Jetson Nano是英伟达发布的一款小型人工智能（AI）计算主板，最大亮点是带有嵌入式领域相对高端的GPU，并且提供AI和计算机视觉（Computer Vision）的应用程序编程接口（API），可以直接用于注重低功耗的AI应用场景。

Jetson Nano自发布以来，在开源硬件圈子里的热度一向很高，但由于疫情导致全球物料短缺,一芯难求.Nvidia公司对于Jetson Nano开发板的产能急剧下降,市场基本上无货可买,有货的商家也将单价提到极高的价格.为了保证各位开发者能够继续使用Jetson Nano开发板进行各项科研工作,图为信息科技(深圳)有限公司结合Jetson nano开发板特性,综合各项性能,结合Jetson nano模块,自研载板,最终在不懈努力之下研发出了图为Jetson Nano国产套件,一比一大小还原Nvidia Jetson Nano开发板,可完美对接开发板的各种AI特性以及开发优势.本篇评测除了实事求是地展示图为Jetson Nano国产套件的各项性能特点，还将从入门指导角度尽力地为大家排除各种使用障碍。

1.Jetson Nano核心模块硬件概况

GPU：NVIDIA Maxwell 架构，128 个 NVIDIA CUDA 核心

● CPU：四核 ARM Cortex-A57

● 处理器内存：4GB 64 位 LPDDR4

● 存储：16G EMMC

● 视频编码：一路4K@30p、或4路1080p@30、或两路1080p@60

● 视频解码：一路4K@60p、或两路4K@30、或8路1080p@30

● 摄像头：2 x MIPI CSI-2或USB或者网络摄像头

● 摄像头网络：千兆以太网

● 显示器：HDMI 2.0 或 DP1.2

● 高速接口：1 x PCIe、4x USB 3.0I/O

● UART、2x SPI、3x I2C、I2S、GPIOs

图为Jetson Nano国产开发套件由核心板和载板组成，它们通过SO-DIMM接口连接，这种接口常见于笔记本内存。图为Jetson Nano国产开发套件使用的核心板与Nvidia Jetson Nano开发板的核心板不同,国产套件是采用带16g Hynix emmc5.1作为核心存储,官方套件则是采用sd卡作为核心存储.

eMMC (Embedded Multi Media Card）是MMC协会订立、主要针对手机或平板电脑等产品的内嵌式存储器标准规格。eMMC在封装中集成了一个控制器，提供标准接口并管理闪存.eMMC的应用是对存储容量有较高要求的消费电子产品。2011年已大量生产的一些热门产品，如Palm Pre、Amazon Kindle II和Flip MinoHD，都采用了eMMC。

EMMC优点:

1．简化存储器的设计。eMMC是当前最红的移动设备本地存储解决方案，目的在于简化手机存储器的设计，由于NAND Flash芯片的不同品牌包括三星、KingMax、东芝（Toshiba）或海力士（Hynix）、美光（Micron）等，所以都需要根据每家公司的产品和技术特性来重新设计，而过去并没有技术能够通用所有品牌的NAND Flash芯片。

2．更新速度快;

3．加速产品研发速度。

相比于sd卡作为核心存储.emmc速度更快,稳定性更高,适应环境能力更强,更符合当前边缘设备的系统环境搭建.

2.供电与系统启动指导

首先，Nvidia开发板套件里是没有包含显示器、HDMI线和电源等部件，这些需要用户自己准备或购买。使用的电源为5v4a的DC电源或者Micro USB电源,板子上有个供电选择跳线帽，编号J48。当通过Micro-USB供电时，需要保证J48上的跳线帽断开，Micro-USB电源导通，DC电源切断；当通过DC接口供电时，需要保证跳帽接上,这个在实际使用过程中往往会造成使用者的疑惑,怀疑刚收到的设备有问题.但是在图为Jetson Nano国产开发套件上采用唯一DC供电,无需连接跳线帽,直接连接12DC电源适配器即可,在保证简单实用的前提下,相比Nvidia开发套件5v4a的输入更为稳定,面对大型模型时,也不会掉电压力。

图为Jetson Nano开发套件的显示器支持HDMI接口和DP接口。目前市场上HDMI显示器已经比较普及，如果你的显示器只支持VGA的话，得考虑新买一台显示器。如果使用电视机做显示器用，现在市场上主流品牌的液晶电视都同时支持HDMI和DP。

摄像头模块可以使用Jetson Nano推荐的LI-IMX219-MIPI-FF-NANO摄像头模块；也支持第三方的树莓派的Pi Camera V2模块。如果你已经有树莓派V2摄像头，可以直接使用。摄像头接到下图CAM0和CAM1接口。

3.性能测试

Jetson Nano应该算是阉割加降频的Jetson TX1。CPU方面去掉了big.LITTLE中的4个A53，GPU中则直接砍掉了一半的CUDA核心。其实4个A53对于TX1本来就很鸡肋，因为你并不能同时使用8个核心，只能按集群来切换。与TX1相比，Nano中的4个A57频率也从1.9GHz降到了1.43GHz。由于继续使用20nm制程，降频显然是降低功耗的另一主要手段。GPU频率从1GHz降到922MHz，变化不大，也与Switch SoC的最高频率一致。使用Ubuntu Benchmark Tools做了一些跑分测试。可以看出性能大致相当于2008年的主流CPU。                                

