Die Raspberry Pi AI Camera ist ein kompaktes Kameramodul, das auf dem Sony IMX500 Intelligent Vision Sensor basiert. Der IMX500 kombiniert einen 12-MP-CMOS-Bildsensor mit integrierter Inferenz-Beschleunigung für verschiedene gängige neuronale Netzwerkmodelle, so dass Benutzer anspruchsvolle bildverarbeitungsbasierte KI-Anwendungen entwickeln können, ohne einen separaten Beschleuniger zu benötigen. Die AI-Kamera wertet aufgenommene Bilder oder Videos mit Tensor-Metadaten auf, während der Prozessor des Raspberry Pi für andere Aufgaben frei bleibt. Die Unterstützung von Tensor-Metadaten in den Bibliotheken libcamera und Picamera2 sowie in der Anwendungssuite rpicam-apps gewährleistet eine einfache Bedienung für Anfänger und bietet gleichzeitig eine unvergleichliche Leistung und Flexibilität für fortgeschrittene Benutzer. Die Raspberry Pi AI Camera ist mit allen Raspberry Pi-Modellen kompatibel. Features 12 MP Sony IMX500 Intelligent Vision Sensor Sensormodi: 4056 x 3040 (@ 10fps), 2028 x 1520 (@ 30fps) 1,55 x 1,55 µm Zellgröße 78°-Sichtfeld mit manuell einstellbarem Fokus Integriertes RP2040 für neuronales Netzwerk und Firmware-Management Technische Daten Sensor Sony IMX500 Auflösung 12,3 MP (4056 x 3040 Pixel) Sensorgröße 7,857 mm (Typ 1/2,3) Pixelgröße 1,55 x 1,55 μm IR-Sperrfilter Integriert Autofokus Manuell einstellbarer Fokus Fokusbereich 20 cm – ∞ Brennweite 4,74 mm Horizontales Sichtfeld 66 ±3° Vertikales Sichtfeld 52,3 ±3° Brennweitenverhältnis (Blende) F1.79 Ausgabe Bild (Bayer RAW10), ISP-Ausgabe (YUV/RGB), ROI, Metadaten Maximale Größe des Eingabetensors 640 x 640 (H x V) Framerate • 2x2-Binning: 2028x1520 10-Bit 30fps• Volle Auflösung: 4056x3040 10-Bit 10fps Flachbandkabellänge 20 cm Kabelstecker 15 x 1 mm FPC oder 22 x 0,5 mm FPC Abmessungen 25 x 24 x 11,9 mm Downloads Datasheet Documentation

Lesen (+) (–)

Die ESP32-S3-BOX-3 basiert auf Espressifs ESP32-S3 Wi-Fi + Bluetooth 5 (LE) SoC mit KI-Beschleunigungsfunktionen. Zusätzlich zu den 512 KB SRAM des ESP32-S3 verfügt die ESP32-S3-BOX-3 über 16 MB Quad Flash und 16 MB Octal PSRAM. Auf der ESP32-S3-BOX-3 läuft Espressifs eigenes Spracherkennungs-Framework ESP-SR, das dem Anwender einen Offline-KI-Sprachassistenten zur Verfügung stellt. Es bietet Fernfeld-Sprachinteraktion, kontinuierliche Erkennung, Aufwachunterbrechung und die Fähigkeit, über 200 anpassbare Befehlswörter zu erkennen. BOX-3 kann mit Hilfe fortschrittlicher AIGC-Entwicklungsplattformen wie OpenAI auch in einen Online-KI-Chatbot umgewandelt werden. Basierend auf dem leistungsstarken ESP32-S3 SoC bietet BOX-3 Entwicklern eine sofort einsatzbereite Lösung zur Erstellung von Edge AI- und HMI-Anwendungen. Die fortschrittlichen Funktionen und Möglichkeiten der BOX-3 machen sie zu einer idealen Wahl für diejenigen in der IIoT-Industrie, die sich Industrie 4.0 zu eigen machen und traditionelle Fabrikbetriebssysteme umgestalten wollen. Die ESP32-S3-BOX-3 ist die Haupteinheit, die durch das ESP32-S3-WROOM-1 Modul betrieben wird, das 2,4 GHz Wi-Fi + Bluetooth 5 (LE) Wireless-Fähigkeit sowie KI-Beschleunigungsfunktionen bietet. Zusätzlich zu den 512 KB SRAM, die vom ESP32-S3 SoC bereitgestellt werden, verfügt das Modul über 16 MB Quad-Flash und 16 MB Octal PSRAM. Das Board ist mit einem 2,4-Zoll-SPI-Touchscreen mit 320 x 240 Pixeln (der "rote Kreis" unterstützt Touch), zwei digitalen Mikrofonen, einem Lautsprecher, einem 3-Achsen-Gyroskop, einem 3-Achsen-Beschleunigungsmesser, einem Typ-C-Anschluss für Stromversorgung und Download/Debug, einem High-Density-PCIe-Anschluss, der Hardware-Erweiterungen ermöglicht, sowie drei Funktionstasten ausgestattet. Features ESP32-S3 WiFi + Bluetooth 5 (LE) Eingebauter 512 KB SRAM ESP32-S3-WROOM-1 16 MB Quad flash 16 MB Octal PSRAM Lieferumfang ESP32-S3-BOX-3 Einheit ESP32-S3-BOX-3 Sensor ESP32-S3-BOX-3 Dock ESP32-S3-BOX-3 Halterung ESP32-S3-BOX-3 Bread RGB-LED-Modul und Dupont-Kabel USB-C Kabel Downloads GitHub

