Nvidias Angebot an Jetson-Boards ist nicht typisch Himbeer-Pi Alternativen. Nvidias Fokus liegt auf KI-basierter Robotik, Drohnen und Kameras der Einstiegsklasse. Das neueste Board, das Jetson Orin Nano für 499 US-Dollar, erhöht die Rechenleistung und hält das Kit dennoch kompakt.
Der Jetson Orin Nano verbessert die 128 CUDA-Kerne der Nvidia Maxwell GPU mit 1024 Ampere-basierten CUDA-Kernen. Die zusätzlichen Kerne und die neuere Architektur bedeuten, dass der Orin Nano die bis zu 80-fache KI-Leistung des Jetson Nano hat. Die sechs Arm-A78AE-CPU-Kerne liefern fast die siebenfache Leistung des Jetson Nano. Dieselbe KI-Architektur, die das Jetson AGX Orin-Modul antreibt, wird im Orin Nano verwendet, jedoch zu einem viel günstigeren Preis.
Nvidia schickte mir ein Jetson Orin Nano-Muster zur Überprüfung, aber aufgrund einiger logistischer Probleme kam das Gerät mit wenig Zeit für eine vollständige Überprüfung an, daher werde ich hier eine kurze Einführung in das Board geben und kommentieren, was ich gefunden habe. Leider war ich nicht in der Lage, den Hauptanwendungsfall für Orin Nano, Inferenz und maschinelles Lernen, zu testen, da das, was ich an dieser Beta-Level-Software ausprobiert habe, in der begrenzten Zeit, in der ich sie hatte, für mich einfach nicht funktioniert hat. Wir werden in ein paar Tagen einen vollständigen Testbericht mit Inferenz-Benchmarks veröffentlichen, nachdem wir hoffentlich in der Lage waren, einen neueren Build der Orin Nano-Software zu erhalten.
Beachten Sie, dass die mit dem Board bereitgestellte JetPack-Software eine private Vorschau ist und nicht die endgültige Software widerspiegelt, die den Verbrauchern zur Verfügung stehen wird. Sobald die endgültige Softwareversion verfügbar ist, werde ich einen vollständigen Überblick über den Orin Nano geben, einschließlich seiner leistungsstarken KI-Fähigkeiten.
Jetson Orin Nano-Spezifikationen
| Kopfzelle – Spalte 0 | Jetson Orin Nano | Jetson Nano |
|---|---|---|
| Zentralprozessor | Arm Cortex-A78AE v8.2 6-Kern-64-Bit-CPU | Quad-Core ARM Cortex-A57 MPCore-Prozessor |
| 1,5 MB L2 + 4 MB L3 | ||
| Grafikkarte | Nvidia Ampere-Architektur mit 1024 Nvidia CUDA-Kernen und | Nvidia Maxwell-Architektur mit 128 Nvidia CUDA-Kernen |
| 32 Tensorkerne | ||
| Speicher | 8 GB 128-Bit-LPDDR5 | 4 GB 64-Bit-LPDDR4, 1600 MHz 25,6 GB/s |
| 68GB/Sek | ||
| Lagerung | Mikro-SD | 16 GB eMMC 5.1 |
| NVMe M.2 über Trägerplatine | Mikro-SD | |
| Leistung | 7W bis 15W (9-19V) | 20 W (max. 5 V bei 4 Ampere) |
| Maße | 69 x 45 x 21 mm | 69,6 x 45 x 20 mm |
Spezifikationen der Jetson Orin Nano-Trägerplatine
| Kopfzelle – Spalte 0 | Jetson Orin Nano | Jetson Nano |
|---|---|---|
| Kamera | 2x MIPI CSI-2 22-polige Kameraanschlüsse | 12 Spuren (3×4 oder 4×2) MIPI CSI-2 D-PHY 1.1 |
| M.2 Schlüssel M | x4-PCIe-Gen 3 | |
| x2-PCIe-Gen3 | ||
| M.2 Schlüssel E | PCIe (x1), USB 2.0, UART, I2S und I2C | 1x |
