[Big Data, Машинное обучение, Hadoop, Видеокарты] Стриминг Edge2AI на NVIDIA JETSON Nano 2Гб с использованием агентов MiNiFi в приложениях FLaNK (перевод)

Ответить на тему

Автор

Сообщение

news_bot ^®

Стаж: 6 лет 9 месяцев
Сообщений: 27286

news_bot ^® написал(а)
03-Мар-2021 12:30

Цитировать

Мне некогда было снимать своё видео распаковки - не терпелось запустить это превосходное устройство. NVIDIA Jetson Nano 2GB теперь можно купитьвсего за 59 долларов!!!
Я провел пробный запуск, у него есть все функции, которые вам нравятся для Jetson, всего на 2 Гб оперативной памяти и 2 USB порта меньше. Это очень доступное устройство для создания классных кейсов.Распаковка: https://www.youtube.com/watch?v=dVGEtWYkP2c&feature=youtu.beПодключение к приложениям ИИ-сообщества: https://youtu.be/2T8CG7lDkcUОбразовательные проекты: https://www.nvidia.com/en-us/autonomous-machines/embedded-systems/jetson-nano/education-projects/Технические характеристики:
Графический процессор: NVIDIA Maxwell™ со 128 ядрами CUDA
Процессор: Четырехъядерный ARM® A57 с частотой 1,43 ГГц
Память: 2 Гб LPDDR4, 64-bit 25,6 Гбит/с
Накопитель: microSD (не входит в комплект)
Кодирование видео: 4K с частотой 30 Гц | 4 потока в разрешении 1080p с частотой 30 Гц | 9 потоков в разрешении 720p с частотой 30 Гц (H.264/H.265)
Декодирование видео: 4K с частотой 60 Гц | 2 потока в разрешении 4K с частотой 30 Гц | 8 потоков в разрешении 1080p с частотой 30 Гц | 18 потоков в разрешении 720р с частотой 30 Гц (H.264/H.265)
Соединение: Беспроводное подключение Gigabit Ethernet, 802.11ac*
Камера: 1 разъем MIPI CSI-2
Разъемы дисплея: Разъем HDMI
USB: 1x USB 3.0 Type A, 2x USB 2.0 Type A, 1x USB 2.0 Micro-B
Прочие разъемы: Разъем 40-пин (GPIO, I2C, I2S, SPI, UART)
Разъем: 12-пин (питание и связанные сигналы, UART)
Разъем вентилятора: 40-пин *
Размеры: 100 x 80 x 29 ммВ зависимости от того, где или как вы покупаете устройство, вам, возможно, придется купить блок питания и USB WiFi.Все мои существующие рабочие нагрузки отлично работают в версии на 2 ГБ, но с очень хорошей экономией средств. Настройка проста, система быстрая, я настоятельно рекомендую всем, кто ищет быстрый способ поэкспериментировать с ИИ на периферии и другими пограничными рабочими нагрузками. Это может быть отличный вариант для самостоятельного обучения. Я также подключил свой Jetson к монитору, клавиатуре и мыши, и я могу использовать его сразу же как для вычислений на периферии, так и в качестве основного рабочего ПК. С большим количеством таких устройств можно будет легко запустить MiNiFi агентов, модель классификации на Python и модели Deep Learning.NVIDIA не остановилась на самом дешевом пограничном устройстве, у них также есть несколько серьезных корпоративных обновлений: Cloudera превозносит на новый уровень корпоративное озеро данных благодаря сотрудничеству с NVIDIA!Пример запуска модели глубокого обученияИсходники и настройки: https://github.com/tspannhw/SettingUpAJetsonNano2GB/blob/main/README.mdУстройство NVIDIA Jetson Nano 2GB великолепно - ничего лишнего. Я скопировал своего агента MiNiFi и код из других Jetson Nanos, Xavier NX и TX1, и все работает нормально. Скорость вполне подходит для большинства потребностей, особенно для задач разработки и прототипирования. Я предпочитаю Xavier, но за эту цену выбор достойный. Для большинства сценариев использования IoT/ИИ на периферии я собираюсь задействовать несколько Jetson Nano. Я уже использовал NVidia Jetson 2GB для демонстрации на некоторых мероприятиях, включая ApacheCon, BeamSummit, Open Source Summit и AI Dev World:
https://www.linkedin.com/pulse/2020-streaming-edge-ai-events-tim-spann/Для захвата неподвижных изображений и создания их каталога для обработки я установил fswebcam.Обычно я использую этот гайд: https://github.com/dusty-nv/jetson-inference.
Вы получите отличные библиотеки, руководства, документацию и примеры. Обычно я создаю свои приложения, пользуясь одним из этих примеров, а также использую одну из превосходных готовых моделей NVIDIA. Это значительно ускоряет разработку и развертывание Edge2AI-приложений, будь то задачи IoT или другие цели. Это все работает со стандартными подключаемыми камерами Raspberry Pi и отличными USB веб-камерами Logitech, которые я использовал со всеми другими устройствами NVIDIA.При такой цене, кажется, нет причин, по которым любому разработчику в любой компании не стоило бы иметь такое устройство. Это отличное решение для тестирования приложений Edge AI и классификации с очень приличной скоростью. Во время проведения презентации на NetHope Global Summit, и подумал, что эти устройства за 59 долларов вполне способны стать отличным вариантом для некоммерческих организаций, которые могут использовать их для сбора и анализа данных ‘в поле’. https://www.nethopeglobalsummit.org/agenda-2020#sz-tab-44134 Я исследую некоторые сценарии использования, чтобы посмотреть, можно ли заранее создать несколько простых приложений, которые такая организация могла бы просто взять и запустить. Посмотрим, что получится. Периферийное устройство с графическим процессором за 59 долларов позволяет использовать некоторые новые приложения по очень доступной цене. За 59 долларов я не получу много ресурсов облака, но смогу получить небольшое и мощное устройство для сбора данных, которое справится с нагрузками МО, DL, обработкой видео с камеры, работой с агентами MiNiFi, Python и Java. Воображение здесь ограничивается только 2-мя гигабайтами быстрой оперативной памяти и одним графическим процессором.Пример приложения