Lesen (+) (–)

Das Raspberry Pi AI HAT+ ist eine Erweiterungsplatine für den Raspberry Pi 5, die einen integrierten Hailo AI-Beschleuniger enthält. Dieses Add-on bietet einen kostengünstigen, effizienten und leicht zugänglichen Ansatz für die Integration von leistungsstarken KI-Funktionen, mit Anwendungen in den Bereichen Prozesssteuerung, Sicherheit, Heimautomatisierung und Robotik. Das AI HAT+ ist in Modellen mit 13 oder 26 Tera-Operationen pro Sekunde (TOPS) erhältlich und basiert auf den neuronalen Netzwerkbeschleunigern Hailo-8L und Hailo-8. Das 13 TOPS-Modell unterstützt effizient neuronale Netze für Aufgaben wie Objekterkennung, Semantik- und Instanzsegmentierung, Posenschätzung und mehr. Diese 26 TOPS-Variante ist für größere Netzwerke geeignet, ermöglicht eine schnellere Verarbeitung und ist für den gleichzeitigen Betrieb mehrerer Netzwerke optimiert. Das AI HAT+ wird über die PCIe Gen3-Schnittstelle des Raspberry Pi 5 angeschlossen. Wenn auf dem Raspberry Pi 5 eine aktuelle Version des Raspberry Pi OS läuft, erkennt es automatisch den integrierten Hailo-Beschleuniger und macht die neuronale Verarbeitungseinheit (NPU) für KI-Aufgaben verfügbar. Darüber hinaus unterstützen die im Raspberry Pi OS enthaltenen rpicam-apps Kameraanwendungen das KI-Modul nahtlos und nutzen die NPU automatisch für kompatible Nachbearbeitungsfunktionen. Lieferumfang Raspberry Pi AI HAT+ (26 TOPS) Montage-Hardware-Kit (Abstandshalter, Schrauben) 16 mm GPIO-Stacking-Header Downloads Datasheet

Lesen (+) (–)

BeagleY-AI ist ein kostengünstiger, quelloffener und leistungsstarker 64-Bit-Quad-Core-Einplatinencomputer, ausgestattet mit einer GPU, DSP und Vision-/Deep-Learning-Beschleunigern, der für Entwickler und Maker entwickelt wurde. Benutzer können die von BeagleBoard.org bereitgestellten Debian-Linux-Software-Images nutzen, die eine integrierte Entwicklungsumgebung enthalten. Dies ermöglicht die nahtlose Ausführung von KI-Anwendungen auf einem dedizierten 4 TOPS-Coprozessor, während gleichzeitig Echtzeit-I/O-Aufgaben mit einem 800 MHz-Mikrocontroller erledigt werden. BeagleY-AI wurde entwickelt, um die Anforderungen sowohl professioneller Entwickler als auch von Bildungsumgebungen zu erfüllen. Es ist erschwinglich, benutzerfreundlich und Open Source und beseitigt Innovationshindernisse. Entwickler können ohne Einschränkungen vertiefende Lektionen erkunden oder praktische Anwendungen bis an ihre Grenzen ausreizen. Technische Daten Prozessor TI AM67 mit Quad-Core 64-Bit Arm Cortex-A53, GPU, DSP, und Vision/Deep-Learning-Beschleuniger RAM 4 GB LPDDR4 WLAN BeagleBoard BM3301-Modul basierend auf TI CC3301 (802.11ax Wi-Fi) Bluetooth Bluetooth Low Energy 5.4 (BLE) USB • 4x USB-A 3.0 unterstützen gleichzeitigen 5-Gbit/s-Betrieb• 1x USB-C 2.0 unterstützt USB 2.0-Geräte Ethernet Gigabit-Ethernet mit PoE+ Unterstützung (erfordert separaten PoE+ HAT) Kamera/Display 1x 4-Wege MIPI-Kamera/Display-Transceiver, 1x 4-Wege MIPI-Kamera Ausgabe anzeigen 1x HDMI-Display, 1x OLDI-Display Echtzeituhr (RTC) Unterstützt eine externe Knopfbatterie zur Erhaltung der Stromausfallzeit. Es wird nur bei EVT-Proben ausgefüllt. UART debuggen 1x 3-Pin-Debug-UART Stromversorgung 5 V/5 A Gleichstrom über USB-C, mit Power Delivery-Unterstützung Power-Taste Ein/Aus inklusive PCIe-Schnittstelle PCI-Express Gen3 x1-Schnittstelle für schnelle Peripheriegeräte (erfordert separaten M.2 HAT oder anderen Adapter) Erweiterungsanschluss 40-Pin-Header Lüfteranschluss 1x 4-poliger Lüfteranschluss, unterstützt PWM-Geschwindigkeitssteuerung und Geschwindigkeitsmessung Speicher microSD-Kartensteckplatz mit Unterstützung für den Hochgeschwindigkeits-SDR104-Modus Tag Connect 1x JTAG, 1x Tag Connect für PMIC NVM-Programmierung Downloads Pinout Documentation Quick start Software

