HOME
  Security
   Software
    Hardware
  
FPGA
  CPU
   Android
    Raspberry Pi
  
nLite
  Xcode
   etc.
    ALL
  
English Translate 中文翻訳
LINK
BACK
 

[NEW] 2019/04/20

NVIDIA Jetson Nano 開発者キットを Raspberry Pi 3と性能比較してみたベンチマークレビュー NVIDIA Jetson Nano 開発者キットを Raspberry Pi 3と性能比較してみたベンチマークレビュー

(Jetson Nanoの GPUパワーを実感して Raspberry Pi 3との置き換えは可能かを検証する)

Tags: [Raspberry Pi], [電子工作], [ディープラーニング]





● NVIDIA Jetson Nano 開発者キットを買ってみた

 NVIDIA Jetson Nano 開発者キットを買ってみた。買っただけ。
 Ubuntuベースの Linuxが動きます。メモリ容量が 4GB有ります!
モダン AI のパワーを数百万のデバイスへ - NVIDIA Jetson Nano

Jetson Nano であらゆる人が AI コンピューティングの利用が可能に

Jetson Download Center

[PDF] Jetson Nano Developer Kit - NVIDIA Developer

NVIDIA AI IOT

 購入に踏み切ったポイントとしては、
 ・RAMメモリ容量が 4GB
 ・Ubuntuベースの Linuxが動く
 ・消費電力が 1Wと少ない
 ・GPUを使った計算が可能

 普通にラズパイと同じ使い方としても RAMメモリ容量が 4GBと言うのが非常に嬉しいです。
 あと、消費電力が 1Wと少ないもラズパイであるあるの電源トラブルに悩まなくて良いかと。
 ※ Jetson Nanoは 10W動作モードで動かす場合は +5V 2Aの電源が必要です。
 ※ Jetson Nanoを 20W動作モードで動かす場合は +5V 4Aの電源が必要です。


● NVIDIA Jetson Nano 開発者キットを Raspberry Pi 3と性能比較してみたベンチマークレビュー

 Jetson Nanoの GPUパワーを実感して Raspberry Pi 3との置き換えは可能かを検証する。

 NVIDIA Jetson Nanoは ARM Cortex-A57
 ラズパイ3は ARM Cortex-A53

 CPU単体の性能は NVIDIA Jetson Nanoの ARM Cortex-A57の方が上。

ARM Cortex-A53
ARM Cortex-A57


● ラズパイと NVIDIA Jetson Nano 開発者キットを比べての結論

 GPIOや I2C、I2S、PWM、I2S等を使用した周辺機器で遊びたい = ラズパイ
 ※ Jetson Nanoは GPIOの機能が弱いので周辺機器で遊ぶのは不向きです

 ディープラーニング、機械学習をバリバリしたい = Jetson Nano
 ※ ラズパイで「ディープラーニング」は負荷が高いので不向きです

 要は使い分けと言う事。


● ラズパイと比べて NVIDIA Jetson Nano 開発者キットの良い所

・ sudo poweroff で電源を切った時に、基板上の緑色の LEDが消えるので電源のオフがわかりやすい。
 (ラズパイは電源ランプの LEDが消えない)

2016/04/02
Raspberry Pi 3をシャットダウンした時に電源が切れたかを簡単に確認する方法
Raspberry Pi 3をシャットダウンした時に電源が切れたかを簡単に確認する方法

  ラズパイをシャットダウン操作した時に電源が切れたかを簡単に確認する方法

・ RAMメモリ容量が 4GBなのでメモリ不足に悩まない。
 (ラズパイは 1GBなのでメモリ不足で死ぬ事が有る)

[NEW] 2018/08/14
Raspberry Piでメモリを馬鹿食いするアプリ用に不要なサービスを停止してフリーメモリを増やす方法
Raspberry Piでメモリを馬鹿食いするアプリ用に不要なサービスを停止してフリーメモリを増やす方法

  ラズパイでメモリを沢山使用するビルドやアプリ用に不要なサービス等を停止して使えるメインメモリを増やす


● CPUと GPUの演算性能や演算方法の違いを視覚化したデモムービー

ハイパフォーマンスコンピューティング - GPUで加速化したコンピューティングとは?
 CPUと GPUの演算性能や演算方法の違いを視覚化したデモムービー

 ギミックの作成は「怪しい伝説」で有名な Mythbustersの アダムとジェイミー。
 The Mythbusters, Adam Savage and Jamie Hyneman demonstrate the power of GPU computing.

