Nano与 Orin Nano 对比

最新推荐文章于 2025-03-07 06:17:12 发布
最新推荐文章于 2025-03-07 06:17:12 发布
阅读量3.1k 收藏 20
点赞数 15
分类专栏： Jetson nano Jetson Orin Nano 文章标签： linux 嵌入式硬件
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/FREEDOM_X/article/details/139991737
版权

核心模组对比

查看 Jetson Nano 技术规格

Jetson Nano
AI Performance472 GFLOPS
GPU128-core NVIDIA Maxwell™ architecture GPU
GPU Max Frequency921MHz
CPUQuad-core ARM® Cortex®-A57 MPCore processor
CPU Max Frequency1.43GHz
DL Accelerator-
DLA Max Frequency-
Vision Accelerator-
Safety Cluster Engine-
Memory4GB 64-bit LPDDR4
25.6GB/s
Storage16GB eMMC 5.1
Video Encode1x 4K30 (H.265)
2x 1080p60 (H.265)
Video Decode1x 4K60 (H.265)
4x 1080p60 (H.265)
CSI CameraUp to 4 cameras
12 lanes MIPI CSI-2
D-PHY 1.1 (up to 18 Gbps)
PCIe*1 x4
(PCIe Gen2)
USB*1x USB 3.0 (5 Gbps)
3x USB 2.0
Networking*1x GbE
Display2 multi-mode DP 1.2/eDP 1.4/HDMI 2.0
1 x2 DSI (1.5Gbps/lane)
Other I/O3x UART, 2x SPI, 2x I2S, 4x I2C, GPIOs
Power5W - 10W
Mechanical69.6mm x 45mm
260-pin SO-DIMM connector