Lesen (+) (–)

Seeed Studio XIAO ESP32S3 Sense integriert einen Kamerasensor, ein digitales Mikrofon und SD-Kartenunterstützung. Durch die Kombination eingebetteter ML-Rechenleistung und Fotografiefähigkeiten kann dieses Entwicklungsboard Ihr großartiges Werkzeug für den Einstieg in die intelligente Sprach- und Bild-KI sein. Seeed Studio XIAO ESP32S3 Sense basiert auf einem hochintegrierten Xtensa-Prozessor ESP32-S3R8 SoC, der 2,4 GHz WLAN und stromsparendes Bluetooth BLE 5.0 Dual-Mode für mehrere drahtlose Anwendungen unterstützt. Es verfügt über eine Lademanagementfunktion für Lithiumbatterien. Als erweiterte Version des Seeed Studio XIAO ESP32S3 verfügt dieses Board über einen einsteckbaren OV2640-Kamerasensor für die Anzeige der vollen Auflösung von 1600 x 1200. Die Basis ist sogar mit OV5640 kompatibel und unterstützt eine Auflösung von bis zu 2592 x 1944. Das digitale Mikrofon ist ebenfalls im Lieferumfang der Platine enthalten und dient zur Spracherkennung und Audioerkennung. SenseCraft AI bietet verschiedene vorab trainierte künstliche Intelligenz ( AI-Modelle und No-Code-Bereitstellung für XIAO ESP32S3 Sense. Mit leistungsstarkem SoC und integrierten Sensoren verfügt dieses Entwicklungsboard über 8 MB PSRAM und 8 MB Flash auf dem Chip sowie einen zusätzlichen SD-Kartensteckplatz zur Unterstützung von bis zu 32 GB FAT-Speicher. Diese ermöglichen dem Board mehr Programmierraum und bringen noch mehr Möglichkeiten in eingebettete ML-Szenarien. Features Leistungsstarkes MCU-Board: Enthält den 32-Bit-Dual-Core-Xtensa-Prozessorchip ESP32S3 mit einer Taktrate von bis zu 240 MHz, mehrere Entwicklungsanschlüsse und unterstützt Arduino/MicroPython. Erweiterte Funktionalität: Mit OV5640-Kamerasensor, integriert zusätzliches digitales Mikrofon Großartiger Speicher für mehr Möglichkeiten: Bietet 8 MB PSRAM und 8 MB Flash und unterstützt einen SD-Kartensteckplatz für externen 32 GB FAT-Speicher Hervorragende HF-Leistung: Unterstützt 2,4-GHz-WLAN und BLE-Dual-Wireless-Kommunikation, unterstützt Fernkommunikation über 100 m+ bei Verbindung mit einer U.FL-Antenne Daumengroßes, kompaktes Design: 21 x 17,5 mm, übernimmt den klassischen Formfaktor von XIAO, geeignet für Projekte mit begrenztem Platzangebot wie tragbare Geräte Vorab trainiertes Al-Modell von SenseCraft Al für No-Code-Bereitstellung Anwendungen Bildbearbeitung Spracherkennung Videoüberwachung Tragbare Geräte Smart Home Gesundheitsüberwachung Bildung Low Power (LP) Netzwerk Rapid Prototyping Technische Daten Processor ESP32-S3R8 Xtensa LX7 dual-core, 32-bit processor that operates at up to 240 MHz Wireless Complete 2.4 GHz Wi-Fi subsystem BLE: Bluetooth 5.0, Bluetooth mesh Built-in Sensors oV2640 camera sensor for 1600x1200 Digital Microphone Memory On-chip 8 MB PSRAM & 8 MB Flash Onboard SD Card Slot, supporting 32 GB FAT lnterface 1x UART, 1x I²C, 1x I²S, 1x SPI, 11x GPIOs (PWM), 9x ADC, 1x User LED, 1x Charge LED, 1x B2B Connector (with 2 additional GPIOs) 1x Reset button, 1x Boot button Dimensions 21 x 17.5 x 15 mm (with expansion board) Power Input voltage (Type-C): 5 V lnput voltage (BAT): 4.2 V Circuit operating Voltage (ready to operate): - Type-C: 5 V @ 38.3 mA - BAT: 3.8 V @ 43.2 mA (with expansion board) Webcam Web application: Type-C: - Average power consumption: 5 V/138 mA - Photo moment: 5 V/341 mA Battery: - Average power consumption: 3.8 V/154 mA - Photo moment: 3.8 V/304 mA Microphone recording & SD card writing: Type-C: - Average power consumption: 5 V/46.5 mA - Peak power consumption: 5 V/89.6 mA Battery: - Average power consumption: 3.8 V/54.4 mA - Peak power consumption: 3.8 V/108 mA Charging battery current: 100 mA Low Power Consumption Model (Supply Power: 3.8 V) Modem Sleep Model: ~44 mA Light Sleep Model: ~5 mA Deep Sleep Model: ~3 mA Wi-Fi Enabled Power Consumption Active Model: ~ 110 mA (with expansion board) BLE Enabled Power Consumption Active Model: ~ 102 mA (with expansion board) Lieferumfang 1x XIAO ESP32S3 1x Plug-in-Kamera-Sensorplatine 1x Antenne Downloads GitHub