Mythbusters Demo GPU versus CPU




● Darknet Neural Network Frameworkを入れて物体検出や悪夢のグロ画像を生成する

 もう、この手のアプリケーションにはラズパイの出番は無さそう。
 (Intel Compute Stick等を使用しない基板単体の場合。て言うか、Intel Compute Stickの値段で Jetson Nanoが買える)

 Darknet Benchmark

NVIDIA Jetson Nano
10W mode
NVIDIA Jetson Nano
10W mode
Raspberry Pi 3 Model B+性能比較
GPU and CUDNN ONGPU and CUDNN OFFCPU only.
0.7秒36秒292秒417倍(8倍)


[NEW] 2018/08/14
【成功版】Raspberry Piで Darknet Neural Network Frameworkをビルドする方法
【成功版】Raspberry Piで Darknet Neural Network Frameworkをビルドする方法

  ラズパイに Darknet Neural Network Frameworkを入れて物体検出や悪夢のグロ画像を生成する

$ uname -a
Linux user-desktop 4.9.140-tegra #1 SMP PREEMPT Wed Mar 13 00:32:22 PDT 2019 aarch64 aarch64 aarch64 GNU/Linux

$ free -h
              total        used        free      shared  buff/cache   available
Mem:           3.9G        514M        3.0G         26M        371M        3.2G
Swap:            0B          0B          0B

$ cat /proc/cpuinfo
processor       : 0
model name      : ARMv8 Processor rev 1 (v8l)
BogoMIPS        : 38.40
Features        : fp asimd evtstrm aes pmull sha1 sha2 crc32
CPU implementer : 0x41
CPU architecture: 8
CPU variant     : 0x1
CPU part        : 0xd07
CPU revision    : 1

processor       : 1
model name      : ARMv8 Processor rev 1 (v8l)
BogoMIPS        : 38.40
Features        : fp asimd evtstrm aes pmull sha1 sha2 crc32
CPU implementer : 0x41
CPU architecture: 8
CPU variant     : 0x1
CPU part        : 0xd07
CPU revision    : 1

processor       : 2
model name      : ARMv8 Processor rev 1 (v8l)
BogoMIPS        : 38.40
Features        : fp asimd evtstrm aes pmull sha1 sha2 crc32
CPU implementer : 0x41
CPU architecture: 8
CPU variant     : 0x1
CPU part        : 0xd07
CPU revision    : 1

processor       : 3
model name      : ARMv8 Processor rev 1 (v8l)
BogoMIPS        : 38.40
Features        : fp asimd evtstrm aes pmull sha1 sha2 crc32
CPU implementer : 0x41
CPU architecture: 8
CPU variant     : 0x1
CPU part        : 0xd07
CPU revision    : 1

$ sudo apt-get update

$ sudo apt-get -y install cmake

$ cd
$ git clone https://github.com/pjreddie/darknet.git --depth 1

$ cd darknet
$ git show
commit 61c9d02ec461e30d55762ec7669d6a1d3c356fb2 (grafted, HEAD -> master, origin/master, origin/HEAD)
Author: Joseph Redmon <pjreddie@gmail.com>
Date:   Fri Sep 14 08:03:20 2018 -0700

$ sudo apt-get -y install nano
$ nano Makefile

# GPUと CUDNNを有効にする
$ sed -i -e "s/GPU=0/GPU=1/g" Makefile
$ sed -i -e "s/CUDNN=0/CUDNN=1/g" Makefile

# nvcc: not found
$ make
/bin/sh: 1: nvcc: not found
Makefile:92: recipe for target 'obj/convolutional_kernels.o' failed
make: *** [obj/convolutional_kernels.o] Error 127

$ /usr/local/cuda/bin/nvcc
nvcc fatal   : No input files specified; use option --help for more information

$ /usr/local/cuda/bin/nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2018 NVIDIA Corporation
Built on Sun_Sep_30_21:09:22_CDT_2018
Cuda compilation tools, release 10.0, V10.0.166

# nvccにパスを通す
$ export PATH=${PATH}:/usr/local/cuda/bin
$ make
gcc -Iinclude/ -Isrc/ -DGPU -I/usr/local/cuda/include/ -DCUDNN  -Wall -Wno-unused-result -Wno-unknown-pragmas -Wfatal-errors -fPIC -Ofast -DGPU -DCUDNN obj/captcha.o obj/lsd.o obj/super.o obj/art.o obj/tag.o obj/cifar.o obj/go.o obj/rnn.o obj/segmenter.o obj/regressor.o obj/classifier.o obj/coco.o obj/yolo.o obj/detector.o obj/nightmare.o obj/instance-segmenter.o obj/darknet.o libdarknet.a -o darknet -lm -pthread  -L/usr/local/cuda/lib64 -lcuda -lcudart -lcublas -lcurand -lcudnn -lstdc++  libdarknet.a