总的来说，Nano的CPU性能强于树莓派3B，与树莓派4相差不大。虽然GPU的472GFlops半精度浮点性能大概只有TX2的1/3，但也基本达到Intel HD Graphics 615集显的水平。再加上有CUDA加持，实际性能应该更强。那么树莓派能做的事，Nano都能做，树莓派做不了的事，Nano或许也能做。

3.1测试 TensorFlow

跑一段自己写的非线性回归代码， 速度还是挺快的， 使用 vi 新建 python 文件命名： tensorflowDemo.py然后复制以下代码进去。保存后使用 python3 tensorflowDemo.py 运行， 这段必须在图形化界面下运行，因为会出现一张图表。由于是 TensorFlow2 所以把 import tensorflow as tf 改成了 import tensorflow.compat.v1 as tf 和 tf.disable_v2_behavior()，即代码的前两句，如果是TensorFlow1 则为 import tensorflow as tf。

# -*- coding: utf-8 -*-

import tensorflow.compat.v1 as tf tf.disable_v2_behavior()

import numpy as np

import matplotlib.pyplot as plt

x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis] noise = np.random.normal(0, 0.02, x_data.shape) y_data = np.square(x_data) + noise

x = tf.placeholder(tf.float32, [None, 1]) y = tf.placeholder(tf.float32, [None, 1])

# 输入层一个神经元，输出层一个神经元，中间 10 个

# 第一层

Weights_L1 = tf.Variable(tf.random.normal([1, 10])) Biases_L1 = tf.Variable(tf.zeros([1, 10])) Wx_plus_b_L1 = tf.matmul(x, Weights_L1) + Biases_L1 L1 = tf.nn.tanh(Wx_plus_b_L1)

# 第二层

Weights_L2 = tf.Variable(tf.random.normal([10, 1])) Biases_L2 = tf.Variable(tf.zeros([1, 1]))

Wx_plus_b_L2 = tf.matmul(L1, Weights_L2) + Biases_L2 pred = tf.nn.tanh(Wx_plus_b_L2)

# 损失函数

loss = tf.reduce_mean(tf.square(y - pred))

# 训练

train = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

with tf.Session() as sess: sess.run(tf.global_variables_initializer()) for i in range(2000):

sess.run(train, feed_dict={x: x_data, y: y_data})

print("第{0}次，loss = {1}".format(i, sess.run(loss,feed_dict={x: x_data, y: y_data}))) pred_vaule = sess.run(pred, feed_dict={x: x_data})

plt.figure() plt.scatter(x_data, y_data)

plt.plot(x_data, pred_vaule, 'r-', lw=5)

plt.show()

3.2 YOLOv4 环境搭建和摄像头实时检测

因为用的是opencv4所以使用 yolo3编译可能回出错，可以换成 yolov4 或yolov4-tiny， 同时YOLO V4无论在精度和速度上都较YOLO V3有了很大的提升，为在性能受限的嵌入式设备上部署检测程序提供了可能。yolo v4和yolov4-tiny的区别是：tiny是yolov4 的压缩版，主要运行小算力 cpu 核心版本,在 jetso nano上使用tiny版帧率会比 yolov4提升十多倍。总的来说还是推荐使用yolov4-tiny,帧率提升很多,使用感会提升很多。

闲话少说，开始安装。

下载

git clone https://github.com/AlexeyAB/darknet.git 

配置

cd darknet

sudo vim Makefile #修改 Makefile

将下图标注中的三项值由0修改为1

GPU=1

CUDNN=1

OPENCV=1

编译

在 darknet 路径下编译

make -j4 

放置权重文件

将github上下载好权重文件后,将权重文件yolov4.weights 和 yolov4-tiny.weights 拷贝至 darknet 目录下,

测试

Yolov4 图片的检测

./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jpg # 简写版

./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights data/dog.jpg # 完整版

Yolov4 视频的检测(github 下来的data 里面并没有该视频文件，需要用户自行上传要检测的视频文件到data 文件夹下)

./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights data/123.mp4

  总结

这个就是我们传说中的，英伟达AIOT的一款重量级产品 - Jetson Nano！

千万别小看这快板子，它可是可以跑Ubuntu 18.04， CUDA什么的一应俱全，并且具有4G显存的而且体积非常小的神器.这是一块性能非常强悍的板子，更重要的是软件资源非常丰富，你可以编译依赖库非常复杂的caffe，并且你还可以任意编译任何你的tensorrt加速的模型；这快板子的推理速度可以满足一些基本的需求。比如:

基于yolov3的人流和车流的检测;

基于MTCNN的人脸检测和比对（带人脸建库);

使用TensorRT加速onnx模型;

基于yolov3的手检测器等,

目前人工智能风口开始逐步进入落地应用阶段，更多产品希望能够将人工智能算力运用于实际终端，即实现所谓的边缘计算需求。从根本上来说近几年推动人工智能的核心在于深度学习算法，但是深度学习的推理加速离不开高速GPU的支持，而一般桌面PC或服务器级别的显卡（如英伟达1080Ti等）价格非常昂贵，不适合边缘计算需求，而且体积也过于庞大。因此，英伟达推出的这款嵌入式人工智能开发板Jetson Nano非常契合当前行业需求。