Lesen (+) (–)

Merkmale Dual-Core 64-Bit RISC-V RV64IMAFDC (RV64GC) CPU / 400 MHz (normal) Duale unabhängige FPU mit doppelter Präzision 8 MB On-Chip-SRAM mit 64 Bit Breite Neuronaler Netzwerkprozessor (KPU) / 0,8 Tops Feldprogrammierbares IO-Array (FPIOA) AES, SHA256-Beschleuniger Direct Memory Access Controller (DMAC) Micropython-Unterstützung Unterstützung der Firmware-Verschlüsselung Onboard-Hardware: Blitz: 16M Kamera: OV7740 2x Knöpfe Statusanzeige-LED Externer Speicher: TF-Karte/Micro SD Schnittstelle: HY2.0/kompatibel mit GROVE Anwendungen Gesichtserkennung/-erkennung Objekterkennung/-klassifizierung Ermitteln Sie die Größe und Koordinaten des Ziels in Echtzeit Erhalten Sie den Typ des erkannten Ziels in Echtzeit Formerkennung, Videorecorder Inbegriffen 1x UNIT-V (einschließlich 20 cm 4P-Kabel und USB-C-Kabel)

Lesen (+) (–)

Benötigen Sie eine einfache KI-Kamera, um Ihre Projekte zu verbessern? Das intuitive Design der HuskyLens AI-Kamera ermöglicht es dem Benutzer, verschiedene Aspekte der Kamera durch einfaches Drücken von Tasten zu steuern. Sie können das Lernen neuer Objekte starten und stoppen und sogar den Algorithmus vom Gerät aus wechseln. Um die Notwendigkeit, eine Verbindung zu einem PC herzustellen, noch weiter zu reduzieren, verfügt die HuskyLens AI-Kamera über ein 2-Zoll-Display, sodass Sie in Echtzeit sehen können, was vor sich geht. Spezifikationen Prozessor: Kendryte K210 Bildsensor: OV2640 (2,0-Megapixel-Kamera) Versorgungsspannung: 3,3 ~ 5,0 V Stromverbrauch (TYP): 320 mA bei 3,3 V, 230 mA bei 5,0 V (Gesichtserkennungsmodus; 80 % Hintergrundbeleuchtung; Fülllicht aus) Verbindungsschnittstelle: UART, I²C Display: 2,0-Zoll-IPS-Bildschirm mit einer Auflösung von 320 x 240 Integrierte Algorithmen: Gesichtserkennung, Objektverfolgung, Objekterkennung, Linienverfolgung, Farberkennung, Tag-Erkennung Abmessungen: 52 x 44,5 mm Inbegriffen 1x HuskyLens-Motherboard 1x M3-Schraube 1x M3 Muttern 1x kleine Montagehalterung 1x Erhöhungshalterung 1x Schwerkraft-4-Pin-Sensorkabel

Lesen (+) (–)