$ ls -l darknet
-rwxrwxr-x 1 user user 1792208  4月 19 22:51 darknet

$ ./darknet
usage: ./darknet <function>

$ wget https://pjreddie.com/media/files/yolov2.weights
--2019-04-19 22:56:42--  https://pjreddie.com/media/files/yolov2.weights
Resolving pjreddie.com (pjreddie.com)... 128.208.4.108
Connecting to pjreddie.com (pjreddie.com)|128.208.4.108|:443... connected.
HTTP request sent, awaiting response... 200 OK
Length: 203934260 (194M) [application/octet-stream]
Saving to: ‘yolov2.weights’

yolov2.weights      100%[===================>] 194.49M  5.57MB/s    in 34s

2019-04-19 22:57:18 (5.65 MB/s) - ‘yolov2.weights’ saved [203934260/203934260]

$ ./darknet detect cfg/yolov2.cfg yolov2.weights data/person.jpg
layer     filters    size              input                output
    0 conv     32  3 x 3 / 1   608 x 608 x   3   ->   608 x 608 x  32  0.639 BFLOPs
    1 max          2 x 2 / 2   608 x 608 x  32   ->   304 x 304 x  32
    2 conv     64  3 x 3 / 1   304 x 304 x  32   ->   304 x 304 x  64  3.407 BFLOPs
    3 max          2 x 2 / 2   304 x 304 x  64   ->   152 x 152 x  64
    4 conv    128  3 x 3 / 1   152 x 152 x  64   ->   152 x 152 x 128  3.407 BFLOPs
    5 conv     64  1 x 1 / 1   152 x 152 x 128   ->   152 x 152 x  64  0.379 BFLOPs
    6 conv    128  3 x 3 / 1   152 x 152 x  64   ->   152 x 152 x 128  3.407 BFLOPs
    7 max          2 x 2 / 2   152 x 152 x 128   ->    76 x  76 x 128
    8 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
    9 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
   10 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
   11 max          2 x 2 / 2    76 x  76 x 256   ->    38 x  38 x 256
   12 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   13 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
   14 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   15 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
   16 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   17 max          2 x 2 / 2    38 x  38 x 512   ->    19 x  19 x 512
   18 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   19 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
   20 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   21 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
   22 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   23 conv   1024  3 x 3 / 1    19 x  19 x1024   ->    19 x  19 x1024  6.814 BFLOPs
   24 conv   1024  3 x 3 / 1    19 x  19 x1024   ->    19 x  19 x1024  6.814 BFLOPs
   25 route  16
   26 conv     64  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x  64  0.095 BFLOPs
   27 reorg              / 2    38 x  38 x  64   ->    19 x  19 x 256
   28 route  27 24
   29 conv   1024  3 x 3 / 1    19 x  19 x1280   ->    19 x  19 x1024  8.517 BFLOPs
   30 conv    425  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 425  0.314 BFLOPs
   31 detection
mask_scale: Using default '1.000000'
Loading weights from yolov2.weights...Done!
data/person.jpg: Predicted in 0.730307 seconds.
horse: 82%
dog: 86%
person: 86%

NVIDIA Jetson Nanoは 0.7秒 10Wモード
Raspberry Pi 3は 161秒
data/person.jpg: Predicted in 161.068979 seconds.
horse: 91%
dog: 85%
person: 85%

$ wget http://pjreddie.com/media/files/vgg-conv.weights
URL transformed to HTTPS due to an HSTS policy
--2019-04-19 22:59:37--  https://pjreddie.com/media/files/vgg-conv.weights
Resolving pjreddie.com (pjreddie.com)... 128.208.4.108
Connecting to pjreddie.com (pjreddie.com)|128.208.4.108|:443... connected.
HTTP request sent, awaiting response... 200 OK
Length: 58858768 (56M) [application/octet-stream]
Saving to: ‘vgg-conv.weights’

vgg-conv.weights    100%[===================>]  56.13M  5.21MB/s    in 14s

2019-04-19 22:59:52 (3.91 MB/s) - ‘vgg-conv.weights’ saved [58858768/58858768]

