La gama de placas Jetson de Nvidia no es típica frambuesa pi alternativas. El enfoque de Nvidia está en la robótica, los drones y las cámaras basados en IA de nivel de entrada. Su placa más reciente, la Jetson Orin Nano de $499, aumenta la potencia de procesamiento y mantiene el kit compacto.
Jetson Orin Nano mejora los 128 núcleos CUDA de la GPU Nvidia Maxwell con núcleos CUDA basados en 1024 amperios. Los núcleos adicionales y la arquitectura más nueva significan que el Orin Nano tiene hasta 80 veces el rendimiento de IA del Jetson Nano. Los seis núcleos de CPU Arm A78AE proporcionan casi siete veces el rendimiento del Jetson Nano. La misma arquitectura de IA que alimenta el módulo Jetson AGX Orin se utiliza en el Orin Nano, pero a un precio mucho más asequible.
Nvidia me envió una muestra de Jetson Orin Nano para su revisión, pero debido a algunos problemas logísticos, la unidad llegó con poco tiempo para una revisión completa, así que aquí proporcionaré una breve introducción a la placa y comentaré lo que encontré. Desafortunadamente, no pude hacer ninguna prueba del caso de uso principal de Orin Nano, inferencia y aprendizaje automático, porque lo que probé en este software de nivel beta simplemente no funcionó para mí en el tiempo limitado que tuve. Publicaremos una revisión completa con puntos de referencia de inferencia en unos días, después de que, con suerte, hayamos podido obtener una versión más nueva del software de Orin Nano.
Tenga en cuenta que el software JetPack proporcionado con la placa es una vista previa privada y no refleja el software final que estará disponible para los consumidores. Una vez que la versión final del software esté disponible, proporcionaré una revisión completa del Orin Nano, incluidas sus poderosas capacidades de IA.
Jetson Orin Nano Especificaciones
| Celda de encabezado – Columna 0 | Supersónico Orin Nano | Supersónico Nano |
|---|---|---|
| UPC | CPU Arm Cortex-A78AE v8.2 de 64 bits de 6 núcleos | Procesador ARM Cortex-A57 MPCore de cuatro núcleos |
| 1,5 MB L2 + 4 MB L3 | ||
| GPU | Arquitectura Nvidia Ampere con 1024 núcleos Nvidia CUDA y | Arquitectura Nvidia Maxwell con 128 núcleos Nvidia CUDA |
| 32 núcleos tensoriales | ||
| Memoria | LPDDR5 de 8 GB y 128 bits | 4 GB LPDDR4 de 64 bits, 1600 MHz 25,6 GB/s |
| 68 GB/s | ||
| Almacenamiento | MicroSD | eMMC 5.1 de 16 GB |
| NVMe M.2 a través de placa portadora | MicroSD | |
| Fuerza | 7W a 15W (9-19V) | 20 W (máx. 5 V a 4 amperios) |
| Dimensiones | 69x45x21mm | 69,6x45x20mm |
Especificaciones de la placa portadora Jetson Orin Nano
| Celda de encabezado – Columna 0 | Supersónico Orin Nano | Supersónico Nano |
|---|---|---|
| Cámara | 2 conectores de cámara MIPI CSI-2 de 22 pines | 12 carriles (3×4 o 4×2) MIPI CSI-2 D-PHY 1.1 |
| M.2 Clave M | x4 PCIe Gen 3 | |
| x2 PCIe de 3.ª generación | ||
| M.2 Clave E | PCIe (x1), USB 2.0, UART, I2S e I2C | 1x |
| USB | 4 x USB 3.2 Gen2 | 4x USB 3.0 |
| 1 x Tipo C para modo de depuración y dispositivo | 1 x USB 2.0 Micro-B | |
| Redes | Gigabit Ethernet | Gigabit Ethernet |
| Adaptador de red inalámbrica RTL8822CE 802.11ac PCIe | ||
| Mostrar | DisplayPort 1.2 | HDMI 2.0 y eDP 1.4 |
| GPIO | GPIO de 40 pines | GPIO de 40 pines |
| Encabezado de botón de 12 pines | ||
| Cabezal de ventilador de 4 pines | ||
| Fuerza | Conector cilíndrico de 9-19 V CC | Conector cilíndrico de CC de 20 W (máx. 5 V a 4 amperios) |
| Dimensiones | 100 x 79 x 21 mm (La altura incluye el módulo Orin Nano y la solución de refrigeración) | 100 x 80 x 29 mm (la altura incluye el módulo Jetson Nano y la solución de enfriamiento) |
A primera vista, el Orin Nano y el Jetson Nano parecen idénticos. Lo que delata al Orin Nano es un ventilador integrado en un disipador térmico y la falta de un puerto HDMI. El puerto USB-C reemplaza al micro USB del Jetson Nano. El ventilador antes mencionado es silencioso, incluso cuando estamos funcionando a 15W completos. Ejecutamos uno de los puntos de referencia de inferencia sugeridos por Nvidia y el ventilador permaneció en silencio, a diferencia de otros ventiladores que probamos en SBC.
