[toc]

jetson-outofbox.JPG

本文介绍了Nvidia Jetson Nano的硬件参数、性能、使用方法及个人主观的使用体验。

1. Jetson简介

Jetson Nano是Nvidia在TX2和Xavier获得成功后推出的低配版GPU运算平台。我在Jetson Nano 2019年3月刚上市的时候就入手了一块开发套件（英国Pimoroni购入，110磅）。这次乘着短暂的假期，来补一下对它的评测。谈一个硬件平台，首先绕不开的就是它的纸面参数。在官方的资料上，Jetson Nano公布的参数如下：

5ea1fa3fce538f099800009c

Nano最大的特色就是包含了一块128核Maxwell架构的GPU，虽然已经是几代前的架构，不过因为用于嵌入式设备，从功耗、体积、价格上也算一个平衡。Nano的计算能力不高，勉强可以使用一些小规模、并且优化过的网络进行推理，训练的话还是不够用的。A53的CPU中规中矩，隔壁的树莓派4已经升级为A72。4GB的内存并不能完全使用，因为其中有一部分（1GB左右）是和显存共享的。Jetson Nano的最大优势还是在体积上，它采用核心板可拆的设计，核心板的大小只有70 x 45 mm，可以很方便的集成在各种嵌入式应用中。同时它的功耗也非常低，有两种模式：

  • 5W（低功耗模式；可以使用USB口供电）
  • 10W（必须使用Power Jack外接5V电源供电）

这两种模式可以在系统菜单中进行修改。当使用Power Jack供电时，外接电源要求5V=2A, 推荐使用5V=4A以应对峰值。如果没有安装风扇，只使用自带的散热片被动散热的话，建议强制5W模式，否则一定死机。

Jetson Nano Developer Kit的整体做工十分好，符合Nvidia的一贯质量，这里分享几个图片：

DSC00697.JPG

▲ Jetson Nano开发套件的背面，可见做工十分精良 ▲

DSC00704.JPG

▲ Jetson Nano套件的核心板为可拆卸设计，将主板拆卸后会露出一路M.2接口的单路PCIE，可接无线网卡 ▲

DSC00703.JPG

▲ Jetson Nano核心板的背面，也是安装SD卡的位置 ▲

Jetson Nano的硬件布局如下 (对应A02版本; B01版本除了电源按钮接口和额外一路CSI外，其他布局基本相同)：

5ea1fa3fce538f099800009c

值得注意的是，Jetson Nano除了之前提到的核心板分离式设计（J2），还包括了一个M.2接口，可以用来外接无线网卡。除此之外，Jetson Nano有与树莓派兼容的外设接口（J41）；风扇接口（J15）；摄像头接口（J13）；以及USB和HDMI。另外J40是按键接口，类似PC主板上的接口，各个接口的说明如下，不用的话直接悬空：

5ea1fa3fce538f099800009c

DSC00698.JPG

▲ Jetson Nano的外设接口，从左至右分别为：电源接口、HDMI、DisplayPort、USB、以太网接口及USB供电接口 ▲

Jetson Nano在上个月（2020年10月）新推出了2GB版本，内存从4GB降为2GB，4个USB3.0变为USB 3.0 x 1 + USB 2.0 x 2 + USB 2.0 Micro x 1，其他参数不变，但价格降为4GB版本的一半。这次降价的主要目的还是为了和类似的硬件平台（如树莓派4）进行竞争。本文基于Jetson Nano 4GB版本，但因为2GB版本使用完全相同的核心和系统，所以内容同样适用于2GB版本。