$ ./darknet nightmare cfg/vgg-conv.cfg vgg-conv.weights data/scream.jpg 10
policy: Using default 'constant'
max_batches: Using default '0'
layer     filters    size              input                output
    0 conv     64  3 x 3 / 1   224 x 224 x   3   ->   224 x 224 x  64  0.173 BFLOPs
    1 conv     64  3 x 3 / 1   224 x 224 x  64   ->   224 x 224 x  64  3.699 BFLOPs
    2 max          2 x 2 / 2   224 x 224 x  64   ->   112 x 112 x  64
    3 conv    128  3 x 3 / 1   112 x 112 x  64   ->   112 x 112 x 128  1.850 BFLOPs
    4 conv    128  3 x 3 / 1   112 x 112 x 128   ->   112 x 112 x 128  3.699 BFLOPs
    5 max          2 x 2 / 2   112 x 112 x 128   ->    56 x  56 x 128
    6 conv    256  3 x 3 / 1    56 x  56 x 128   ->    56 x  56 x 256  1.850 BFLOPs
    7 conv    256  3 x 3 / 1    56 x  56 x 256   ->    56 x  56 x 256  3.699 BFLOPs
    8 conv    256  3 x 3 / 1    56 x  56 x 256   ->    56 x  56 x 256  3.699 BFLOPs
    9 max          2 x 2 / 2    56 x  56 x 256   ->    28 x  28 x 256
   10 conv    512  3 x 3 / 1    28 x  28 x 256   ->    28 x  28 x 512  1.850 BFLOPs
   11 conv    512  3 x 3 / 1    28 x  28 x 512   ->    28 x  28 x 512  3.699 BFLOPs
   12 conv    512  3 x 3 / 1    28 x  28 x 512   ->    28 x  28 x 512  3.699 BFLOPs
   13 max          2 x 2 / 2    28 x  28 x 512   ->    14 x  14 x 512
   14 conv    512  3 x 3 / 1    14 x  14 x 512   ->    14 x  14 x 512  0.925 BFLOPs
   15 conv    512  3 x 3 / 1    14 x  14 x 512   ->    14 x  14 x 512  0.925 BFLOPs
   16 conv    512  3 x 3 / 1    14 x  14 x 512   ->    14 x  14 x 512  0.925 BFLOPs
   17 max          2 x 2 / 2    14 x  14 x 512   ->     7 x   7 x 512
Loading weights from vgg-conv.weights...Done!
Iteration: 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, done
0 scream_vgg-conv_10_000000

# GPUと CUDNNを無効にする
$ sed -i -e "s/GPU=1/GPU=0/g" Makefile
$ sed -i -e "s/CUDNN=1/CUDNN=0/g" Makefile

gcc -Iinclude/ -Isrc/ -Wall -Wno-unused-result -Wno-unknown-pragmas -Wfatal-errors -fPIC -Ofast obj/captcha.o obj/lsd.o obj/super.o obj/art.o obj/tag.o obj/cifar.o obj/go.o obj/rnn.o obj/segmenter.o obj/regressor.o obj/classifier.o obj/coco.o obj/yolo.o obj/detector.o obj/nightmare.o obj/instance-segmenter.o obj/darknet.o libdarknet.a -o darknet -lm -pthread  libdarknet.a

real    0m46.887s
user    0m57.984s
sys     0m3.388s

$ ls -l darknet
-rwxrwxr-x 1 user user 573688  4月 20 14:38 darknet

$ ./darknet detect cfg/yolov2.cfg yolov2.weights data/person.jpg
layer     filters    size              input                output
    0 conv     32  3 x 3 / 1   608 x 608 x   3   ->   608 x 608 x  32  0.639 BFLOPs
    1 max          2 x 2 / 2   608 x 608 x  32   ->   304 x 304 x  32
    2 conv     64  3 x 3 / 1   304 x 304 x  32   ->   304 x 304 x  64  3.407 BFLOPs
    3 max          2 x 2 / 2   304 x 304 x  64   ->   152 x 152 x  64
    4 conv    128  3 x 3 / 1   152 x 152 x  64   ->   152 x 152 x 128  3.407 BFLOPs
    5 conv     64  1 x 1 / 1   152 x 152 x 128   ->   152 x 152 x  64  0.379 BFLOPs
    6 conv    128  3 x 3 / 1   152 x 152 x  64   ->   152 x 152 x 128  3.407 BFLOPs
    7 max          2 x 2 / 2   152 x 152 x 128   ->    76 x  76 x 128
    8 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
    9 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
   10 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
   11 max          2 x 2 / 2    76 x  76 x 256   ->    38 x  38 x 256
   12 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   13 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
   14 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   15 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
   16 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   17 max          2 x 2 / 2    38 x  38 x 512   ->    19 x  19 x 512
   18 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   19 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
   20 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   21 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
   22 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   23 conv   1024  3 x 3 / 1    19 x  19 x1024   ->    19 x  19 x1024  6.814 BFLOPs
   24 conv   1024  3 x 3 / 1    19 x  19 x1024   ->    19 x  19 x1024  6.814 BFLOPs
   25 route  16
   26 conv     64  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x  64  0.095 BFLOPs
   27 reorg              / 2    38 x  38 x  64   ->    19 x  19 x 256
   28 route  27 24
   29 conv   1024  3 x 3 / 1    19 x  19 x1280   ->    19 x  19 x1024  8.517 BFLOPs
   30 conv    425  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 425  0.314 BFLOPs
   31 detection
mask_scale: Using default '1.000000'
Loading weights from yolov2.weights...Done!
data/person.jpg: Predicted in 36.355337 seconds.
horse: 82%
dog: 86%
person: 86%