查看 Jetson Orin 技术规格

Jetson AGX Orin 系列Jetson Orin NX 系列Jetson Orin Nano 系列
Jetson AGX Orin 开发者套件Jetson AGX Orin 64GBJetson AGX Orin 工业版Jetson AGX Orin 32GBJetson Orin NX 16GBJetson Orin NX 8GBJetson Orin Nano 开发者套件Jetson Orin Nano 8GBJetson Orin Nano 4GB
AI 性能275 TOPS248 TOPS200 TOPS100 TOPS70 TOPS40 TOPS20 TOPS
GPU搭载 64 个 Tensor Core 的 2048 核 NVIDIA Ampere 架构 GPU搭载 56 个 Tensor Core 的 1792 核 NVIDIA Ampere c GPU搭载 32 个 Tensor Core 的 1024 核 NVIDIA Ampere 架构 GPU搭载 32 个 Tensor Core 的 1024 核 NVIDIA Ampere 架构 GPU搭载 16 个 Tensor Core 的 512 核 NVIDIA Ampere 架构 GPU
GPU 最大频率1.3 GHz1.2 GHz930 MHz918 MHz765 MHz625 MHz
CPU12 核 Arm® Cortex®-A78AE v8.2 64 位 CPU
3MB L2 + 6MB L3		8 核 Arm® Cortex®-A78AE v8.2 64 位 CPU
2MB L2 + 4MB L3		8 核 Arm® Cortex®-A78AE v8.2 64 位 CPU
2MB L2 + 4MB L3		6 核 Arm® Cortex® A78AE v8.2 64 位 CPU
1.5MB L2 + 4MB L3		6 核 Arm® Cortex® A78AE v8.2 64 位 CPU
1.5MB L2 + 4MB L3
CPU 最大频率2.2 GHz2.0 GHz2.2 GHz2 GHz1.5 GHz
DL 加速器2x NVDLA v21x NVDLA v2-
DLA 最大频率1.6 GHz1.4 GHz614 MHz-
视觉加速器1x PVA v2-
安全集群引擎---
显存64GB 256 位 LPDDR5
204.8GB/s		64GB 256 位 LPDDR5 (+ ECC)
204.8GB/s		32GB 256 位 LPDDR5
204.8GB/s		16GB 128 位 LPDDR5
102.4GB/s		8GB 128 位 LPDDR5
102.4GB/s		8GB 128 位 LPDDR5
68 GB/s		4GB 64 位 LPDDR5
34 GB/s
存储64GB eMMC 5.1-
（支持外部 NVMe）		-
（配备 SD 卡插槽，且支持通过 M.2 Key M 连接外部 NVMe）		-
（支持外部 NVMe）
视频编码2x 4K60 (H.265)
4x 4K30 (H.265)
8x 1080p60 (H.265)
16x 1080p30 (H.265)		1x 4K60 (H.265)
3x 4K30 (H.265)
7x 1080p60 (H.265)
15x 1080p30 (H.265)		1x 4K60 (H.265)
3x 4K30 (H.265)
6x 1080p60 (H.265)
12x 1080p30 (H.265)
1080p30，由 1-2 个 CPU 核心提供支持
视频解码1x 8K30 (H.265)
3x 4K60 (H.265)
7x 4K30 (H.265)
11x 1080p60 (H.265)
22x 1080p30 (H.265)		1x 8K30 (H.265)
3x 4K60 (H.265)
7x 4K30 (H.265)
11x 1080p60 (H.265)
23x 1080p30 (H.265)		1x 8K30 (H.265)
2x 4K60 (H.265)
4x 4K30 (H.265)
9x 1080p60 (H.265)