2. Jetson系列性能与参数对比

Jetson整个系列型号的对比如下：

  Jetson Nano (4GB) Jetson TX1 Jetson TX2/TX2i Jetson Xavier Jetson Xavier Nx
CPU (ARM) 4-core ARM A57 @ 1.43 GHz 4-core ARM Cortex A57 @ 1.73 GHz 4-core ARM Cortex-A57 @ 2 GHz, 2-core Denver2 @ 2 GHz 8-core ARM Carmel v.8.2 @ 2.26 GHz 6-core NVIDIA Carmel ARM®v8.2 64-bit CPU
GPU 128-core Maxwell @ 921 MHz 256-core Maxwell @ 998 MHz 256-core Pascal @ 1.3 GHz 512-core Volta @ 1.37 GHz 384-core NVIDIA Volta™ GPU
Memory 4 GB LPDDR4, 25.6 GB/s 4 GB LPDDR4, 25.6 GB/s 8 GB 128-bit LPDDR4, 58.3 GB/s 16 GB 256-bit LPDDR4, 137 GB/s 8 GB 128-bit LPDDR4x @ 1600 MHz51.2GB/s
Storage MicroSD 16 GB eMMC 5.1 32 GB eMMC 5.1 32 GB eMMC 5.1 16 GB eMMC 5.1
Tensor cores – – – 64 48
Video encoding (1x) 4Kp30, (2x) 1080p60, (4x) 1080p30 (1x) 4Kp30, (2x) 1080p60, (4x) 1080p30 (1x) 4Kp60, (3x) 4Kp30, (4x) 1080p60, (8x) 1080p30 (4x) 4Kp60, (8x) 4Kp30, (32x) 1080p30 2x464MP/sec (HEVC)2x 4K @ 30 (HEVC)6x 1080p @ 60 (HEVC)14x 1080p @ 30 (HEVC)
Video decoding (1x) 4Kp60, (2x) 4Kp30, (4x) 1080p60, (8x) 1080p30 (1x) 4Kp60, (2x) 4Kp30, (4x) 1080p60, (8x) 1080p30 (2x) 4Kp60, (4x) 4Kp30, (7x) 1080p60 (2x) 8Kp30, (6x) 4Kp60, (12x) 4Kp30 2x690MP/sec (HEVC)2x 4K @ 60 (HEVC)4x 4K @ 30 (HEVC)12x 1080p @ 60 (HEVC)32x 1080p @ 30 (HEVC)16x 1080p @ 30 (H.264)
USB (4x) USB 3.0 + Micro-USB 2.0 (1x) USB 3.0 + (1x) USB 2.0 (1x) USB 3.0 + (1x) USB 2.0 (3x) USB 3.1 + (4x) USB 2.0  
PCI-Express lanes 4 lanes PCIe Gen 2 5 lanes PCIe Gen 2 5 lanes PCIe Gen 2 16 lanes PCIe Gen 4 1 x1 + 1x4(PCIe Gen3, Root Port & Endpoint)
Power 5W / 10W 10W 7.5W / 15W 10W / 15W / 30W 10W / 15W

可见Jetson Nano在整个系列中性能最低，但同时其也是其中价格和功耗最低的。也就是说，Jetson Nano更适合使用在算力要求较低的边缘嵌入式AI设备中。举几个我能想到的例子：小型移动机器人、人脸签到打卡、口罩识别、智能门锁、智能音箱等等。

官方给出了常见CNN模型在使用TensorRT下得出的帧率（FP16, batch size = 1）:

fdc5b8d044de7024501e0f3bcf67da88.png

可见大部分模型为可用状态（FPS > 10）,其中ResNet、Mobilenet和Tiny Yolo性能优异，可以达到30帧，已经可以用于移动场景了。注意这里使用的是Nvidia自己优化的TensorRT，而不是标准的Tensor库。Nvidia没有公布太多具体的细节，但是提到使用了kernel auto-tuning、dynamic tensor memory、layer fusion和quantization (FP16/INT8) 等方法来加速网络的执行效率，这点还是非常优秀的。

3. Getting Started

好，做完了基本的介绍，接下来就是一些使用前的准备工作。

3.1 安装风扇

Jetson Nano在使用的时候一定要用一个风扇压一下，不然会因为被动散热能力不够而频繁死机。我用的是Noctua NF-A4x20 5V PWM。散热片的上方有四个安装风扇的固定孔，需要用自攻螺丝固定。我这里为了不造成破坏，用了四个捆扎带固定风扇。