# NVIDIA Jetson Nanoは 10Wモード
# GPUと CUDNNを無効にした状態では 36秒
# GPUと CUDNNを有効にした状態では 0.7秒

● ラズパイ3B+で上記と同一ブランチの Darknetの場合

 Raspberry Pi 3 Model B+
pi@raspberrypi:~ $ git clone https://github.com/pjreddie/darknet.git --depth 1
pi@raspberrypi:~ $ cd darknet
pi@raspberrypi:~/darknet $ git show
commit 61c9d02ec461e30d55762ec7669d6a1d3c356fb2

pi@raspberrypi:~/darknet $ ls -l darknet
-rwxr-xr-x 1 pi pi 476192 Apr 20 06:51 darknet

pi@raspberrypi:~/darknet $ wget https://pjreddie.com/media/files/yolov2.weights
yolov2.weights      100%[===================>] 194.49M  1.52MB/s    in 85s
2019-04-20 06:53:29 (2.28 MB/s) - ‘yolov2.weights’ saved [203934260/203934260]

pi@raspberrypi:~/darknet $ ./darknet detect cfg/yolov2.cfg yolov2.weights data/person.jpg
layer     filters    size              input                output
    0 conv     32  3 x 3 / 1   608 x 608 x   3   ->   608 x 608 x  32  0.639 BFLOPs
    1 max          2 x 2 / 2   608 x 608 x  32   ->   304 x 304 x  32
    2 conv     64  3 x 3 / 1   304 x 304 x  32   ->   304 x 304 x  64  3.407 BFLOPs
    3 max          2 x 2 / 2   304 x 304 x  64   ->   152 x 152 x  64
    4 conv    128  3 x 3 / 1   152 x 152 x  64   ->   152 x 152 x 128  3.407 BFLOPs
    5 conv     64  1 x 1 / 1   152 x 152 x 128   ->   152 x 152 x  64  0.379 BFLOPs
    6 conv    128  3 x 3 / 1   152 x 152 x  64   ->   152 x 152 x 128  3.407 BFLOPs
    7 max          2 x 2 / 2   152 x 152 x 128   ->    76 x  76 x 128
    8 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
    9 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
   10 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
   11 max          2 x 2 / 2    76 x  76 x 256   ->    38 x  38 x 256
   12 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   13 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
   14 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   15 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
   16 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   17 max          2 x 2 / 2    38 x  38 x 512   ->    19 x  19 x 512
   18 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   19 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
   20 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   21 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
   22 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   23 conv   1024  3 x 3 / 1    19 x  19 x1024   ->    19 x  19 x1024  6.814 BFLOPs
   24 conv   1024  3 x 3 / 1    19 x  19 x1024   ->    19 x  19 x1024  6.814 BFLOPs
   25 route  16
   26 conv     64  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x  64  0.095 BFLOPs
   27 reorg              / 2    38 x  38 x  64   ->    19 x  19 x 256
   28 route  27 24
   29 conv   1024  3 x 3 / 1    19 x  19 x1280   ->    19 x  19 x1024  8.517 BFLOPs
   30 conv    425  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 425  0.314 BFLOPs
   31 detection
mask_scale: Using default '1.000000'
Loading weights from yolov2.weights...Done!
data/person.jpg: Predicted in 292.377208 seconds.
horse: 82%
dog: 86%
person: 86%


● CPU Miner cpuminer-multiで暗号通貨を採掘する

 もう、この手のアプリケーションにはラズパイの出番は無さそう。(単体の場合)

 CPU Miner cpuminer-multi Benchmark
NVIDIA Jetson Nano
10W mode
Raspberry Pi 3 Model B+性能比較
$ ./cpuminer --benchmark
scrypt algorithm
Total: 6.64 kH/sTotal: 1.21 kH/s5.48倍
$ ./cpuminer --benchmark -a sha256d
sha256d algorithm
Total: 3389 kH/sTotal: 1142 kH/s2.96倍


2017/10/02
Raspberry Pi 3の CPUパワーで 暗号通貨を採掘する(非実用)。CPU Miner cpuminer-multiで採掘する
Raspberry Pi 3の CPUパワーで 暗号通貨を採掘する(非実用)。CPU Miner cpuminer-multiで採掘する

  CPUパワーで 仮想通貨の採掘は非実用ですが、ラズパイで動かす事が目的なので興味で動かす

$ cd
$ git clone https://github.com/tpruvot/cpuminer-multi

$ cd cpuminer-multi/
$ ./build.sh
configure: error: OpenSSL crypto library required
make: *** No targets specified and no makefile found.  Stop.