This collection features the best of Elektor Magazine's articles on embedded systems and artificial intelligence. From hands-on programming guides to innovative AI experiments, these pieces offer valuable insights and practical knowledge for engineers, developers, and enthusiasts exploring the evolving intersection of hardware design, software innovation, and intelligent technology. Contents Programming PICs from the Ground UpAssembler routine to output a sine wave Object-Oriented ProgrammingA Short Primer Using C++ Programming an FPGA Tracking Down Microcontroller Buffer Overflows with 0xDEADBEEF Too Quick to Code and Too Slow to Test? Understanding the Neurons in Neural NetworksEmbedded Neurons MAUI Programming for PC, Tablet, and SmartphoneThe New Framework in Theory and Practice USB Killer DetectorBetter Safe Than Sorry Understanding the Neurons in Neural NetworksArtificial Neurons A Bare-Metal Programming Guide Part 1: For STM32 and Other Controllers Part 2: Accurate Timing, the UART, and Debugging Part 3: CMSIS Headers, Automatic Testing, and a Web Server Introduction to TinyMLBig Is Not Always Better Microprocessors for Embedded SystemsPeculiar Parts, the Series FPGAs for BeginnersThe Path From MCU to FPGA Programming AI in Electronics DevelopmentAn Update After Only One Year AI in the Electronics LabGoogle Bard and Flux Copilot Put to the Test ESP32 and ChatGPTOn the Way to a Self-Programming System… Audio DSP FX Processor Board Part 1: Features and Design Part 2: Creating Applications Rust + EmbeddedA Development Power Duo A Smart Object CounterImage Recognition Made Easy with Edge Impulse Universal Garden LoggerA Step Towards AI Gardening A VHDL ClockMade with ChatGPT TensorFlow Lite on Small MicrocontrollersA (Very) Beginner’s Point of View Mosquito DetectionUsing Open Datasets and Arduino Nicla Vision Artificial Intelligence Timeline Intro to AI AlgorithmsPrompt: Which Algorithms Implement Each AI Tool? Bringing AI to the Edgewith ESP32-P4 The Growing Role of Edge AIA Trend Shaping the Future

Lesen (+) (–)

Das SparkFun JetBot AI Kit V2.1 ist ein großartiger Startpunkt für die Erstellung völlig neuer KI-Projekte für Maker, Studenten und Enthusiasten, die daran interessiert sind, KI zu lernen und lustige Anwendungen zu bauen. Es ist einfach einzurichten und zu verwenden und ist mit vielen beliebten Zubehörteilen kompatibel. Mehrere interaktive Tutorials zeigen Ihnen, wie Sie die Kraft der KI nutzen können, um dem SparkFun JetBot beizubringen, Objekten zu folgen, Kollisionen zu vermeiden und vieles mehr. Das Jetson Nano Developer Kit (nicht in diesem Kit enthalten) bietet nützliche Tools wie die Jetson GPIO Python-Bibliothek und ist kompatibel mit Standardsensoren und Peripheriegeräten; einschließlich einiger neuer Python-Kompatibilität mit dem SparkFun Qwiic-Ökosystem. Zusätzlich wird das mitgelieferte Image mit der erweiterten Funktionalität von JetBot ROS (Robot Operating System) und AWS RoboMaker Ready mit AWS IoT Greengrass bereits installiert geliefert. Das JetBot AI Kit von SparkFun ist das einzige Kit auf dem Markt, das über die Standard-JetBot-Beispiele hinaus in die Welt der vernetzten und intelligenten Robotik vorstößt. Dieses Kit enthält alles, was Sie brauchen, um mit JetBot zu beginnen, abzüglich eines Kreuzschlitzschraubendrehers und einer Ubuntu-Desktop-GUI. Wenn Sie diese benötigen, sehen Sie sich die Registerkarten "Includes" für einige Vorschläge aus unserem Katalog an. Bitte beachten Sie, dass die Fähigkeit, mehrere neuronale Netzwerke parallel zu betreiben, nur mit einer vollen 5V-4A Stromversorgung möglich ist. Features SparkFun Qwiic Ökosystem für I²C-Kommunikation Das Ökosystem kann mit 4x Qwiic-Anschlüssen auf GPIO-Header erweitert werden Beispielcode für Grundbewegung, Teleoperation, Kollisionsvermeidung, & Objektverfolgung Kompakter Formfaktor zur Optimierung des vorhandenen neuronalen Netzes von NVIDIA 136° FOV Kamera für maschinelles Sehen Vorgeflashte MicroSD-Karte Gehäuseaufbau bietet erweiterbare Architektur Lieferumfang 64GB MicroSD-Karte - vorgeflashtes SparkFun JetBot Image: Nvidia Jetbot Basis-Image mit folgendem installiert: SparkFun Qwiic python library package Treiber für Edimax WiFi-Adapter Greengrass Jetbot ROS Leopard Imaging 136FOV Weitwinkelkamera & Flachbandkabel EDIMAX WiFi Adapter SparkFun Qwiic Motor Driver SparkFun Micro OLED Breakout (Qwiic) Alle Hardware & Prototyping-Elektronik benötigt, um Ihren voll funktionsfähigen Roboter zu vervollständigen! Erforderlich NVIDIA Jetson Nano Developer Kit Hier finden Sie die von SparkFun bereitgestellte Montageanleitung!