Pruebas de inferencia
Ahora mismo esta sección es corta, y no muy dulce. No pude verificar las afirmaciones de Nvidia de que el Orin Nano ofrece casi 30 veces el rendimiento del Jetson Nano (que espera mejorar hasta 45 veces).
Las causas principales de esto son una escala de tiempo corta y la compilación de software privado. Quería demostrar el ejemplo de Hello AI World con un módulo de cámara Raspberry Pi 2, pero encontré problemas con la cámara que hicieron que el codificador de software no detectara la cámara, a pesar de que figuraba como compatible. Estos problemas se han planteado a Nvidia, y espero que una futura versión del sistema operativo JetPack los resuelva.
La experiencia de escritorio
Al ejecutar JetPack 5, una versión personalizada de Ubuntu 20.04, los 8 GB de LPDDR5 y la CPU Arm de seis núcleos brindan suficiente potencia para tareas generales de escritorio. Sin embargo, no recomendaríamos invertir $500 en esta placa solo para usarla como PC de escritorio.
El primer arranque fue un poco más lento de lo que esperábamos, pero Nvidia ha declarado en la guía del revisor que las unidades de producción final no tendrán este problema. Otro problema que detectamos fue que solo había 6,3 GB de RAM disponibles en la versión preliminar. Los 8 GB completos estarán disponibles para los usuarios finales a través de una corrección. La experiencia de Ubuntu fue agradable, con una cantidad mínima de personalización realizada en el escritorio, sin necesidad de instalar herramientas específicas para los puntos fuertes de Orin Nano.
La instalación de Chromium tomó un poco más de lo que esperábamos. Aparentemente instaló el navegador a través de Snap, la plataforma de empaquetado preferida de Canonical. Llámenos anticuados, pero todavía tenemos mucho amor por APT.
Con la instalación completa, abrimos Chromium y luego fuimos a YouTube para ver un par de videos HDR y 4K. Primero fue la prueba de video HDR de LeePSPVideo, que configuramos en pantalla completa y en 1440p. La reproducción de video fue excelente, ya que las estadísticas para los nerds mostraron una pequeña cantidad de fotogramas perdidos para el video de 1440p a 30 fps.
Si no hubiéramos usado estadísticas para nerds, nunca nos hubiéramos dado cuenta. El siguiente video, un viaje por Costa Rica y su vida silvestre, se reprodujo a pantalla completa de 1440p, pero a este video de 60 fps le fue peor. Cayó alrededor del 4% de los cuadros durante toda su ejecución, la gran mayoría al comienzo del video. A pesar de ese problema, la reproducción fue excelente.
Falta en el Orin Nano un codificador de hardware dedicado (NVENC). En cambio, Nvidia ofrece un codificador de software que utiliza la CPU Arm A78AE de seis núcleos. Esto parece una degradación del Jetson Nano, pero ¿tal vez los dos núcleos de CPU Arm adicionales están ahí para compensarlo?
La falta de un codificador de hardware también afecta la forma en que usamos una cámara con el Orin Nano. Hay dos conectores CSI de 15 pines en el lado izquierdo de la placa portadora. Estos son compatibles con los cables CSI fabricados para el Frambuesa pi cero. Conectamos un módulo de cámara Raspberry Pi 2 a CAM0 y probamos un script rápido para grabar video. Lamentablemente, esto no iba a ser con nuestra versión preliminar del sistema operativo. A pesar de que el sensor IMX219 del Raspberry Pi Camera Module 2 es compatible, nunca logramos obtener una imagen.
Usando el GPIO
Imagen 1 de 3
El GPIO de 40 pines del Orin Nano está en el lado derecho de la placa portadora y aquí está nuestro primer problema. ¿A qué pines nos estamos conectando? En el Jetson Nano teníamos la referencia de la placa impresa en serigrafía junto a los pines.
Para el Orin Nano, tenemos que voltear el tablero y realizar una proeza de destreza mental para recordar dónde está cada bolo. Esto se vio agravado por los ejemplos de Python que usaban un mapeo de Broadcom (BCM) (Raspberry Pi también usa mapeos de BCM en todos sus tutoriales oficiales) que requerían más decodificación. El módulo de Python es RPi.GPIO, un módulo que los fanáticos de Raspberry Pi conocerán íntimamente. Creado por Ben Croston, este módulo de Python ha impulsado miles de proyectos Pi y también bastantes proyectos Jetson. El módulo ha sido modificado para ejecutarse en las placas Jetson y es tan familiar como siempre para estos ojos. Para sortear las asignaciones de pines de BCM a BOARD, elegimos las asignaciones de pines físicos (BOARD), a pesar de nuestros años de experiencia enseñando contenido basado en Raspberry Pi.
Funcionó y teníamos un LED parpadeando. Los pines GPIO también proporcionan la plétora habitual de protocolos de comunicación. Desde E/S digital simple hasta UART, SPI, I2C e I2S. El GPIO de Orin Nano no es el foco de la placa, sino más bien una característica adicional para aquellos que desean fusionar el aprendizaje automático con la robótica o una serie de sensores.
El kit de desarrollo Jetson Orin Nano de Nvidia ya está disponible por $499 a través de distribuidores autorizados.