$ sudo apt-get -y install automake autoconf pkg-config libcurl4-openssl-dev libjansson-dev libssl-dev libgmp-dev make g++

$ ./build.sh

/home/user/cpuminer-multi/algo/cryptonight.c:327: undefined reference to `fast_aesb_pseudo_round_mut'
/tmp/ccjffwmY.ltrans10.ltrans.o:/home/user/cpuminer-multi/algo/cryptonight.c:329: more undefined references to `fast_aesb_pseudo_round_mut' follow
collect2: error: ld returned 1 exit status
Makefile:941: recipe for target 'cpuminer' failed
make[2]: *** [cpuminer] Error 1
make[2]: Leaving directory '/home/user/cpuminer-multi'
Makefile:2766: recipe for target 'all-recursive' failed
make[1]: *** [all-recursive] Error 1
make[1]: Leaving directory '/home/user/cpuminer-multi'
Makefile:585: recipe for target 'all' failed
make: *** [all] Error 2
strip: 'cpuminer': No such file

$ ./build-linux-arm.sh

make[2]: Leaving directory '/home/user/cpuminer-multi'
make[1]: Leaving directory '/home/user/cpuminer-multi'
  => done.
$ ls -l cpuminer
-rwxrwxr-x 1 user user 1412352  4月 19 23:31 cpuminer
Stripping...
  => done.

$ ./cpuminer -help
** cpuminer-multi 1.3.6 by tpruvot@github **
$ ./cpuminer --benchmark
** cpuminer-multi 1.3.6 by tpruvot@github **
BTC donation address: 1FhDPLPpw18X4srecguG3MxJYe4a1JsZnd (tpruvot)

[2019-04-19 23:42:53] 4 miner threads started, using 'scrypt' algorithm.
[2019-04-19 23:42:54] CPU #0: 1.66 kH/s
[2019-04-19 23:42:54] CPU #1: 1.66 kH/s
[2019-04-19 23:42:54] CPU #2: 1.66 kH/s
[2019-04-19 23:42:54] CPU #3: 1.66 kH/s
[2019-04-19 23:42:54] Total: 6.64 kH/s
[2019-04-19 23:42:58] Total: 6.65 kH/s
[2019-04-19 23:43:03] CPU #0: 1.66 kH/s
[2019-04-19 23:43:03] CPU #1: 1.66 kH/s
[2019-04-19 23:43:03] CPU #2: 1.66 kH/s
[2019-04-19 23:43:03] CPU #3: 1.66 kH/s
[2019-04-19 23:43:03] Total: 6.65 kH/s
[2019-04-19 23:43:08] Total: 6.65 kH/s
[2019-04-19 23:43:13] CPU #2: 1.66 kH/s
[2019-04-19 23:43:13] CPU #1: 1.66 kH/s
[2019-04-19 23:43:13] CPU #3: 1.66 kH/s
[2019-04-19 23:43:13] Total: 6.65 kH/s
NVIDIA Jetson Nanoは 10Wモード

ラズパイ3は
[2017-10-14 08:28:00] thread 2: 4096 hashes, 0.95 khash/s
[2017-10-14 08:28:00] thread 0: 4096 hashes, 0.95 khash/s
[2017-10-14 08:28:00] thread 1: 4096 hashes, 0.93 khash/s
[2017-10-14 08:28:05] thread 0: 4733 hashes, 0.96 khash/s
[2017-10-14 08:28:05] thread 2: 4753 hashes, 0.95 khash/s
[2017-10-14 08:28:05] Total: 2.84 khash/s
$ ./cpuminer --benchmark -a sha256d
** cpuminer-multi 1.3.6 by tpruvot@github **
BTC donation address: 1FhDPLPpw18X4srecguG3MxJYe4a1JsZnd (tpruvot)

[2019-04-19 23:45:16] 4 miner threads started, using 'sha256d' algorithm.
[2019-04-19 23:45:19] CPU #0: 847.45 kH/s
[2019-04-19 23:45:19] CPU #1: 846.30 kH/s
[2019-04-19 23:45:19] CPU #3: 847.65 kH/s
[2019-04-19 23:45:19] CPU #2: 847.41 kH/s
[2019-04-19 23:45:21] Total: 3389 kH/s
[2019-04-19 23:45:26] CPU #0: 846.96 kH/s
[2019-04-19 23:45:26] CPU #1: 847.05 kH/s
[2019-04-19 23:45:26] CPU #3: 847.71 kH/s
[2019-04-19 23:45:26] Total: 3389 kH/s
[2019-04-19 23:45:26] CPU #2: 847.47 kH/s
[2019-04-19 23:45:31] Total: 3389 kH/s
[2019-04-19 23:45:36] CPU #0: 846.90 kH/s
[2019-04-19 23:45:36] CPU #1: 847.10 kH/s
[2019-04-19 23:45:36] CPU #3: 847.72 kH/s
[2019-04-19 23:45:36] Total: 3389 kH/s
NVIDIA Jetson Nanoは 10Wモード

