Der Coral USB Accelerator fügt Ihrem System einen Edge-TPU-Coprozessor hinzu und ermöglicht High-Speed-Inferenzen durch maschinelles Lernen auf einer Vielzahl von Systemen, indem er einfach an einen USB-Port angeschlossen wird.
Features
Unterstütztes Host-Betriebssystem: Debian Linux, macOS, Windows 10
Kompatibel mit Raspberry Pi-Boards
Unterstütztes Framework: TensorFlow Lite
Führt High-Speed-ML-Inferenzen durch
Der integrierte Edge TPU-Coprozessor kann 4 Billionen Operationen (Tera-Operationen) pro Sekunde (TOPS) ausführen, wobei 0,5 Watt für jede TOPS (2 TOPS pro Watt) verbraucht werden. Beispielsweise kann es hochmoderne mobile Vision-Modelle wie MobileNet v2 mit fast 400 FPS auf energieeffiziente Weise ausführen.
Unterstützt alle wichtigen Plattformen
Verbindet sich über USB mit jedem System, auf dem Debian Linux (einschließlich Raspberry Pi), macOS oder Windows 10 ausgeführt wird.
Unterstützt TensorFlow Lite
Modelle müssen nicht von Grund auf neu erstellt werden. TensorFlow Lite-Modelle können für die Ausführung auf der Edge-TPU kompiliert werden.
Unterstützt AutoML Vision Edge
Mit AutoML Vision Edge können Sie ganz einfach schnelle, hochpräzise benutzerdefinierte Bildklassifizierungsmodelle erstellen und auf Ihrem Gerät bereitstellen.
Technische Daten
ML Accelerator
Google Edge TPU Coprozessor:4 TOPS (int8); 2 TOPS pro Watt
Anschluss
USB 3.0 Typ-C (Daten/Stromversorgung)
Abmessungen
65 x 30 mm
Downloads/Dokumentation
Datasheet
Get started with the USB Accelerator
Model compatibility on the Edge TPU
Edge TPU inferencing overview
Run multiple models with multiple Edge TPUs
Pipeline a model with multiple Edge TPUs
PyCoral API (Python)
Libcoral API (C++)
Libedgetpu API (C++)
Edge TPU compiler
Pre-compiled models
All software downloads
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
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
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
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
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
Das reComputer Gehäuse wurde speziell für das reComputer-System entwickelt, ist mit allen gängigen SBCs (Raspberry Pi, BeagleBone und Jetson Nano) kompatibel, verfügt über eine abnehmbare Acrylabdeckung auf der Oberseite und eine stapelbare Struktur, um endlose Möglichkeiten zu erweitern.
Features
Es ist mit den gängigsten SBCs kompatibel, darunter Raspberry Pi, BeagleBone und Jetson Nano.
Abnehmbare Deckschicht aus Acryl
Stapelbare Kofferstruktur für Erweiterungen
Lieferumfang
1x Acrylabdeckung
1x Aluminiumrahmen
1x Wärmeableitungsbasis
8x Seitenwand
8x Standoff
12x Schrauben
1x Schraubendreher
1x Knopf
1x Montageanleitung
Downloads
Dokumentation
Sind Sie bereit, mit der Entwicklung von Anwendungen für künstliche Intelligenz (KI) zu beginnen? Das NVIDIA Jetson Nano Developer Kit macht die Leistungsfähigkeit moderner KI für Macher, Entwickler und Studenten zugänglich.
Wenn Sie an NVIDIA denken, denken Sie wahrscheinlich zu Recht an Grafikkarten und GPUs. Die Erfolgsbilanz von Nvidia garantiert, dass der Jetson Nano über genügend Leistung verfügt, um selbst die anspruchsvollsten Aufgaben zu bewältigen.
Das NVIDIA Jetson Nano Developer Kit ist mit dem JetPack SDK von Nvidia kompatibel und ermöglicht die Bildklassifizierung und Objekterkennung in vielen Anwendungen.