DSC00696.JPG

▲ Jetson Nano安装Noctua 5v风扇 ▲

注意：风扇刚接上去不会转，要等温度到达一定值后才会启动。

3.2 安装无线网卡

Jetson机身只有Ethernet有线网络，不包括无线网卡，使用的时候有时候不是很方便。官方推荐使用的AC8265这款2.4G/5G双模网卡，同时支持蓝牙4.2。我这里使用的是微雪AC8265网卡 + 天线套件：

ac8265.jpg

安装过程非常简单，将核心板拆卸开，露出M2接口，然后将网卡插入，用一个螺丝固定即可：

DSC00705.JPG

▲ 为Jetson Nano安装无线网卡 ▲

这款网卡的驱动已经集成在Jetson中，无需额外安装，进入系统后就可以直接搜索WiFi使用了。

3.3 安装摄像头

Jetson包含CSI相机接口（A01有一路；B02版本有两路），可以接树莓派摄像头(基于MX219)，相机接口在如下位置（安装时注意接口的正反，信号触点面朝里）：

DSC00699.JPG

▲ Jetson Nano CSI相机接口及电源按钮接口 ▲

摄像头连接好后可以通过以下指令测试是否工作:

gst-launch-1.0 nvarguscamerasrc ! 'video/x-raw(memory:NVMM),width=3820, height=2464, framerate=21/1, format=NV12' ! nvvidconv flip-method=0 ! 'video/x-raw,width=960, height=616' ! nvvidconv ! nvegltransform ! nveglglessink -e

当然除了使用CSI接口的摄像头外，也可以使用USB连接网络摄像头。

3.4 安装外壳

这么贵重的电路板还是建议使用一个外壳保护一下的。虽然有些外壳的安装步骤较为繁琐，但是可以有效的防止电路板受到损坏，还是值得的。淘宝上有很多选择，但英国这里可选的余地有限（也很贵），最后买了以下这款全金属外壳：

DSC00711.JPG

▲ Jetson Nano安装好后外壳后的样子。我选的这款金属外壳含电源按钮、天线固定口和相机支架 ▲

注：Jetson Nano随带的纸盒可以折叠成一个简单的底座，也可以凑合使用。

3.5 配置系统

  1. 前往官网下载image (https://developer.nvidia.com/embedded/learn/get-started-jetson-nano-devkit#write)
  2. 将下载的image烧录至SD卡 (使用SD烧录软件，如Etcher)
  3. 连接鼠标、键盘、网络、LCD
  4. 上电并等待启动，不出意外的话会看见Ubuntu的桌面系统
  5. 更新系统: $ sudo apt upgrade

整个安装过程和树莓派一样。因为使用Ubuntu系统，对SD卡的容量要求较高，需要大约15GB的空间。我用了64GB的，但是32GB也没有问题。不过16GB的卡可能不行，我配置完成已经占用了15GB了，还没有考虑之后需要配置环境以及下载DNN模型。如果需要节省空间，可以把内置的Libre Office给卸了：

$ sudo apt-get purge libreoffice*
$ sudo apt-get clean

3.6 安装jtop

jtop是一款开源软件，可以查看Jetson Nano的运行状态，推荐使用。jtop的GitHub链接为：https://github.com/rbonghi/jetson_stats

安装方法是： $ sudo -H pip install -U jetson-stats

3.7 使用VNC远程桌面访问Jetson（可选）

如果觉得连接屏幕使用不方便的话，也可以使用VNC实现headless远程桌面访问Jetson Nano. 需要的步骤是：

  1. 修改配置: $ sudo nano /usr/share/glib-2.0/schemas/org.gnome.Vino.gschema.xml

在最后一个”</key>“之后，”</schema>“之前，添加:

<key name='enabled' type='b'>
   <summary>Enable remote access to the desktop</summary>
   <description>
   If true, allows remote access to the desktop via the RFB
   protocol. Users on remote machines may then connect to the
   desktop using a VNC viewer.
   </description>
   <default>false</default>
</key>
  1. 编译配置: $ sudo glib-compile-schemas /usr/share/glib-2.0/schemas
  2. 添加运行脚本: $ nano ~/openvino 
    #!/bin/bash
export DISPLAY=:0
gsettings set org.gnome.Vino enabled true
gsettings set org.gnome.Vino prompt-enabled false
gsettings set org.gnome.Vino require-encryption false
/usr/lib/vino/vino-server &
  3. 添加执行权限: $ chmod +x ~/openvino
  4. 之后通过VNC软件，如Remmina / RealVNC，就可以连接Nano了。
  5. 如果需要改变屏幕分辨率，可以通过以下命令: $ xrandr --fb 1920x1080