ラズパイ3は
[2017-10-14 08:30:18] thread 0: 3385205 hashes, 672.18 khash/s
[2017-10-14 08:30:23] thread 1: 3399853 hashes, 679.74 khash/s
[2017-10-14 08:30:23] thread 2: 3402732 hashes, 680.62 khash/s
[2017-10-14 08:30:23] Total: 2033 khash/s

● ラズパイ3B+で上記と同一ブランチの tpruvot cpuminer-multiの場合

 Raspberry Pi 3 Model B+
pi@raspberrypi:~ $ cd

pi@raspberrypi:~ $ sudo apt-get -y install automake autoconf pkg-config libcurl4-openssl-dev libjansson-dev libssl-dev libgmp-dev make g++

pi@raspberrypi:~ $ git clone https://github.com/tpruvot/cpuminer-multi
pi@raspberrypi:~ $ cd cpuminer-multi/

pi@raspberrypi:~/cpuminer-multi $ git show
commit 39fff9e5b91690ad21a89e1ffd2a5d7cdc444a1a
Author: Tanguy Pruvot <tanguy.pruvot@gmail.com>
Date:   Sat Mar 16 17:16:41 2019 +0100

pi@raspberrypi:~/cpuminer-multi $ ./build-linux-arm.sh

make[2]: Leaving directory '/home/pi/cpuminer-multi'
make[1]: Leaving directory '/home/pi/cpuminer-multi'
  => done.
$ ls -l cpuminer
-rwxr-xr-x 1 pi pi 1892376 Apr 20 07:44 cpuminer
Stripping...
  => done.

pi@raspberrypi:~/cpuminer-multi $ ./cpuminer -help
** cpuminer-multi 1.3.6 by tpruvot@github **
BTC donation address: 1FhDPLPpw18X4srecguG3MxJYe4a1JsZnd (tpruvot)

Usage: cpuminer-multi [OPTIONS]
Options:
  -a, --algo=ALGO       specify the algorithm to use
                          allium       Garlicoin double lyra2
                          axiom        Shabal-256 MemoHash
                          bitcore      Timetravel with 10 algos
                          blake        Blake-256 14-rounds (SFR)
                          blakecoin    Blake-256 single sha256 merkle
                          blake2b      Blake2-B (512)
                          blake2s      Blake2-S (256)
                          bmw          BMW 256
                          c11/flax     C11
                          cryptolight  Cryptonight-light
                          cryptonight  Monero
                          decred       Blake-256 14-rounds 180 bytes
                          dmd-gr       Diamond-Groestl
                          drop         Dropcoin
                          fresh        Fresh
                          geek         GeekCash
                          groestl      GroestlCoin
                          heavy        Heavy
                          jha          JHA
                          keccak       Keccak (Old and deprecated)
                          keccakc      Keccak (CreativeCoin)
                          luffa        Luffa
                          lyra2re      Lyra2RE
                          lyra2rev2    Lyra2REv2
                          lyra2v3      Lyra2REv3 (Vertcoin)
                          myr-gr       Myriad-Groestl
                          neoscrypt    NeoScrypt(128, 2, 1)
                          nist5        Nist5
                          pluck        Pluck:128 (Supcoin)
                          pentablake   Pentablake
                          phi          LUX initial algo
                          phi2         LUX newer algo
                          quark        Quark
                          qubit        Qubit
                          rainforest   RainForest (256)
                          scrypt       scrypt(1024, 1, 1) (default)
                          scrypt:N     scrypt(N, 1, 1)
                          scrypt-jane:N (with N factor from 4 to 30)
                          shavite3     Shavite3
                          sha256d      SHA-256d
                          sia          Blake2-B
                          sib          X11 + gost (SibCoin)
                          skein        Skein+Sha (Skeincoin)
                          skein2       Double Skein (Woodcoin)
                          sonoa        A series of 97 hashes from x17
                          s3           S3
                          timetravel   Timetravel (Machinecoin)
                          vanilla      Blake-256 8-rounds
                          x11evo       Permuted x11
                          x11          X11
                          x12          X12
                          x13          X13
                          x14          X14
                          x15          X15
                          x16r         X16R (Raven)
                          x16s         X16S (Pigeon)
                          x17          X17
                          x20r         X20R
                          xevan        Xevan (BitSend)
                          yescrypt     Yescrypt
                          zr5          ZR5
  -o, --url=URL         URL of mining server
  -O, --userpass=U:P    username:password pair for mining server
  -u, --user=USERNAME   username for mining server
  -p, --pass=PASSWORD   password for mining server
      --cert=FILE       certificate for mining server using SSL
  -x, --proxy=[PROTOCOL://]HOST[:PORT]  connect through a proxy
  -t, --threads=N       number of miner threads (default: number of processors)
  -r, --retries=N       number of times to retry if a network call fails
                          (default: retry indefinitely)
  -R, --retry-pause=N   time to pause between retries, in seconds (default: 30)
      --time-limit=N    maximum time [s] to mine before exiting the program.
  -T, --timeout=N       timeout for long poll and stratum (default: 300 seconds)
  -s, --scantime=N      upper bound on time spent scanning current work when
                          long polling is unavailable, in seconds (default: 5)
      --randomize       Randomize scan range start to reduce duplicates
  -f, --diff-factor     Divide req. difficulty by this factor (std is 1.0)
  -m, --diff-multiplier Multiply difficulty by this factor (std is 1.0)
  -n, --nfactor         neoscrypt N-Factor
      --coinbase-addr=ADDR  payout address for solo mining
      --coinbase-sig=TEXT  data to insert in the coinbase when possible
      --max-log-rate    limit per-core hashrate logs (default: 5s)
      --no-longpoll     disable long polling support
      --no-getwork      disable getwork support
      --no-gbt          disable getblocktemplate support
      --no-stratum      disable X-Stratum support
      --no-extranonce   disable Stratum extranonce support
      --no-redirect     ignore requests to change the URL of the mining server
  -q, --quiet           disable per-thread hashmeter output
      --no-color        disable colored output
  -D, --debug           enable debug output
  -P, --protocol-dump   verbose dump of protocol-level activities
      --hide-diff       Hide submitted block and net difficulty
  -S, --syslog          use system log for output messages
  -B, --background      run the miner in the background
      --benchmark       run in offline benchmark mode
      --cputest         debug hashes from cpu algorithms
      --cpu-affinity    set process affinity to cpu core(s), mask 0x3 for cores 0 and 1
      --cpu-priority    set process priority (default: 0 idle, 2 normal to 5 highest)
  -b, --api-bind        IP/Port for the miner API (default: 127.0.0.1:4048)
      --api-remote      Allow remote control
      --max-temp=N      Only mine if cpu temp is less than specified value (linux)
      --max-rate=N[KMG] Only mine if net hashrate is less than specified value
      --max-diff=N      Only mine if net difficulty is less than specified value
  -c, --config=FILE     load a JSON-format configuration file
  -V, --version         display version information and exit
  -h, --help            display this help text and exit