Anwendungen
Das NVIDIA Jetson Nano Developer Kit kann mehrere neuronale Netze parallel ausführen für Anwendungen wie:
Bildklassifizierung
Segmentierung
Objekterkennung
Sprachverarbeitung
Technische Daten
GPU
128-core Maxwell
CPU
Quad-Core ARM A57 mit 1,43 GHz
Erinnerung
4 GB 64-Bit LPDDR4 25,6 GB/s
Lagerung
microSD (nicht im Lieferumfang enthalten)
Videokodierung
4K@30 | 4x 1080p @ 30 | 9x 720p @ 30 (H.264/H.265)
Videodekodierung
4K@60 | 2x 4K @ 30 | 8x 1080p @ 30 | 18x 720p @ 30 (H.264/H.265)
Kamera
1 x MIPI CSI-2 DPHY-Spuren
Konnektivität
Gigabit-Ethernet, M.2 Key E
Anzeige
HDMI 2.0 und eDP 1.4
USB
4x USB 3.0, USB 2.0 Micro-B
Schnittstellen
GPIO, I²C, I²S, SPI, UART
Maße
100 x 80 x 29 mm
Lieferumfang
NVIDIA Jetson Nano-Modul und Trägerplatine
Kleine Papierkarte mit Schnellstart- und Supportinformationen
Gefalteter Papierständer
Downloads
JetPack SDK
Dokumentation
Tutorials
Online Kurs
Wiki
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)
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
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!
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
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
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
Der Arduino Alvik ist ein leistungsstarker und vielseitiger Roboter, der speziell für die Ausbildung in Programmierung und Robotik entwickelt wurde.
Der Arduino Alvik basiert auf dem Arduino Nano ESP32 und bietet dank verschiedener Programmiersprachen wie MicroPython, Arduino C und blockbasierter Programmierung vielfältige Lernpfade. So können Anwender die Robotik, das Internet der Dinge (IoT) und die künstliche Intelligenz (KI) auf unterschiedliche Weise erforschen.
Arduino Alvik vereinfacht die Programmierung und komplexe Roboterprojekte, sodass Benutzer aller Erfahrungsstufen in die spannende Welt der Programmierung und Robotik eintauchen können. Es handelt sich außerdem um ein fächerübergreifendes Werkzeug, das die Kluft zwischen Bildung und der Zukunft der Robotik mit kostenlosen, an CSTA- und NGSS-Standards ausgerichteten Kursen schließt. Dieser innovative und vielseitige Roboter macht Lernen und Gestalten einfacher und unterhaltsamer denn je.
Features
Dank des vielseitigen Nano ESP32 und der umfassenden Programmierumgebung mit MicroPython und Arduino-Sprache verkürzt Alvik die Lernkurve in der Robotik. Alvik wurde für Benutzer aller Kenntnisstufen entwickelt und plant die Einführung von blockbasierter Programmierung, um die Zugänglichkeit für jüngere Schüler zu verbessern und einen spannenden Einstieg in die Robotik zu ermöglichen.
Die Flugzeit-, RGB-Farb- und Linienverfolgungssensoren von Alvik sowie das 6-Achsen-Gyroskop und der Beschleunigungsmesser ermöglichen es Benutzern, eine Reihe innovativer realer Projekte in Angriff zu nehmen. Von einem Hindernisvermeidungsroboter bis hin zu einem intelligenten Lagerautomatisierungsroboter sind die Möglichkeiten unbegrenzt!
Alvik ist mit LEGO Technic-Anschlüssen ausgestattet, mit denen Benutzer den Roboter personalisieren und seine Fähigkeiten erweitern können. Darüber hinaus verfügt es über M3-Schraubenanschlüsse für kundenspezifische 3D- oder Laserdesigns.
Die Servo-, I²C Grove- und I²C Qwiic-Anschlüsse ermöglichen es Benutzern, das Potenzial von Alvik zu erweitern und Robotikprojekte auf eine völlig neue Ebene zu bringen. Fügen Sie Motoren zur Steuerung von Bewegungen und Roboterarmen hinzu oder integrieren Sie zusätzliche Sensoren zur Datenerfassung und -analyse.