Lesen (+) (–)

Das Raspberry Pi AI HAT+ ist eine Erweiterungsplatine für den Raspberry Pi 5, die einen integrierten Hailo AI-Beschleuniger enthält. Dieses Add-on bietet einen kostengünstigen, effizienten und leicht zugänglichen Ansatz für die Integration von leistungsstarken KI-Funktionen, mit Anwendungen in den Bereichen Prozesssteuerung, Sicherheit, Heimautomatisierung und Robotik. Das AI HAT+ ist in Modellen mit 13 oder 26 Tera-Operationen pro Sekunde (TOPS) erhältlich und basiert auf den neuronalen Netzwerkbeschleunigern Hailo-8L und Hailo-8. Dieses 13 TOPS-Modell unterstützt effizient neuronale Netze für Aufgaben wie Objekterkennung, Semantik- und Instanzsegmentierung, Posenschätzung und mehr. Die 26 TOPS-Variante ist für größere Netzwerke geeignet, ermöglicht eine schnellere Verarbeitung und ist für den gleichzeitigen Betrieb mehrerer Netzwerke optimiert. Das AI HAT+ wird über die PCIe Gen3-Schnittstelle des Raspberry Pi 5 angeschlossen. Wenn auf dem Raspberry Pi 5 eine aktuelle Version des Raspberry Pi OS läuft, erkennt es automatisch den integrierten Hailo-Beschleuniger und macht die neuronale Verarbeitungseinheit (NPU) für KI-Aufgaben verfügbar. Darüber hinaus unterstützen die im Raspberry Pi OS enthaltenen rpicam-apps Kameraanwendungen das KI-Modul nahtlos und nutzen die NPU automatisch für kompatible Nachbearbeitungsfunktionen. Lieferumfang Raspberry Pi AI HAT+ (13 TOPS) Montage-Hardware-Kit (Abstandshalter, Schrauben) 16 mm GPIO-Stacking-Header Downloads Datasheet

Lesen (+) (–)

LuckFox Pico Mini ist ein kompaktes Linux-Mikro-Entwicklungsboard, das auf dem Rockchip RV1103-Chip basiert und eine einfache und effiziente Entwicklungsplattform für Entwickler bietet. Es unterstützt eine Vielzahl von Schnittstellen, einschließlich MIPI CSI, GPIO, UART, SPI, I²C, USB usw., was für eine schnelle Entwicklung und Fehlerbehebung praktisch ist. Features Single-Core ARM Cortex-A7 32-Bit-Kern mit integriertem NEON und FPU Eingebaute, von Rockchip selbst entwickelte NPU der 4. Generation, zeichnet sich durch hohe Rechenpräzision aus und unterstützt die Hybridquantisierung int, int8 und int16. Die Rechenleistung von int8 beträgt 0,5 TOPS und bis zu 1,0 TOPS mit int4 Integrierter, selbst entwickelter ISP3.2 der dritten Generation, unterstützt 4 Megapixel, mit mehreren Bildverbesserungs- und Korrekturalgorithmen wie HDR, WDR, mehrstufiger Rauschunterdrückung usw. Verfügt über eine leistungsstarke Kodierungsleistung, unterstützt den intelligenten Kodierungsmodus und das adaptive Stream-Speichern je nach Szene, spart mehr als 50% Bitrate im Vergleich zum herkömmlichen CBR-Modus, sodass die Bilder von der Kamera hochauflösende Bilder mit geringerer Größe und doppelt so viel Speicherplatz bieten Leerzeichen Die integrierte RISC-V-MCU unterstützt einen geringen Stromverbrauch und einen schnellen Start, unterstützt eine schnelle Bildaufnahme von 250 ms und lädt gleichzeitig die Al-Modellbibliothek, um die Gesichtserkennung "in einer Sekunde" zu realisieren. Eingebauter 16-Bit-DRAM DDR2, der anspruchsvolle Speicherbandbreiten bewältigen kann Integriert mit integriertem POR, Audio-Codec und MAC PHY Technische Daten Prozessor ARM Cortex-A7, Single-Core-32-Bit-CPU, 1,2 GHz, mit NEON und FPU NPU Rockchip NPU der 4. Generation, unterstützt int4, int8, int16; bis zu 1,0 TOPS (int4) ISP ISP3.2 der dritten Generation, bis zu 4 MP-Eingang bei 30fps, HDR, WDR, Rauschunterdrückung RAM 64 MB DDR2 Speicher 128 MB SPI NAND Flash USB USB 2.0-Host/Gerät über Typ-C Kameraschnittstelle MIPI CSI 2-spurig GPIO-Pins 17 GPIO-Pins Stromverbrauch RISC-V-MCU mit geringem Stromverbrauch für schnellen Start Abmessungen 28 x 21 mm Downloads Wiki

Lesen (+) (–)