Пример выходных данных:{"uuid": "nano_uuid_cmq_20201026202757", "ipaddress": "192.168.1.169",
"networktime": 47.7275505065918, "detectleft": 1.96746826171875,
"detectconfidence": 52.8866550521850pidence ": 52.8866550521850pidence":
52.8866550521850p , "gputemp": "30.0", "gputempf": "86", "cputempf": "93",
"runtime": "169", "host": "nano5",
"filename": "/ opt / demo /images/out_iue_20201026202757.jpg ",
" host_name ":" nano5 "," macaddress ":" 00: e0: 4c: 49: d8: b7 ",
" end ":" 1603744246.924455 "," te ":" 169.4200084209442 ",
«systemtime»: «26.10.2020 16:30:46», «cpu»: 9,9, «diskusage»: «37100,4 МB»,
«Memory»: 91,5, «id»: «20201026202757_64d69a82-88d8-45f8-be06 -1b836cb6cc84 "}Ниже приведен пример вывода при запуске скрипта на Python для классификации изображения с веб-камеры (это Logi веб-камера низкого уровня, но вы можете использовать камеру Raspberry Pi). Еще лучше, если бы мы запустили этот непрерывный вывод сообщений журнала и изображений для агентов MiNiFi. Их можно было бы собрать и отправить на сервер для маршрутизации, преобразования и обработки. root@nano5:/opt/demo/minifi-jetson-nano# jetson_clocks root@nano5:/opt/demo/minifi-jetson-nano# python3 detect.py [gstreamer] initialized gstreamer, version 1.14.5.0[gstreamer] gstCamera -- attempting to create device v4l2:///dev/video0[gstreamer] gstCamera -- found v4l2 device: HD Webcam C615[gstreamer] v4l2-proplist, device.path=(string)/dev/video0, udev-probed=(boolean)false, device.api=(string)v4l2, v4l2.device.driver=(string)uvcvideo, v4l2.device.card=(string)"HD\ Webcam\ C615", v4l2.device.bus_info=(string)usb-70090000.xusb-3.2, v4l2.device.version=(uint)264588, v4l2.device.capabilities=(uint)2216689665, v4l2.device.device_caps=(uint)69206017;[gstreamer] gstCamera -- found 30 caps for v4l2 device /dev/video0[gstreamer] [0] video/x-raw, format=(string)YUY2, width=(int)1920, height=(int)1080, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction)5/1;[gstreamer] [1] video/x-raw, format=(string)YUY2, width=(int)1600, height=(int)896, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 15/2, 5/1 };[gstreamer] [2] video/x-raw, format=(string)YUY2, width=(int)1280, height=(int)720, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 10/1, 15/2, 5/1 };[gstreamer] [3] video/x-raw, format=(string)YUY2, width=(int)960, height=(int)720, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 15/1, 10/1, 15/2, 5/1 };[gstreamer] [4] video/x-raw, format=(string)YUY2, width=(int)1024, height=(int)576, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 15/1, 10/1, 15/2, 5/1 };[gstreamer] [5] video/x-raw, format=(string)YUY2, width=(int)800, height=(int)600, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [6] video/x-raw, format=(string)YUY2, width=(int)864, height=(int)480, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [7] video/x-raw, format=(string)YUY2, width=(int)800, height=(int)448, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [8] video/x-raw, format=(string)YUY2, width=(int)640, height=(int)480, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [9] video/x-raw, format=(string)YUY2, width=(int)640, height=(int)360, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [10] video/x-raw, format=(string)YUY2, width=(int)432, height=(int)240, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [11] video/x-raw, format=(string)YUY2, width=(int)352, height=(int)288, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [12] video/x-raw, format=(string)YUY2, width=(int)320, height=(int)240, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [13] video/x-raw, format=(string)YUY2, width=(int)176, height=(int)144, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [14] video/x-raw, format=(string)YUY2, width=(int)160, height=(int)120, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [15] image/jpeg, width=(int)1920, height=(int)1080, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [16] image/jpeg, width=(int)1600, height=(int)896, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [17] image/jpeg, width=(int)1280, height=(int)720, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [18] image/jpeg, width=(int)960, height=(int)720, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [19] image/jpeg, width=(int)1024, height=(int)576, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [20] image/jpeg, width=(int)800, height=(int)600, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [21] image/jpeg, width=(int)864, height=(int)480, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [22] image/jpeg, width=(int)800, height=(int)448, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [23] image/jpeg, width=(int)640, height=(int)480, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [24] image/jpeg, width=(int)640, height=(int)360, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [25] image/jpeg, width=(int)432, height=(int)240, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [26] image/jpeg, width=(int)352, height=(int)288, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [27] image/jpeg, width=(int)320, height=(int)240, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [28] image/jpeg, width=(int)176, height=(int)144, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] [29] image/jpeg, width=(int)160, height=(int)120, pixel-aspect-ratio=(fraction)1/1, framerate=(fraction){ 30/1, 24/1, 20/1, 15/1, 10/1, 15/2, 5/1 };[gstreamer] gstCamera -- selected device profile: codec=mjpeg format=unknown width=1280 height=720[gstreamer] gstCamera pipeline string:[gstreamer] v4l2src device=/dev/video0 ! image/jpeg, width=(int)1280, height=(int)720 ! jpegdec ! video/x-raw ! appsink name=mysink[gstreamer] gstCamera successfully created device v4l2:///dev/video0[gstreamer] opening gstCamera for streaming, transitioning pipeline to GST_STATE_PLAYING[gstreamer] gstreamer changed state from NULL to READY ==> mysink[gstreamer] gstreamer changed state from NULL to READY ==> capsfilter1[gstreamer] gstreamer changed state from NULL to READY ==> jpegdec0[gstreamer] gstreamer changed state from NULL to READY ==> capsfilter0[gstreamer] gstreamer changed state from NULL to READY ==> v4l2src0[gstreamer] gstreamer changed state from NULL to READY ==> pipeline0[gstreamer] gstreamer changed state from READY to PAUSED ==> capsfilter1[gstreamer] gstreamer changed state from READY to PAUSED ==> jpegdec0[gstreamer] gstreamer changed state from READY to PAUSED ==> capsfilter0[gstreamer] gstreamer stream status CREATE ==> src[gstreamer] gstreamer changed state from READY to PAUSED ==> v4l2src0[gstreamer] gstreamer changed state from READY to PAUSED ==> pipeline0[gstreamer] gstreamer stream status ENTER ==> src[gstreamer] gstreamer message new-clock ==> pipeline0[gstreamer] gstreamer message stream-start ==> pipeline0[gstreamer] gstreamer changed state from PAUSED to PLAYING ==> capsfilter1[gstreamer] gstreamer changed state from PAUSED to PLAYING ==> jpegdec0[gstreamer] gstreamer changed state from PAUSED to PLAYING ==> capsfilter0[gstreamer] gstreamer changed state