| USB | 4 x USB 3.2 Gen2 | 4x USB 3.0 |
| 1 x Typ C für Debug- und Gerätemodus | 1 x USB 2.0 Micro-B | |
| Vernetzung | Gigabit Ethernet | Gigabit Ethernet |
| RTL8822CE 802.11ac PCIe Wireless-Netzwerkadapter | ||
| Anzeige | DisplayPort 1.2 | HDMI 2.0 und eDP 1.4 |
| GPIO | 40-poliger GPIO | 40-poliger GPIO |
| 12-poliger Tastenkopf | ||
| 4-poliger Lüfter-Header | ||
| Leistung | DC 9-19V Barrel Jack | DC Barrel Jack 20 W (max. 5 V bei 4 Ampere) |
| Maße | 100 x 79 x 21 mm (Höhe inklusive Orin Nano-Modul und Kühllösung) | 100 x 80 x 29 mm (Höhe inklusive Jetson Nano-Modul und Kühllösung) |
Auf den ersten Blick sehen der Orin Nano und der Jetson Nano identisch aus. Was den Orin Nano verrät, sind ein in einen Kühlkörper eingebauter Lüfter und das Fehlen eines HDMI-Anschlusses. Der USB-C-Anschluss ersetzt den Micro-USB des Jetson Nano. Der oben erwähnte Lüfter ist flüsterleise, selbst wenn wir mit den vollen 15 W laufen. Wir haben einen der von Nvidia vorgeschlagenen Inferenz-Benchmarks ausgeführt und der Lüfter blieb leise, im Gegensatz zu anderen Lüftern, die wir auf SBCs getestet haben.
Inferenztest
Im Moment ist dieser Abschnitt kurz und nicht sehr süß. Die Behauptung von Nvidia, dass der Orin Nano fast die 30-fache Leistung des Jetson Nano liefert (die auf das 45-fache verbessert werden soll), konnte ich nicht überprüfen.
Die Hauptursachen dafür sind ein kurzer Zeitrahmen und der private Software-Build. Ich wollte das Hello AI World-Beispiel mit einem Raspberry Pi Camera Module 2 demonstrieren, aber ich stieß auf Kameraprobleme, bei denen der Software-Encoder die Kamera nicht erkannte, obwohl sie als kompatibel aufgeführt war. Diese Probleme wurden Nvidia gemeldet, und ich hoffe, dass eine zukünftige Version des JetPack-Betriebssystems diese Probleme lösen wird.
Das Desktop-Erlebnis
Mit JetPack 5, einer benutzerdefinierten Version von Ubuntu 20.04, bieten die 8 GB LPDDR5 und die Arm-CPU mit sechs Kernen genügend Leistung für allgemeine Desktop-Aufgaben. Wir würden jedoch nicht empfehlen, 500 US-Dollar in dieses Board zu investieren, nur um es als Desktop-PC zu verwenden.
Der erste Start war etwas langsamer als wir gehofft hatten, aber Nvidia hat im Reviewer’s Guide angegeben, dass die endgültigen Produktionseinheiten dieses Problem nicht haben werden. Ein weiteres Problem, das wir entdeckt haben, war, dass im Vorschau-Build nur 6,3 GB RAM verfügbar waren. Die vollen 8 GB werden Endbenutzern über einen Fix zur Verfügung stehen. Die Ubuntu-Erfahrung war angenehm, mit der minimalen Anpassung des Desktops, abgesehen von der Installation von Tools, die für die Stärken des Orin Nano spezifisch sind.
Die Installation von Chromium dauerte etwas länger als erwartet. Es scheint den Browser über Snap, die bevorzugte Verpackungsplattform von Canonical, installiert zu haben. Nennen Sie uns altmodisch, aber wir lieben APT immer noch sehr.