18x 1080p30 (H.265)		1x 4K60 (H.265)
2x 4K30 (H.265)
5x 1080p60 (H.265)
11x 1080p30 (H.265)
CSI 摄像头16 通道 MIPI CSI-2 连接器多达 6 个摄像头（通过虚拟通道支持 16 个）
16 通道 MIPI CSI-2
D-PHY 2.1（高达 40 Gbps）| C-PHY 2.0（高达 164 Gbps）		多达 4 个摄像头（通过虚拟通道支持 8 个***）
8 通道 MIPI CSI-2
D-PHY 2.1（高达 20 Gbps）		2x MIPI CSI-2 22 针摄像头连接器多达 4 个摄像头（通过虚拟通道支持 8 个***）
8 通道 MIPI CSI-2
D-PHY 2.1（高达 20 Gbps）
PCIe*x16 PCIe 插槽，支持 x8 PCIe 4.0
M.2 Key M 插槽，支持 x4 PCIe 4.0
M.2 Key E 插槽，支持 x1 PCIe 4.0		高达 2 x8 + 1 x4 + 2 x1
（PCIe 4.0、根端口和端点）		1 x4 + 3 x1
（PCIe 4.0、根端口和端点）		M.2 Key M 插槽，支持 x4 PCIe 3.0
M.2 Key M 插槽，支持 x2 PCIe 3.0
M.2 Key E 插槽		1 x4 + 3 x1
（PCIe 3.0、根端口和端点）
USB*USB Type-C 连接器：2x USB 3.2 2.0
USB Type-A 连接器：2x USB 3.2 2.0、2x USB 3.2 1.0
USB Micro-B 连接器：USB 2.0		3x USB 3.2 2.0 (10 Gbps)
4x USB 2.0		3x USB 3.2 2.0 (10 Gbps)
3x USB 2.0		USB Type-A 连接器：4x USB 3.2 2.0
适用于 UFP 的 USB Type-C 连接器		3x USB 3.2 2.0 (10 Gbps)
3x USB 2.0
网络*RJ45 连接器，至高可支持 10 GbE1x GbE
1x 10GbE		1x GbE1xGbE 连接器1x GbE
显示器1x DisplayPort 1.4a (+MST) 连接器1x 8K60 多模 DP 1.4a (+MST)/eDP 1.4a/HDMI 2.11x 8K30 多模 DP 1.4a (+MST)/eDP 1.4a/HDMI 2.11x DisplayPort 1.2 (+MST) 连接器1x 4K30 多模 DP 1.2 (+MST)/eDP 1.4/HDMI 1.4**
其他 I/O40 针接头（UART、SPI、I2S、I2C、CAN、PWM、DMIC、GPIO）
12 针自动化接头
10 针音频面板接头
10 针 JTAG 接头
4 针风扇接头
2 针 RTC 电池备份连接器
microSD 插槽
直流电源插座
电源、强制恢复和复位按钮		4x UART、3x SPI、4x I2S、8x I2C、2x CAN、PWM、DMIC 和 DSPK、GPIO3x UART、2x SPI、2x I2S、4x I2C、1x CAN、DMIC 和 DSPK、PWM、GPIO40 针扩展接头（UART、SPI、I2S、I2C、GPIO）
12 针按钮接头
4 针风扇接头
microSD 插槽
直流电源插座		3x UART、2x SPI、2x I2S、4x I2C、1x CAN、DMIC 和 DSPK、PWM、GPIO
功耗15 瓦 - 60 瓦15 瓦 - 75 瓦15 瓦 - 40 瓦10 瓦 – 25 瓦10 瓦 - 20 瓦7 瓦 - 15 瓦7 瓦 - 10 瓦
规格尺寸110 毫米 x 110 毫米 x 71.65 毫米
（高度包括支架、载板、模组和散热解决方案）		100 毫米 x 87 毫米
699 针 Molex Mirror Mezz 连接器
集成导热板		69.6 毫米 x 45 毫米
260 针 SO-DIMM 连接器
100 毫米 x 79 毫米 x 21 毫米
（高度包括支架、载板、模组和散热解决方案）		69.6 毫米 x 45 毫米
260 针 SO-DIMM 连接器

