Jetson Nano系列教程0：初识Jetson Nano

关于Jetson Nano Developer Kit

Jetson nano搭载四核Cortex-A57 MPCore 处理器，采用128 核 Maxwell™  GPU。支持JetPack SDK. 支持主流的AI框架和算法，例如TensorFlow， PyTorch, Caffe/Caffe2, Keras, MXNet等。

支持人脸识别，物体识别追踪，对象检测和定位等应用。

板载资源

1. Micro SD 卡卡槽: 可接入TF卡（16G以上），烧写系统镜像
2. 40PIN GPIO扩展接口（兼容树莓派40PIN接口）
3. Micro USB接口：用于5V电源输入或者USB数据传输
4. 千兆以太网口: 10/100/1000Base-T 自适应以太网端口
5. USB3.0接口：4个USB3.0接口
6. HDMI高清接口：用于外接HDMI屏幕
7. DisplayPort接口：用于外接DP屏幕
8. DC电源接口：用于外接5V电源（外径5.5， 内径2.1）
9. MIPS CSI 摄像头接口：兼容树莓派摄像头接口

性能

下面这一份表格是NVIDIA官方给出的性能对比表格，以供参考

DNR表示无法运行。

Model	Application	Framework	NVIDIA Jetson Nano	Raspberry Pi 3	Raspberry Pi 3 + Intel Neural Compute Stick 2	Google Edge TPU Dev Board
ResNet-50 (224×224)	Classification	TensorFlow	36 FPS	1.4 FPS	16 FPS	DNR
MobileNet-v2 (300×300)	Classification	TensorFlow	64 FPS	2.5 FPS	30 FPS	130 FPS
SSD ResNet-18 (960×544)	Object Detection	TensorFlow	5 FPS	DNR	DNR	DNR
SSD ResNet-18 (480×272)	Object Detection	TensorFlow	16 FPS	DNR	DNR	DNR
SSD ResNet-18 (300×300)	Object Detection	TensorFlow	18 FPS	DNR	DNR	DNR
SSD Mobilenet-V2 (960×544)	Object Detection	TensorFlow	8 FPS	DNR	1.8 FPS	DNR
SSD Mobilenet-V2 (480×272)	Object Detection	TensorFlow	27 FPS	DNR	7 FPS	DNR
SSD Mobilenet-V2 (300×300)	Object Detection	TensorFlow	39 FPS	1 FPS	11 FPS	48 FPS
Inception V4 (299×299)	Classification	PyTorch	11 FPS	DNR	DNR	9 FPS
Tiny YOLO V3 (416×416)	Object Detection	Darknet	25 FPS	0.5 FPS	DNR	DNR
OpenPose (256×256)	Pose Estimation	Caffe	14 FPS	DNR	5 FPS	DNR
VGG-19 (224×224)	Classification	MXNet	10 FPS	0.5 FPS	5 FPS	DNR
Super Resolution (481×321)	Image Processing	PyTorch	15 FPS	DNR	0.6 FPS	DNR
Unet (1x512x512)	Segmentation	Caffe	18 FPS	DNR	5 FPS	DNR