4. Jetson开发资源

我们用Jetson进行开发的初衷就是希望通过使用GPU，实现更丰富的AI计算功能。Jetson为此提供了很好的开发套件，称为JetPack。JetPack (当前最新版本为JetPack 4.3)支持全Jetson系列模块，包括Jetson AGX Xavier, Jetson TX2/TX1以及Jetson Nano. JetPack已经包含在了官方发布的Image中，无需另外安装。JetPack目前主要包括以下组件：

  • TensorRT和cuDNN：用于高性能深度学习应用
  • CUDA：用于GPU加速计算等应用
  • Multimedia API package：用于相机相关的应用及传感器驱动开发
  • VisionWorks和OpenCV：用于计算机视觉开发

相关的示例可以在以下文件夹里找到:

5ea1fa3fce538f099800009c

关于JetPack的更多内容可见： https://www.developer.nvidia.com/embedded/jetpack

除了JetPack，Nvidia还提供了以下开发工具：

5ea1fa3fce538f099800009c

除此之外，官网上还能找到很多Jetson的相关资源：

  1. Nvidia Developer
  2. Jetson Nano User Guide
  3. Online Course: Getting Started with AI on Jetson Nano
  4. Explore at Jetson Projects

这里涉及到的内容很多，无法铺开来说。这些开发工具中最有用的还是OpenCV和TensorRT了，有了这两个基本上就能满足80%的开发需要了。除此之外比较有意思的还有用于机器人的NVIDIA Isaac SDK和用于视频分析的NVIDIA DeepStream SDK，但是目前对Nano的支持还很有限，可以持续关注一下。

5. 运行Jetson Inference

为了体验Jetson的功能，我们使用Jetson Inference示例。Jetson Inference是官方推出的示例教程之一（Tutorial: Hello, AI world）。整个安装流程如下（安装时间较长，需耐心等待）：

# download the repo
$ git clone --recursive https://github.com/dusty-nv/jetson-inference
$ cd jetson-inference

# configure build tree
$ mkdir build
$ cd build
$ cmake ../

# build and install
$ make -j$(nproc)
$ sudo make install
$ sudo ldconfig

安装过程中，会弹出提示，可以根据需要下载所需的预训练DNN模型。整个安装完成后，就可以体验Jetson Nano的示例了。这个Tutorial包含了以下三个示例：

Inference Example 1. Classifying Images with ImageNet

b5ccc214a6798454da0d1a84bc8408a6.png

Inference Example 2. Locating Objects with DetectNet

cfb588fb34b575ba582b064b728d4385.png

Inference Example 3. Semantic Segmentation with SegNet

86d69d1696ddfbe9de08c52f609f1b1b.png

除此之外还包含了若干如何Training的教学，感兴趣的朋友自行前往阅读。

6. 结语

在使用了这么长的时间后，我觉得Jetson Nano的主要用处还是实现一些简单的实时视觉识别，适合一些对体积、功耗、价格有要求却需要AI功能的项目中，其余的大部分功能相比树莓派并没有明显优势，反倒问题很多（初期项目资源非常少、经常发烫死机、系统稳定性不如Raspbian、只有有线网卡、对电源要求高等）。我认为Jetson Nano的定位应该属于“入门级的边缘AI计算”，比较适合想要在现有系统的基础上增加一些深度学习功能的场景，也适合想要学习嵌入式AI部署的深度学习开发人员。想要成为主流的AI开发平台（代替高端的TX2和Xavier或者取代低端的AI芯片，如K210），Nvidia还有很长的路要走。但是作为机器人控制平台，Jetson Nano还是有比较多的可玩性的。我之后应该会利用Jetson Nano平台做一些机器人相关的应用，敬请期待。

参考资料:

  1. Nvidia, L4T - Jetson
  2. Nvidia Developer, Tutorial: Hello, AI world
  3. Nvidia, TensorRT Documentation
  4. Nvidia, cuDNN Documentation
  5. Nvidia, CUDA Documentation
  6. Nvidia, CUDA Profiling
  7. Nvidia Developer, VisionWorks
  8. CAVEDU, Jetson Nano新旧版本差异 - A02 vs B01