† Jetson Nano 模组和 Jetson Xavier NX 模组是 Jetson Nano 开发者套件的一部分，Jetson Xavier NX 开发者套件配备插槽，支持使用 microSD 卡（而非 eMMC）作为系统存储设备。

* USB 3.2、MGBE 和 PCIe 共享 UPHY 通道。请参阅产品设计指南，了解受支持的 UPHY 配置。
** 有关 DP 1.4a 和 HDMI 2.1 的其他兼容情况的详细信息，请参阅 Jetson Orin Nano 系列产品手册
*** Jetson Orin NX 和 Jetson Orin Nano 的虚拟通道可能会发生变化
如要查看支持功能列表，请参阅新版 NVIDIA Jetson Linux 开发者指南的“Software Features”（软件功能）部分。

参考资料

Jetson Nano Brings the Power of Modern AI to Edge Devices | NVIDIA

利用 Jetson AGX Orin 打造新一代机器人 | NVIDIA

16002.Jetson orin/nano平台gpio配置记录
写给自己的笔记
08-29 1055
Jetson Orin Nano gpio 配置记录
NVIDIA Jetson Orin Nano 开发者套件 - 加速入门级边缘 AI 应用
weixin_46300916的博客
01-28 1664
英伟达™（NVIDIA®）Jetson Orin Nano 开发者套件为创建入门级人工智能机器人、智能无人机和智能相机设定了新标准。它还简化了开始使用 Jetson Orin Nano 系列模块的过程。紧凑的设计、大量的连接器和高达 40 TOPS 的 AI 性能，使其成为将您的 AI 概念变为现实的完美开发套件。该开发套件包括一个 Jetson Orin Nano 8GB 模块和一个可容纳所有 Orin Nano 和 Orin NX 模块的参考载板。这为下一代边缘人工智能产品的原型开发提供了理想平台。
NVIDIA Orin NX/Nano设备硬盘备份与恢复
tw_fae的博客
06-03 1543
详细介绍ORIN NX/NANO的硬盘系统的备份，给广大开发者提供更好的开发与部署体验
探索高性能AI识别和边缘计算 | NVIDIA Jetson Orin Nano 8GB 开发套件的全面测评
踏雨歌青春，诗酒趁年华
03-07 9685
本文对NVIDIA Jetson Orin Nano 8GB开发板进行了详细测评，包括配置解析、YOLOv5物体识别算法实测及与Raspberry Pi 4B和Raspberry Pi 5的横向性能对比。实测表明Orin Nano凭借40 TOPS强大算力和GPU加速优势，推理速度明显领先树莓派系列，更适用于边缘实时AI应用。文中还深入分析了Orin Nano的软硬件生态、功耗优势和实际应用案例，明确其在机器人、自主驾驶和智能监控等领域的突出价值。
AGX Orin/ Orin NX/ Orin nano的区别
诗筱涵的博客
09-19 1630
AGX Orin Orin NX Orin nano的区别。
高性价比Jetson Orin Nano/NX载板（英伟达jetson系列配件）
qq_30637245的博客
06-27 1189
基于英伟达的原厂方案，我们全新推出的C1902 Jetson Orin Nano/NX载板，将成为您开发之路上的得力助手。无论您是在进行人工智能开发、机器人研究，还是智能设备的应用开发，C1902 Jetson Orin Nano/NX载板都能为您提供可靠的支持和强大的性能。采用高品质8层沉金PCB设计，全MLCC电容以及镀金连接器，C1902载板不仅保证了卓越的性能，更确保了高稳定性和耐用性，是您长久使用的理想选择。这使得C1902载板成为性价比最高的选择，为您的项目节省更多成本。
Jetson 开发系列：Orin Nano 开箱！一款强大的嵌入式&物联网开发板
u010522887的专栏
10-02 4991
本文带大家实操搭建 Jetson 开发环境：VNC 远程桌面 + SSH 远程登录 + jtop 命令使用
全新Jetson Orin Nano/NX载板，稳定，高性价比！
qq_30637245的博客
06-21 740
全新Jetson Orin Nano/NX载板 所有功能和孔位与原厂一致 支持Orin Nano 4G/8G&NX 8G/16G 堆料比起原厂更猛，全MLCC电容，TE&foxconn连接器，镀金排针。
Jetson-Orin-NX-and-Orin-Nano-series-Pinmux-Config-Template.xlsm
最新发布
03-14
Jetson_Orin_NX_and_Orin_Nano_series复用接口表格，模块引脚名称和编号、SoC pin名称、Verilog pin名称。
Jetson Orin Nano开发对应的Tensorrt 8.2.3.0安装包
01-18
版本为8.2.3.0的TensorRT对应的whl文件
【Jetson Orin Nano系统烧录教程】
dally2的博客
01-18 5337
Jetson Orin Nano系统烧录教程
ORIN NANO/ORIN NX 40 PIN介绍
tw_fae的博客
05-29 2235
Orin Nano/Orin NX使用40PIN介绍
英伟达 Jetson Nano, Orin 系列加速板初始化安装
sinat_14910583的博客
04-01 2419
Jetson nano最高只能安装Jetpack4.6.x版本的系统，对应的python版本为3.6.x。由于在python 3.8的环境下无法安装对应jetpack版本的tensorrt，因此也不能使用ultralytics提供的export engine功能。Jetson orin 对应的L4T版本所带python为3.8，满足ultralytics的最低要求，因此可以直接pip安装。Jetson Linux（L4T），JetPack（cuda， tensorrt）的版本关系后面再列个表出来。