from PAUSED to PLAYING ==> v4l2src0[gstreamer] gstCamera -- onPreroll[gstreamer] gstCamera -- map buffer size was less than max size (1382400 vs 1382407)[gstreamer] gstCamera recieve caps: video/x-raw, format=(string)I420, width=(int)1280, height=(int)720, interlace-mode=(string)progressive, multiview-mode=(string)mono, multiview-flags=(GstVideoMultiviewFlagsSet)0:ffffffff:/right-view-first/left-flipped/left-flopped/right-flipped/right-flopped/half-aspect/mixed-mono, pixel-aspect-ratio=(fraction)1/1, chroma-site=(string)mpeg2, colorimetry=(string)1:4:0:0, framerate=(fraction)30/1[gstreamer] gstCamera -- recieved first frame, codec=mjpeg format=i420 width=1280 height=720 size=1382407RingBuffer -- allocated 4 buffers (1382407 bytes each, 5529628 bytes total)[gstreamer] gstreamer changed state from READY to PAUSED ==> mysink[gstreamer] gstreamer message async-done ==> pipeline0[gstreamer] gstreamer changed state from PAUSED to PLAYING ==> mysink[gstreamer] gstreamer changed state from PAUSED to PLAYING ==> pipeline0RingBuffer -- allocated 4 buffers (14745600 bytes each, 58982400 bytes total)jetson.inference -- detectNet loading build-in network 'ssd-mobilenet-v2'detectNet -- loading detection network model from: -- model networks/SSD-Mobilenet-v2/ssd_mobilenet_v2_coco.uff -- input_blob 'Input' -- output_blob 'NMS' -- output_count 'NMS_1' -- class_labels networks/SSD-Mobilenet-v2/ssd_coco_labels.txt -- threshold 0.500000 -- batch_size 1[TRT] TensorRT version 7.1.3[TRT] loading NVIDIA plugins…[TRT] Registered plugin creator - ::GridAnchor_TRT version 1[TRT] Registered plugin creator - ::NMS_TRT version 1[TRT] Registered plugin creator - ::Reorg_TRT version 1[TRT] Registered plugin creator - ::Region_TRT version 1[TRT] Registered plugin creator - ::Clip_TRT version 1[TRT] Registered plugin creator - ::LReLU_TRT version 1[TRT] Registered plugin creator - ::PriorBox_TRT version 1[TRT] Registered plugin creator - ::Normalize_TRT version 1[TRT] Registered plugin creator - ::RPROI_TRT version 1[TRT] Registered plugin creator - ::BatchedNMS_TRT version 1[TRT] Could not register plugin creator - ::FlattenConcat_TRT version 1[TRT] Registered plugin creator - ::CropAndResize version 1[TRT] Registered plugin creator - ::DetectionLayer_TRT version 1[TRT] Registered plugin creator - ::Proposal version 1[TRT] Registered plugin creator - ::ProposalLayer_TRT version 1[TRT] Registered plugin creator - ::PyramidROIAlign_TRT version 1[TRT] Registered plugin creator - ::ResizeNearest_TRT version 1[TRT] Registered plugin creator - ::Split version 1[TRT] Registered plugin creator - ::SpecialSlice_TRT version 1[TRT] Registered plugin creator - ::InstanceNormalization_TRT version 1[TRT] detected model format - UFF (extension '.uff')[TRT] desired precision specified for GPU: FASTEST[TRT] requested fasted precision for device GPU without providing valid calibrator, disabling INT8[TRT] native precisions detected for GPU: FP32, FP16[TRT] selecting fastest native precision for GPU: FP16[TRT] attempting to open engine cache file /usr/local/bin/networks/SSD-Mobilenet-v2/ssd_mobilenet_v2_coco.uff.1.1.7103.GPU.FP16.engine[TRT] loading network plan from engine cache… /usr/local/bin/networks/SSD-Mobilenet-v2/ssd_mobilenet_v2_coco.uff.1.1.7103.GPU.FP16.engine[TRT] device GPU, loaded /usr/local/bin/networks/SSD-Mobilenet-v2/ssd_mobilenet_v2_coco.uff[TRT] Deserialize required 2384046 microseconds.