Der LuckFox Pico Ultra ist ein kompakter Single-Board-Computer (SBC) mit dem Rockchip RV1106G3-Chipsatz, der für KI-Verarbeitung, Multimedia und stromsparende Embedded-Anwendungen entwickelt wurde. Er ist mit einer integrierten 1-TOPS-NPU ausgestattet und eignet sich daher ideal für Edge-KI-Workloads. Mit 256 MB RAM, 8 GB Onboard-eMMC-Speicher, integriertem WLAN und Unterstützung für das LuckFox PoE-Modul bietet das Board Leistung und Vielseitigkeit für eine Vielzahl von Anwendungsfällen. Der LuckFox Pico Ultra läuft unter Linux und unterstützt eine Vielzahl von Schnittstellen – darunter MIPI CSI, RGB-LCD, GPIO, UART, SPI, I²C und USB – und bietet so eine einfache und effiziente Entwicklungsplattform für Anwendungen in den Bereichen Smart Home, Industriesteuerung und IoT. Technische Daten Chip Rockchip RV1106G3 Prozessor Cortex-A7 1,2 GHz Neuronaler Netzwerkprozessor (NPU) 1 TOPS, unterstützt int4, int8, int16 Bildprozessor (ISP) Max. Eingangsgeschwindigkeit 5 M @30fps Speicher 256 MB DDR3L WLAN + Bluetooth 2,4 GHz WiFi-6 Bluetooth 5.2/BLE Kameraschnittstelle MIPI CSI 2-Lane DPI-Schnittstelle RGB666 PoE-Schnittstelle IEEE 802.3af PoE Lautsprecherschnittstelle MX1,25 mm USB USB 2.0 Host/Gerät GPIO 30 GPIO Pins Ethernet 10/100M Ethernet-Controller und eingebetteter PHY Standardspeichermedium eMMC (8 GB) Lieferumfang 1x LuckFox Pico Ultra W 1x LuckFox PoE Modul 1x IPX 2,4G 2 dB Antenne 1x USB-A auf USB-C Kabel 1x Schraubensatz Downloads Wiki

Lesen (+) (–)

Das Starterkit für Jetson Nano ist eines der besten Kits für Einsteiger, um mit Jetson Nano zu beginnen. Dieses Kit enthält eine 32-GB-MicroSD-Karte, einen 20-W-Adapter, einen 2-poligen Jumper, eine Kamera und ein Micro-USB-Kabel. Features 32 GB Hochleistungs-MicroSD-Karte 5 V/4 A Netzteil mit 2,1 mm DC Hohlstecker 2-poliger Jumper Raspberry Pi Kameramodul V2 Micro-B-zu-Typ-A-USB-Kabel mit aktivierter DATA-Funktion

Lesen (+) (–)

Der reComputer J3010 ist ein kompaktes und leistungsstarkes Edge-KI-Gerät, das auf dem NVIDIA Jetson Orin Nano basiert und eine beeindruckende KI-Leistung von 20 TOPS liefert – bis zu 40 mal schneller als der Jetson Nano. Es ist mit Jetpack 5.1.1 vorinstalliert und verfügt über eine 128-GB-SSD, 4x USB 3.2-Anschlüsse, HDMI, Gigabit-Ethernet und ein vielseitiges Trägerboard mit M.2 Key E für WLAN, M.2 Key M für SSD, RTC, CAN und ein 40-Pin GPIO Header. Anwendungen KI-Videoanalyse Machine Vision Robotik Technische Daten Jetson Orin Nano System-on-Module KI-Leistung reComputer J3010, Orin Nano 4 GB (20 TOPS) GPU GPU mit NVIDIA-Ampere-Architektur und 512 Kernen und 16 Tensor-Kernen (Orin Nano 4 GB) CPU Arm Cortex-A78AE v8.2 64-Bit-CPU mit 6 Kernen, 1,5 MB L2 + 4 MB L3 Speicher 4 GB 64-Bit LPDDR5 34 GB/s (Orin Nano 4 GB) Video-Encoder 1080p30 wird von 1–2 CPU-Kernen unterstützt Video-Decoder 1x 4K60 (H.265) | 2x 4K30 (H.265) | 5x 1080p60 (H.265) | 11x 1080p30 (H.265) Carrier Board Speicher M.2 Key M PCIe (M.2 NVMe 2280 SSD 128 GB enthalten) Netzwerk Ethernet 1x RJ-45 Gigabit Ethernet (10/100/1000M) M.2 Key E 1x M.2 Key E (vorinstalliertes 1x Wi-Fi/Bluetooth-Kombimodul) I/O USB 4x USB 3.2 Typ-A (10 Gbit/s)1x USB 2.0 Typ-C (Gerätemodus) CSI-Kamera 2x CSI (2-spurig, 15-polig) Display 1x HDMI 2.1 Lüfter 1x 4-poliger Lüfteranschluss (5 V PWM) CAN 1x CAN Multifunktionsanschluss 1x 40-Pin-Erweiterungs-Header 1x 12-Pin-Steuerung und UART-Header RTC RTC 2-polig, unterstützt CR1220 (nicht im Lieferumfang enthalten) Stromversorgung 9-19 V DC Mechanisch Abmessungen 130 x 120 x 58,5 mm (mit Gehäuse) Installation Desktop, Wandmontage Betriebstemperatur −10°C~60°C Lieferumfang 1x reComputer J3010 (System installiert) 1x Netzteil (12 V / 5 A) Downloads reComputer J301x Datasheet NVIDIA Jetson Devices and carrier boards comparisions reComputer J401 schematic design file reComputer J3010 3D file