Technische Daten
Alvik-Hauptcontroller
Arduino Nano ESP32:
8 MB RAM
u-blox NORA-W106 (ESP32-S3)
Prozessor bis 240 MHz
ROM 384 kB + SRAM 512 kB
16 MB externer FLASH
Alvik integrierter Core
STM32 Arm Cortex-M4 32 Bit
Stromversorgung
Nano ESP32 USB-C wiederaufladbarer und austauschbarer 18650 Li-Ion-Akku (im Lieferumfang enthalten)
Programmiersprache
MicroPython, Arduino & Blockbasierte Programmierung
Konnektivität
Wi-Fi, Bluetooth LE
Eingänge
Flugzeit-Entfernungssensor (bis zu 350 cm)RGB-Farbsensor6-Achsen-Gyroskop-Beschleunigungsmesser3x Linienfolger-Array7x Berührbare Tasten
Ausgänge
2x RGB-LEDs6-V-Motoren (Leerlaufdrehzahl 96 U/min, Leerlaufstrom 70 mA)
Erweiterungen
4x LEGO Technic Anschlüsse8x M3 SchraubanschlüsseServomotorI²C GroveI²C Qwiic
Downloads
Datasheet
Documentation
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
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
Dieses AI Edge Computing Development Kit basiert auf dem Jetson Orin Nano Modul und bietet umfangreiche Peripherieschnittstellen wie M.2, DP, USB usw.
Dieses Kit enthält außerdem eine vorinstallierte drahtlose Netzwerkkarte AW-CB375NF, die Bluetooth 5.0 und Dualband-WIFI unterstützt, sowie zwei zusätzliche PCB-Antennen für eine schnelle und zuverlässige drahtlose Netzwerkverbindung und Bluetooth-Kommunikation.
Technische Daten
KI-Leistung
40 TOPS
GPU
1024-Kern-GPU mit N-VIDIA Ampere-Architektur und 32 Tensor-Kernen
GPU-Frequenz
625 MHz (maximal)
CPU
Arm Cortex-A78AE v8.2 64-Bit-CPU mit 6 Kernen, 1,5 MB L2 + 4 MB L3
CPU-Frequenz
1,5 GHz (maximal)
RAM
8 GB 128-Bit LPDDR5, 68 GB/s
Speicher
128 GB NVMe Solid State Drive
Stromversorgung
7~15 W
PCIE
M.2 Key M-Steckplatz mit x4 PCIe Gen3
M.2 Key M-Steckplatz mit x2 PCIe Gen3
M.2 Key E-Steckplatz
USB
USB Typ-A: 4x USB 3.2 Gen2
USB Typ-C (UFP)
CSI-Kamera
2x MIPI CSI-2 Kameraanschluss
Videokodierung
1080p30 wird von 1–2 CPU-Kernen unterstützt
Videodekodierung
1x 4K60 (H.265)
2x 4K30 (H.265)
5x 1080p60 (H.265)
11x 1080p30 (H.265)
Anzeige
1x DisplayPort 1.2 (+MST)-Anschluss
Schnittstellen
40-Pin-Erweiterungs-Header (UART, SPI, I²S, I²C, GPIO), 12-Pin-Tasten-Header, 4-Pin-Lüfter-Header, DC-Stromanschluss
Netzwerk
1x GbE-Anschluss
Abmessungen
103 x 90,5 x 34 mm
Lieferumfang
Waveshare Orin Nano Development Kit
1x Jetson Orin Nano Modul (8 GB)
1x JETSON-ORIN-IO-BASE
1x Lüfter
1x 128 GB NVMe Solid State Drive (montiert)
1x WLAN-Netzwerkkarte (montiert)
1x USB-A auf Typ-C-Kabel (1 m)
1x Ethernet-Kabel (1,5 m)
1x Jumper
1x Netzteil (EU)
Dokumentation
Wiki
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
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