[TRT] [TRT] CUDA engine context initialized on device GPU:[TRT] -- layers 117[TRT] -- maxBatchSize 1[TRT] -- workspace 0[TRT] -- deviceMemory 35449344[TRT] -- bindings 3[TRT] binding 0 -- index 0 -- name 'Input' -- type FP32 -- in/out INPUT -- # dims 3 -- dim #0 3 (SPATIAL) -- dim #1 300 (SPATIAL) -- dim #2 300 (SPATIAL)[TRT] binding 1 -- index 1 -- name 'NMS' -- type FP32 -- in/out OUTPUT -- # dims 3 -- dim #0 1 (SPATIAL) -- dim #1 100 (SPATIAL) -- dim #2 7 (SPATIAL)[TRT] binding 2 -- index 2 -- name 'NMS_1' -- type FP32 -- in/out OUTPUT -- # dims 3 -- dim #0 1 (SPATIAL) -- dim #1 1 (SPATIAL) -- dim #2 1 (SPATIAL)[TRT] [TRT] binding to input 0 Input binding index: 0[TRT] binding to input 0 Input dims (b=1 c=3 h=300 w=300) size=1080000[TRT] binding to output 0 NMS binding index: 1[TRT] binding to output 0 NMS dims (b=1 c=1 h=100 w=7) size=2800[TRT] binding to output 1 NMS_1 binding index: 2[TRT] binding to output 1 NMS_1 dims (b=1 c=1 h=1 w=1) size=4[TRT] [TRT] device GPU, /usr/local/bin/networks/SSD-Mobilenet-v2/ssd_mobilenet_v2_coco.uff initialized.[TRT] W = 7 H = 100 C = 1[TRT] detectNet -- maximum bounding boxes: 100[TRT] detectNet -- loaded 91 class info entries[TRT] detectNet -- number of object classes: 91detected 0 objects in image[TRT] ------------------------------------------------[TRT] Timing Report /usr/local/bin/networks/SSD-Mobilenet-v2/ssd_mobilenet_v2_coco.uff[TRT] ------------------------------------------------[TRT] Pre-Process CPU 0.07802ms CUDA 0.48875ms[TRT] Network CPU 45.52254ms CUDA 44.93750ms[TRT] Post-Process CPU 0.03193ms CUDA 0.03177ms[TRT] Total CPU 45.63248ms CUDA 45.45802ms[TRT] ------------------------------------------------[TRT] note -- when processing a single image, run 'sudo jetson_clocks' before to disable DVFS for more accurate profiling/timing measurements[image] saved '/opt/demo/images/out_kfy_20201030195943.jpg' (1280x720, 4 channels)[TRT] ------------------------------------------------[TRT] Timing Report /usr/local/bin/networks/SSD-Mobilenet-v2/ssd_mobilenet_v2_coco.uff[TRT] ------------------------------------------------[TRT] Pre-Process CPU 0.07802ms CUDA 0.48875ms[TRT] Network CPU 45.52254ms CUDA 44.93750ms[TRT] Post-Process CPU 0.03193ms CUDA 0.03177ms[TRT] Total CPU 45.63248ms CUDA 45.45802ms[TRT] ------------------------------------------------[gstreamer] gstCamera -- stopping pipeline, transitioning to GST_STATE_NULL[gstreamer] gstCamera -- pipeline stoppedМы используем расширенный пример сценария, скрипт detect.py. Чтобы сделать снимок веб-камеры и классифицировать его: camera = jetson.utils.gstCamera(width, height, camera)Модель работает достаточно быстро и дает нам те результаты и данные, которые нужно.

классификация изображения моделью на Jetson Nano 2GBСсылки:· https://github.com/tspannhw/minifi-jetson-nano· https://youtu.be/fIESu365Sb0· https://developer.nvidia.com/blog/ultimate-starter-ai-computer-jetson-nano-2gb-developer-kit/
===========
Источник:
habr.com
===========
===========
Автор оригинала: Timothy Spann
===========Похожие новости:

Теги для поиска: #_big_data, #_mashinnoe_obuchenie (Машинное обучение), #_hadoop, #_videokarty (Видеокарты), #_nvidia_jetson_nano, #_periferija (периферия), #_potokovaja_peredacha_dannyh (потоковая передача данных), #_mashinnoe+obuchenie (машинное+обучение), #_blog_kompanii_cloudera (
Блог компании Cloudera
), #_big_data, #_mashinnoe_obuchenie (
Машинное обучение
), #_hadoop, #_videokarty (
Видеокарты
)

Профиль ЛС

Ответить на тему

Вы не можете начинать темы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы

Текущее время: 22-Ноя 13:18
Часовой пояс: UTC + 5