Lesen (+) (–)

Der reComputer J1020 v2 ist ein kompaktes Edge-KI-Gerät mit NVIDIA Jetson Nano 4 GB, das 0,5 TFLOPs KI-Leistung liefert. Es verfügt über ein robustes Aluminiumgehäuse mit passivem Kühlkörper und ist mit JetPack 4.6.1 vorinstalliert. Das Gerät verfügt über 16 GB integrierten eMMC-Speicher und bietet 2x SCI, 4x USB 3.0, M.2 Key M, HDMI und DP. Anwendungen Computer Vision Maschinelles Lernen Autonomer mobiler Roboter (AMR) Technische Daten Jetson Nano 4 GB System-on-Modul KI-Leistung Jetson Nano 4 GB (0,5 TOPS) GPU NVIDIA Maxwel-Architektur mit 128 NVIDIA CUDA Kernen CPU Quad-Core ARM Cortex-A57 MPCore-Prozessor Speicher 4 GB 64-Bit LPDDR4 25,6 GB/s Video-Encoder 1x 4K30 | 2x 1080p60 | 4x 1080p30 | 4x 720p60 | 9x 720p30 (H.265 & H.264) Video-Decoder 1x 4K60 | 2x 4K30 | 4x 1080p60 | 8x 1080p30 | 9x 720p60 (H.265 & H.264) Carrier Board Speicher 1x M.2 Key M PCIe Netzwerk Ethernet 1x RJ-45 Gigabit Ethernet (10/100/1000M) I/O USB 4x USB 3.0 Typ-A1x Micro-USB-Anschluss für den Gerätemodus CSI-Kamera 2x CSI (2-spurig, 15-polig) Display 1x HDMI Typ A; 1x DP Lüfter 1x 4-poliger Lüfteranschluss (5 V PWM) CAN 1x CAN Multifunktionsanschluss 1x 40-Pin-Erweiterungs-Header 1x 12-Pin-Steuerung und UART-Header Stromversorgung DC 12 V/2 A Mechanisch Abmessungen 130 x 120 x 50 mm (mit Gehäuse) Installation Desktop, Wandmontage Betriebstemperatur −10°C~60°C Lieferumfang reComputer J1020 v2 (System installiert) 12 V/2 A Netzteil (mit 5 wechselbaren Adaptersteckern) Downloads reComputer J1020 v2 datasheet reComputer J1020 v2 3D file Seeed NVIDIA Jetson Product Catalog NVIDIA Jetson Device and Carrier Boards Comparison

Lesen (+) (–)

Das Waveshare Jetson Nano Developer Kit basiert auf den KI-Computern Jetson Nano (mit 16 GB eMMC) und Jetson Xavier NX. Es bietet nahezu die gleichen I/O-Anschlüsse, die gleiche Größe und Höhe wie das Jetson Nano Developer Kit (B01), wodurch ein Upgrade des Kernmoduls besonders einfach wird. Dank der Leistungsfähigkeit des Kernmoduls eignet es sich für Bereiche wie Bildklassifizierung, Objekterkennung, Segmentierung, Sprachverarbeitung usw. und kann in verschiedenen KI-Projekten eingesetzt werden. Technische Daten GPU 128-core Maxwell CPU Quad-Core ARM A57 bei 1,43 GHz RAM 4 GB 64-Bit LPDDR4 25,6 GB/s Speicher 16 GB eMMC + 64 GB TF-Karte Video-Encoder 250 MP/s 1x 4K @ 30 (HEVC) 2x 1080p @ 60 (HEVC) 4x 1080p @ 30 (HEVC) Video-Decoder 500 MP/s 1x 4K @ 60 (HEVC) 2x 4K @ 30 (HEVC) 4x 1080p @ 60 (HEVC) 8x 1080p @ 30 (HEVC) Kamera 1x MIPI CSI-2 D-PHY-Lanes Konnektivität Gigabit Ethernet, M.2 Key E-Erweiterungsanschluss Display HDMI USB 1x USB 3.2 Gen 1 Typ A 2x USB 2.0 Typ A 1x USB 2.0 Micro-B Schnittstellen GPIO, I²C, I²S, SPI, UART Abmessungen 100 x 80 x 29 mm Lieferumfang 1x JETSON-NANO-LITE-DEV-KIT (Carrier + Nano + Kühlkörper) 1x AC8265 Dual-Mode NIC 1x Lüfter 1x USB-Kabel (1,2 m) 1x Ethernet-Kabel (1,5 m) 1x 5 V/3 A Netzteil (EU) 1x 64 GB TF-Karte 1x Kartenleser Dokumentation Wiki

Lesen (+) (–)