NVIDIA Jetson Nano 自 2019 年问世后,便在全球 AIOT 边缘计算应用领域掀起一阵狂潮,更在边缘人工智能与视觉联盟(Edge AI and Vision Alliance)公布的 2020 年度最佳视觉产品奖名单中荣膺“最佳 AI 处理器”。这主要是因为 NVIDIA Jetson Nano 芯片完全满足了 AIOT 芯片的六大挑战:性能高、体积小、功耗低、接口足、生态全、成本优。

2020 年 10 月 NVIDIA 又在 Jetson Nano 原有 4GB 内存基础上,推出 2GB 内存版本。不仅承袭了 Jetson Nano 所有 AI 开发环境与 IOT 控制功能,更将到手成本下沉到 500 人民币左右,还能使用中文化系统、安装中文输入法、WPS Office、QQ 等日常用途工具,也能学习或开发 Python、OpenCV 与 AI 深度学习、ROS 自动控制等应用,实用性比一台 x86 笔记本或台式机更高。
从本篇文章起,我们就开始带领大家一起走进 Jetson Nano 2GB 为我们创造的奇妙世界!
Jetson Nano 2GB 开箱
Jetson Nano 2GB 的外包装盒秉承了 NVIDIA Jetson 开发者套件系列简洁的包装设计。请各位购买 Jetson Nano 2GB 开发者套件后务必保留包装盒以及防静电袋至少一年。因为 Jetson Nano 2GB 开发者套件是一年质保。一年内如果有质量问题需要原包装返回给销售商。

开箱后可以看到里面包含了一个 Jetson Nano 2GB 开发者套件和一个说明书:

拆开防静电袋,我们可以很清楚地看到 Jetson Nano 2GB 开发者套件外形非常小巧,只有巴掌大小。

Jetson Nano 2GB 开发者套件的接口包括:1 个 CSI 摄像头接口、3 个 USB 接口与 1 个 HDMI 显示接口。

另外,也建议大家可以把说明书仔细看一下:

使用 Jetson Nano 2GB 开发者套件
还需要准备什么?
Jetson Nano 2GB 开发者套件出厂并没有提供任何的配件。所以如果要想使用该套件,我们还需要准备一些外围设备和配件:
电源:即目前市场上智能手机常用的电源插头(5V3A)和 Type-C 接口的电源线。

TF 卡:TF 卡容量建议至少为 32GB。当然根据使用情况可以是 64GB,甚至是 128GB。在本系列文章后面的教程中,我们就以 64GTF 卡来进行演示。

显示器:Jetson Nano 2GB 开发者套件需要直连 HDMI 显示器。记住:如果用 HDMI 转 VGA 接显示器,会出现黑屏状况。
键盘鼠标:常用键盘鼠标即可。
摄像头:当我们需要做一些机器视觉方面开发的时候,需要用到摄像头。Jetson Nano 2GB 开发者套件可以支持树莓派 V2 CSI 摄像头(IMX219)。

一般的 USB 摄像头也可以免驱支持。

无线网卡:如果不想使用网口联网,那么建议可以准备这样的 USB 无线网卡。

本次 Jetson Nano 2GB 的开箱介绍就到这里啦,在第二篇文章中,我们将会教大家如何启动 Jetson Nano 2GB。
好文章,需要你的鼓励
研究人员基于Meta前首席AI科学家Yann LeCun提出的联合嵌入预测架构,开发了名为JETS的自监督时间序列基础模型。该模型能够处理不规则的可穿戴设备数据,通过学习预测缺失数据的含义而非数据本身,成功检测多种疾病。在高血压检测中AUROC达86.8%,心房扑动检测达70.5%。研究显示即使只有15%的参与者有标注医疗记录,该模型仍能有效利用85%的未标注数据进行训练,为利用不完整健康数据提供了新思路。
西湖大学等机构联合发布TwinFlow技术,通过创新的"双轨道"设计实现AI图像生成的革命性突破。该技术让原本需要40-100步的图像生成过程缩短到仅需1步,速度提升100倍且质量几乎无损。TwinFlow采用自我对抗机制,无需额外辅助模型,成功应用于200亿参数超大模型,在GenEval等标准测试中表现卓越,为实时AI图像生成应用开辟了广阔前景。
AI云基础设施提供商Coreweave今年经历了起伏。3月份IPO未达预期,10月收购Core Scientific计划因股东反对而搁浅。CEO Michael Intrator为公司表现辩护,称正在创建云计算新商业模式。面对股价波动和高负债质疑,他表示这是颠覆性创新的必然过程。公司从加密货币挖矿转型为AI基础设施提供商,与微软、OpenAI等巨头合作。对于AI行业循环投资批评,Intrator认为这是应对供需剧变的合作方式。
中山大学等机构联合开发的RealGen框架成功解决了AI生成图像的"塑料感"问题。该技术通过"探测器奖励"机制,让AI在躲避图像检测器识别的过程中学会制作更逼真照片。实验显示,RealGen在逼真度评测中大幅领先现有模型,在与真实照片对比中胜率接近50%,为AI图像生成技术带来重要突破。