C'est une époque passionnante pour l'informatique à petits facteurs. Comme si le Raspberry Pi n'était pas assez une machine polyvalente, des cartes plus puissantes capables de prouesses incroyables continuent d'apparaître.
Le Jetson Nano de Nvidia est un ajout récent aux rangs des cartes super puissantes compatibles avec l'apprentissage automatique. Qu'est-ce qui le rend spécial? Faut-il en acheter un ? Qu'est-ce que le Nvidia Jetson Nano ?
Le Jetson Nano est un ordinateur monocarte (SBC) de la taille d'un Raspberry Pi, et destiné à l'IA et à l'apprentissage automatique. Apparemment un concurrent direct de la carte Google Coral Dev, c'est la troisième de la famille Jetson aux côtés des cartes de développement TX2 et AGX Xavier déjà disponibles.
Nvidia tire parti de ses prouesses en matière de puissance de traitement graphique pour ces petits ordinateurs, en utilisant des réseaux de neurones parallèles pour traiter plusieurs vidéos et capteurs simultanément.
Alors que les trois cartes Jetson visent à être accessibles à tous, la Nano est destinée aux développeurs amateurs et professionnels. Le kit de développement comprend deux parties :une carte de base pour la connectivité et un système sur module (SOM) pour les unités de traitement réelles.
Le système sur module fait référence à toute carte de développement qui contient toutes les pièces critiques du système dans un module amovible. Le Nano dispose d'un connecteur de bord à 260 broches pour le connecter à une carte mère pour le développement.
Une fois le développement terminé, le SOM peut être supprimé et ajouté à un système intégré avec des entrées personnalisées, et un nouveau SOM se connecte à la carte de base pour un développement ultérieur.
Si tout cela vous semble un peu familier, ça l'est !
Il s'agit de la même configuration que la carte Google Coral Dev, qui est de taille similaire, et vise également l'apprentissage automatique intégré pour les amateurs et les professionnels !
Nvidia a beaucoup intégré le Jetson Nano :
SOM :
Plinthe :
Cela ne choquera personne que Nvidia ait produit une carte bien adaptée aux tâches visuelles. La reconnaissance d'objets est un objectif clé ici, et le SDK Visionworks a de nombreuses applications potentielles dans ce domaine.
Plutôt que d'utiliser une unité de traitement distincte pour les tâches d'apprentissage automatique, le Jetson Nano utilise un GPU Maxwell avec 128 cœurs CUDA pour le gros du travail.
Le projet Jetson Inference présente des démonstrations d'un réseau de neurones pré-formé effectuant une reconnaissance d'objets multiples hautes performances dans une variété d'environnements. Le suivi des fonctionnalités, la stabilisation d'image, la prédiction de mouvement et le traitement de flux simultané multi-sources sont tous inclus dans les packages de démonstration disponibles.
La technologie DeepStream présentée dans la vidéo ci-dessus est peut-être la plus impressionnante. L'exécution d'analyses en direct sur huit flux 1080p simultanés à 30 ips sur un petit ordinateur monocarte est incroyable et montre la puissance potentielle du matériel du Nano.
Compte tenu de ses prouesses pour l'analyse vidéo et son petit facteur de forme, le Jetson Nano brillera presque certainement dans la robotique et les véhicules autonomes. De nombreuses démos montrent ces applications en action.
Compte tenu de sa puissance et de sa taille, il fonctionnera également probablement dans les systèmes embarqués qui reposent sur la reconnaissance faciale et d'objets.
Pour les amateurs comme nous ? Cela semble être un mélange parfait de puissantes possibilités d'apprentissage automatique dans un facteur familier à quiconque a manipulé un Raspberry Pi. Bien que vous puissiez utiliser des cadres d'apprentissage automatique comme TensorFlow sur un Raspberry Pi, le Jetson Nano est beaucoup plus adapté à la tâche.
Le Jetson Nano exécute Ubuntu, bien qu'une image de système d'exploitation spécialisée soit disponible auprès de Nvidia avec un logiciel spécifique à la plate-forme. Bien que l'objectif principal de la carte soit l'apprentissage automatique, il s'agit de Nvidia, vous vous attendez donc à ce qu'il y ait également de la magie graphique.
Vous ne serez pas déçu. Des démos montrant des systèmes de particules, un rendu fractal en temps réel et une gamme d'effets visuels ne se trouvaient que jusqu'à récemment sur les cartes graphiques de bureau phares.
Étant donné que son encodage vidéo est évalué à 4k @ 30fps et son décodage à 60fps, il est prudent de supposer que le Nano sera également parfait pour les applications vidéo.
Il est difficile de dire quelle est la meilleure carte entre la carte Google Coral Dev et la Jetson Nano à ce stade.
Le réseau de neurones TensorFlow de Google est une force dominante dans le domaine de l'apprentissage automatique. Il s'ensuivrait que le propre coprocesseur Edge TPU de Google pourrait mieux fonctionner pour les applications de TensorFlow Lite.
D'autre part, Nvidia a déjà montré une gamme impressionnante de démos basées sur l'apprentissage automatique pour le Jetson Nano. Ceci, ainsi que les graphismes impressionnants dont le Nano est capable, en font un véritable concurrent.
Le prix est un autre aspect que nous n'avons pas encore couvert. La carte Google Coral Dev se vend à 149,99 $ tandis que la Jetson Nano ne coûte que 99 $. À moins que la carte Coral Dev puisse apporter quelque chose d'unique à la table, les amateurs et les petits développeurs pourraient trouver les 50 $ supplémentaires difficiles à justifier.
Il n'y a actuellement aucun prix pour le SOM seul pour l'une ou l'autre des cartes, mais j'imagine que pour la plupart des développeurs amateurs, cela ne sera pas aussi important. D'un point de vue commercial, le contraste performances/prix va être ce qui fera la différence critique entre la Jetson Nano et la carte Coral Dev.
Le Jetson Nano est disponible auprès de Nvidia directement avec des vendeurs tiers.
Acheter :Jetson Nano directement de Nvidia
Bien que la carte Google Coral Dev soit puissante, elle ne se compare pas au Raspberry Pi à certains égards. Le Raspberry Pi est un excellent ordinateur de loisir pour l'électronique de bricolage. Il peut également servir d'ordinateur de bureau en un clin d'œil.
Bien sûr, la carte Coral Dev est puissante, mais leurs propres documents déconseillent de connecter une souris et un clavier. Le système d'exploitation personnalisé de Coral est principalement destiné aux connexions SSH. Cependant, il est probablement capable de supporter n'importe quelle variation de Linux. Cela le remet en place en tant que concurrent direct de Pi
Il y a un problème cependant. Si vous voulez une carte pour apprendre le machine learning, mais qui peut également effectuer d'autres tâches quotidiennes, pourquoi acheter la Coral Dev Board ?
Le Jetson Nano prend en charge un port d'affichage et, comme mentionné précédemment, propose des exemples vidéo impressionnants tout de suite. Le bureau Ubuntu personnalisé sera familier à beaucoup et le prix moins cher en fera une perspective attrayante pour beaucoup, même ceux qui ne sont pas intéressés par l'apprentissage automatique.
A ce stade, il est difficile de dire quelle sera la meilleure planche. On ne sait pas non plus lequel sera le plus accessible aux développeurs domestiques. J'ai hâte de passer du temps avec les cartes Coral Dev et Jetson Nano pour obtenir une réponse définitive !
C'est une période passionnante pour bricoler avec les SBC ! Si vous êtes nouveau et que vous voulez un point de départ, procurez-vous un Raspberry Pi et suivez notre guide de démarrage ultime !