Nachdem die Installation abgeschlossen war, öffneten wir Chromium und gingen dann zu YouTube, um uns ein paar HDR- und 4K-Videos anzusehen. Zuerst war der HDR-Videotest von LeePSPVideo, den wir auf Vollbild und 1440p eingestellt haben. Die Videowiedergabe war großartig, da die Statistiken für Nerds zeigten, dass eine winzige Anzahl von Frames für das 1440p-Video mit 30 fps ausgelassen wurden.
Wenn wir keine Statistiken für Nerds verwendet hätten, wäre uns das nie aufgefallen. Das nächste Video, eine Reise durch Costa Rica und seine Tierwelt, wurde mit 1440p im Vollbildmodus abgespielt, aber dieses 60-fps-Video schnitt schlechter ab. Es ließ etwa 4 % der Frames über den gesamten Lauf fallen, wobei die überwiegende Mehrheit am Anfang des Videos stattfand. Trotz dieses Problems war die Wiedergabe großartig.
Beim Orin Nano fehlt ein dedizierter Hardware-Encoder (NVENC). Stattdessen bietet Nvidia einen Software-Encoder an, der die Arm-A78AE-CPU mit sechs Kernen verwendet. Dies scheint ein Downgrade vom Jetson Nano zu sein, aber vielleicht sind die zwei zusätzlichen Arm-CPU-Kerne da, um das auszugleichen?
Das Fehlen eines Hardware-Encoders wirkt sich auch darauf aus, wie wir eine Kamera mit dem Orin Nano verwenden. Auf der linken Seite der Trägerplatine befinden sich zwei 15-polige CSI-Anschlüsse. Diese sind mit CSI-Kabeln kompatibel, die für den hergestellt wurden Raspberry Pi Zero. Wir haben ein Raspberry Pi Camera Module 2 an CAM0 angeschlossen und ein schnelles Skript zum Aufzeichnen von Videos getestet. Leider sollte dies mit unserem Vorschau-Build des Betriebssystems nicht sein. Obwohl der IMX219-Sensor des Raspberry Pi Camera Module 2 kompatibel ist, haben wir es nie geschafft, ein Bild zu bekommen.
Verwendung des GPIO
Bild 1 von 3
Der 40-polige GPIO des Orin Nano befindet sich auf der rechten Seite der Trägerplatine und hier ist unser erstes Problem. Mit welchen Pins verbinden wir uns? Beim Jetson Nano haben wir die Platinenreferenz als Siebdruck neben die Pins drucken lassen.
Für den Orin Nano müssen wir das Brett umdrehen und eine Meisterleistung der geistigen Geschicklichkeit vollbringen, um uns zu merken, wo sich jeder Stift befindet. Dies wurde durch die Python-Beispiele verstärkt, die eine Zuordnung von Broadcom (BCM) verwendeten (Raspberry Pi verwendet auch BCM-Zuordnungen in allen seinen offiziellen Tutorials), was eine weitere Dekodierung erforderte. Das Python-Modul ist RPi.GPIO, ein Modul, das Raspberry Pi-Fans bestens bekannt sein werden. Dieses von Ben Croston erstellte Python-Modul hat Tausende von Pi-Projekten und auch einige Jetson-Projekte unterstützt. Das Modul wurde für den Betrieb auf den Jetson-Boards optimiert und ist diesen Augen so vertraut wie eh und je. Um die BCM-zu-BOARD-Pin-Mappings zu umgehen, haben wir uns trotz unserer jahrelangen Erfahrung im Unterrichten von Raspberry Pi-basierten Inhalten für die physischen (BOARD) Pin-Mappings entschieden.
Es funktionierte und wir hatten ein LED-Blinken. Die GPIO-Pins bieten auch die übliche Fülle von Kommunikationsprotokollen. Von einfachen digitalen IO bis zu UART, SPI, I2C und I2S. Der GPIO des Orin Nano steht nicht im Mittelpunkt des Boards, sondern ist eher eine zusätzliche Funktion für diejenigen, die maschinelles Lernen mit Robotik oder einer Reihe von Sensoren zusammenführen möchten.
Nvidias Jetson Orin Nano Developer Kit ist ab sofort für 499 US-Dollar über autorisierte Distributoren erhältlich.