Sommario:
- Passaggio 1: ottieni PCB per il tuo progetto prodotto
- Passaggio 2: informazioni su Jetson Nano
- Passaggio 3: per iniziare: parti
- Passaggio 4: preparazione della scheda SD
- Passaggio 5: avvio di Jetson Nano
- Passaggio 6: installazione delle demo:
- Passaggio 7: più passaggi
Video: Nvidia Jetson Nano Tutorial - Primo sguardo con AI e ML: 7 passaggi
2024 Autore: John Day | [email protected]. Ultima modifica: 2024-01-30 10:01
Ehi, che succede ragazzi! Akarsh qui da CETech.
Oggi daremo un'occhiata a un nuovo SBC di Nvidia che è il Jetson Nano, il Jetson Nano è focalizzato su tecniche di intelligenza artificiale come il riconoscimento delle immagini, ecc. Inizieremo prima questo bambino e poi vedremo come possiamo operare su di esso. Guarda il video qui sopra che potrebbe renderti le cose più chiare:) Ora iniziamo.
Passaggio 1: ottieni PCB per il tuo progetto prodotto
Devi controllare PCBGOGO per ordinare PCB online a basso costo!
Ottieni 10 PCB di buona qualità prodotti e spediti a casa tua per 5 $ e alcune spese di spedizione. Avrai anche uno sconto sulla spedizione sul tuo primo ordine. PCBGOGO ha la capacità di assemblaggio PCB e produzione di stencil, oltre a mantenere buoni standard di qualità.
Controllali se hai bisogno di produrre o assemblare PCB.
Passaggio 2: informazioni su Jetson Nano
Alcune specifiche:
- GPU: GPU NVIDIA Maxwell™ a 128 core
- CPU: CPU ARM® A57 quad-core
- Memoria: 4 GB LPDDR4 a 64 bit
- Memoria: flash eMMC 5.1 da 16 GB
- Codificatore video: 4K @30 (H.264/H.265)
- Decodificatore video: 4K a 60 (H.264/H.265)
- Fotocamera: 12 corsie (3×4 o 4×2) MIPI CSI-2 DPHY 1.1(1.5Gbps)
- Connettività: Gigabit Ethernet
- Schermo: HDMI 2.0 o DP1.2 |eDP 1.4| DSI (1x2)
- UPHY: 1x1/2/4 PCIE, 1xUSB3.0, 3xUSB2.0
- I/O: 1xSDIO/ 2xSPI /6xI2C /2xI2S /GPIO
- Dimensioni: 100 x 80 x 29 mm/3,94 x 3,15 x 1,14"
Passaggio 3: per iniziare: parti
Per iniziare e avviare Jetson Nano sono necessari i seguenti hardware:
- Il Jetson Nano: Link
- Schermo HDMI, ho usato un touchscreen da 7 pollici di DFRobot
- Tastiera e mouse, ho ricevuto una combinazione wireless da DFRobot
- Scheda SD di almeno 16GB e classe 10
- Un minimo di alimentazione micro USB 5V 2Amp
- Cavo Ethernet o una scheda WiFi per aggiungere l'accesso a Internet a Jetson Nano
Passaggio 4: preparazione della scheda SD
1) Scarica l'immagine della scheda SD del kit per sviluppatori Jetson Nano e annota dove è stata salvata sul computer.
2) Scarica un software di flasher di immagini per il tuo sistema operativo, ho usato lo strumento Win32 Disk imager su Windows per eseguire il flashing della scheda SD con l'immagine scaricata nel passaggio 1.
3) Collega la tua scheda SD al tuo computer/laptop e poi usando lo strumento flasher sul tuo computer fai lampeggiare l'immagine scaricata sulla scheda SD.
4) Una volta che l'immagine viene visualizzata sulla scheda SD, la scheda è pronta per essere inserita nel Jetson Nano
Passaggio 5: avvio di Jetson Nano
Una volta che tutti i cavi sono collegati al Jetson e l'alimentazione è accesa, vedrai gli script di installazione in esecuzione sullo schermo.
È necessario seguire semplici passaggi di configurazione come l'impostazione di area/lingua/ora e il sistema si riavvierà per mostrare il logo Nvidia.
Passaggio 6: installazione delle demo:
Innanzitutto, aggiorna e aggiorna il software:
- sudo apt-get update
- su udo apt upgrade
Una volta eseguiti gli aggiornamenti, installeremo la demo di VisionWorks, per installare dobbiamo prima navigare nella cartella con lo script di installazione con il seguente comando:
cd /usr/share/visionworks/sources/
Dobbiamo copiare lo script nella posizione principale e navigare nella posizione principale:
- ./install-samples.sh ~
- cd ~
Nella cartella principale, troverai la cartella visionworks works all'interno della quale devi eseguire il comando make.
- cd /VisionWorks-1.6-Sample/
- fare
Una volta eseguito il comando make, puoi navigare nel seguente percorso per eseguire le demo
- cd /bin/aarch64/linux/release/
- ls
In questa cartella, vedrai le demo multiple che puoi eseguire nel modo seguente:
./nvx_demo_feature_tracker
Una volta eseguito il comando vedrai una finestra come quella nelle immagini.
Passaggio 7: più passaggi
Una volta fatto questo, puoi giocare con altre funzionalità di Jetson, andando avanti aggiungeremo un modulo fotocamera Raspberry Pi al Jetson e realizzeremo alcuni progetti di riconoscimento delle immagini.
Resta sintonizzato sul mio canale per saperne di più!
Consigliato:
Trasferisci l'apprendimento con NVIDIA JetBot - Divertiti con i coni del traffico: 6 passaggi
Trasferisci l'apprendimento con NVIDIA JetBot - Divertiti con i coni stradali: insegna al tuo robot a trovare un percorso in un labirinto di coni stradali utilizzando la fotocamera e un modello di apprendimento profondo all'avanguardia
Per installare il software Arduino (IDE) su Jetson Nano Developer Kit: 3 passaggi
Per installare il software Arduino (IDE) su Jetson Nano Developer Kit: Avrai bisogno di un Jetson Nano Developer Kit? Una connessione Internet alla tua scheda Jetson utilizzando il jack ethernet o una scheda wifi installata
Iniziare con RPLIDAR a basso costo utilizzando Jetson Nano: 5 passaggi
Per iniziare con il RPLIDAR a basso costo Utilizzo di Jetson Nano: breve panoramica Il rilevamento e la portata della luce (LiDAR) funzionano allo stesso modo dei telemetri a ultrasuoni con impulso laser invece delle onde sonore. Yandex, Uber, Waymo e così via stanno investendo pesantemente nella tecnologia LiDAR per i loro veicoli a guida autonoma
Introduzione al kit per sviluppatori NVIDIA Jetson Nano: 6 passaggi
Introduzione a NVIDIA Jetson Nano Developer Kit: breve panoramica di Nvidia Jetson NanoJetson Nano Developer Kit è un piccolo e potente computer a scheda singola che consente di eseguire più reti neurali in parallelo per applicazioni come classificazione delle immagini, rilevamento di oggetti, segmentazione e voce p
Tutorial per il rilevamento di oggetti con robot quadruplo Jetson Nano: 4 passaggi
Jetson Nano Quadruped Robot Object Detection Tutorial: Nvidia Jetson Nano è un kit di sviluppo, che consiste in un SoM (System on Module) e una scheda portante di riferimento. È principalmente mirato alla creazione di sistemi embedded che richiedono un'elevata potenza di elaborazione per l'apprendimento automatico, la visione artificiale e video