千兆以太网 | 显示器 | HDMI 2.0 或 DP1.2 | eDP 1.4 | DSI (1 x2) 2 同步 | UPHY | 1 x1/2/4 PCIE、1x USB 3.0、3x USB 2.0 | I/O | 1x SDIO/2x SPI/4x I2C/2x I2S/GPIO |
板载资源 - Micro SD 卡卡槽: 可接入TF卡（16G以上），烧写系统镜像
- 40PIN GPIO扩展接口（兼容树莓派40PIN接口）
- Micro USB接口：用于5V电源输入或者USB数据传输
- 千兆以太网口: 10/100/1000Base-T 自适应以太网端口
- USB3.0接口：4个USB3.0接口
- HDMI高清接口：用于外接HDMI屏幕
- DisplayPort接口：用于外接DP屏幕
- DC电源接口：用于外接5V电源（外径5.5， 内径2.1）
- MIPS CSI 摄像头接口：兼容树莓派摄像头接口
性能 下面这一份表格是NVIDIA官方给出的性能对比表格，以供参考 DNR表示无法运行。 Model | Application | Framework | NVIDIA Jetson Nano | Raspberry Pi 3 | Raspberry Pi 3 + Intel Neural Compute Stick 2 | Google Edge TPU Dev Board | ResNet-50 (224×224) | Classification | TensorFlow | 36 FPS | 1.4 FPS | 16 FPS | DNR | MobileNet-v2 (300×300) | Classification | TensorFlow | 64 FPS | 2.5 FPS | 30 FPS | 130 FPS | SSD ResNet-18 (960×544) | Object Detection | TensorFlow | 5 FPS | DNR | DNR | DNR | SSD ResNet-18 (480×272) | Object Detection | TensorFlow | 16 FPS | DNR | DNR | DNR | SSD ResNet-18 (300×300) | Object Detection | TensorFlow | 18 FPS | DNR | DNR | DNR | SSD Mobilenet-V2 (960×544) | Object Detection | TensorFlow | 8 FPS | DNR | 1.8 FPS | DNR | SSD Mobilenet-V2 (480×272) | Object Detection | TensorFlow | 27 FPS | DNR | 7 FPS | DNR | SSD Mobilenet-V2 (300×300) | Object Detection | TensorFlow | 39 FPS | 1 FPS | 11 FPS | 48 FPS | Inception V4 (299×299) | Classification | PyTorch | 11 FPS | DNR | DNR | 9 FPS | Tiny YOLO V3 (416×416) | Object Detection | Darknet | 25 FPS | 0.5 FPS | DNR | DNR | OpenPose (256×256) | Pose Estimation | Caffe | 14 FPS | DNR | 5 FPS | DNR | VGG-19 (224×224) | Classification | MXNet | 10 FPS | 0.5 FPS | 5 FPS | DNR | Super Resolution (481×321) | Image Processing | PyTorch | 15 FPS | DNR | 0.6 FPS | DNR | Unet (1x512x512) | Segmentation | Caffe | 18 FPS | DNR | 5 FPS | DNR |
| 