Jetson Orin Nano——工具——VNC
FREEDOM_X的专栏
06-20 1046
Jetson Orin Nano使用 vino 来作为默认的VNC服务器，但是默认的设置需要进行一些修改。1.1, 配置VNC Server需要注意的是，不要用sudo来运行上面的命令，nvida就是连接VNC的密码。1.2, 设置桌面开机自启，在.config路径下新建一个自启文件1.3, 查看当前用的是什么管理器1.4, 编辑文件1.5, 把下面三行的注释去掉，其中AutomaticLogin行修改成自己的用户名。1.6, 重启Orin Nano。
orin nano烧录系统，配置opencv440（笔记）
liuuu的博客
10-10 4732
项目要实现yolo识别物体，因此需要烧录镜像，配置基础环境，在这里做个纪录以防忘记。
Jeston Orin Nano 离线烧写系统到NVME存储
cau_weiyuhu的博客
06-04 2510
在Orin 系列，官方提供了一种新的烧写方式，也就是离线烧写，就是你在主机，挂载存储后，直接烧写系统到这个存储，然后你安装到你的载板，就可以使用了
Jetson AGX ORIN硬件初始化和环境部署
TracyGC的博客
10-20 2717
orin预安装了ubuntu20.04，只需开机，像重装系统一样设置用户信息即可，可以参考官网的教程[https://developer.nvidia.com/embedded/learn/get-started-jetson-agx-orin-devkit]，官网提供了两种方式：一种是orin + 显示器，orin有提供DP接口，你需要准备一台显示器，最好也是有DP口的，因为我用DP转HDMI的连的，分辨率会受影响。确认安装的路径，一般直接回车安装在默认的 /home/你的名字/anaconda3。
orin nano系统指令烧录、备份和恢复
liuuu的博客
01-22 2465
使用 SDKmanager 图形化工具烧写系统链接也有它不便之处在于：1.需要 NVIDIA 的开发者账号2.由于网络问题下载系统文件可能会出现不完整导致安装失败等一些列安装不上SDKmanager 图形化工具的本质其实也是在后台调用相关指令，只是套上了图形化界面以及一些账号登录信息等！所以我们要进行快速烧写系统或者批量烧写系统，我比较建议直接用指令方式烧写！
jetson nano orin torchvision
12-28
### 如何在Jetson Nano或Orin设备上使用torchvision 对于希望在Jetson Nano或Orin设备上利用`torchvision`库处理计算机视觉任务的开发者而言，理解这些平台特有的安装和配置方法至关重要。 #### 安装PyTorch和torchvision 由于Jetson系列基于ARM架构而非常见的x86架构，官方预编译包可能无法直接适用于此类硬件。因此，在Jetson平台上部署深度学习模型时需特别注意软件环境的选择与构建[^2]。针对此情况，推荐采用如下方式来设置开发环境： 1. 使用L4T (Linux for Tegra) SDK提供的Docker镜像作为基础环境，该SDK由NVIDIA专门为Jetson系列产品定制优化； 2. 借助conda虚拟环境管理工具创建独立的工作空间，并通过指定渠道获取适合目标系统的PyTorch版本及其依赖项； 3. 对于最新款式的Jetson Orin设备，则可以直接从NVIDIA NGC Catalog下载经过验证的企业级容器映像，其中已包含了预先配置好的PyTorch以及相关组件。 #### 配置CUDA可见性 为了使PyTorch能够识别并充分利用Jetson内置的GPU资源执行加速计算操作，必须正确设定CUDA_VISIBLE_DEVICES环境变量。这一步骤确保了程序仅访问预期中的图形处理器单元而不干扰其他进程正常运作[^1]。 ```bash export CUDA_VISIBLE_DEVICES=0 ``` #### 加载数据集并通过DataLoader迭代读取样本 借助`torchvision.datasets`模块可以轻松加载多种流行的数据集合；而`torch.utils.data.DataLoader`类则提供了灵活简便的方法用于批量传输图像至神经网络输入层之前完成必要的前处理工作，比如随机裁剪、翻转等增强手段的应用。 ```python from torchvision import datasets, transforms import torch transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), ]) dataset = datasets.ImageFolder(root='/path/to/dataset', transform=transform) dataloader = torch.utils.data.DataLoader(dataset, batch_size=32, shuffle=True) for images, labels in dataloader: pass # 进行训练或其他操作 ``` #### 应用预训练模型进行推理预测 除了自定义设计卷积神经网络结构外，还可以考虑调用`torchvision.models`下众多已经过大规模公开测试集充分训练过的经典模型实例来进行迁移学习或者特征提取任务。这类做法不仅节省了大量的时间成本而且有助于提高最终解决方案的质量水平。 ```python import torchvision.models as models model = models.resnet18(pretrained=True).cuda() model.eval() with torch.no_grad(): outputs = model(images.cuda()) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值