pi@raspberrypi:~/cpuminer-multi $ ./cpuminer --benchmark
** cpuminer-multi 1.3.6 by tpruvot@github **
BTC donation address: 1FhDPLPpw18X4srecguG3MxJYe4a1JsZnd (tpruvot)

[2019-04-20 07:46:26] 4 miner threads started, using 'scrypt' algorithm.
[2019-04-20 07:46:28] CPU #1: 0.31 kH/s
[2019-04-20 07:46:28] CPU #2: 0.31 kH/s
[2019-04-20 07:46:28] CPU #3: 0.31 kH/s
[2019-04-20 07:46:28] CPU #0: 0.30 kH/s
[2019-04-20 07:46:31] Total: 1.23 kH/s
[2019-04-20 07:46:36] CPU #3: 0.31 kH/s
[2019-04-20 07:46:36] Total: 1.22 kH/s
[2019-04-20 07:46:36] CPU #2: 0.30 kH/s
[2019-04-20 07:46:36] CPU #1: 0.30 kH/s
[2019-04-20 07:46:36] CPU #0: 0.29 kH/s
[2019-04-20 07:46:41] Total: 1.23 kH/s
[2019-04-20 07:46:46] CPU #1: 0.30 kH/s
[2019-04-20 07:46:46] CPU #2: 0.30 kH/s
[2019-04-20 07:46:46] CPU #3: 0.31 kH/s
[2019-04-20 07:46:46] Total: 1.21 kH/s

pi@raspberrypi:~/cpuminer-multi $ ./cpuminer --benchmark -a sha256d
** cpuminer-multi 1.3.6 by tpruvot@github **
BTC donation address: 1FhDPLPpw18X4srecguG3MxJYe4a1JsZnd (tpruvot)

[2019-04-20 07:47:08] 4 miner threads started, using 'sha256d' algorithm.
[2019-04-20 07:47:16] CPU #2: 285.96 kH/s
[2019-04-20 07:47:16] CPU #3: 285.28 kH/s
[2019-04-20 07:47:16] CPU #1: 283.61 kH/s
[2019-04-20 07:47:16] CPU #0: 275.14 kH/s
[2019-04-20 07:47:21] Total: 1124 kH/s
[2019-04-20 07:47:25] CPU #2: 290.39 kH/s
[2019-04-20 07:47:25] CPU #3: 290.31 kH/s
[2019-04-20 07:47:25] Total: 1133 kH/s
[2019-04-20 07:47:26] CPU #1: 287.98 kH/s
[2019-04-20 07:47:26] CPU #0: 279.75 kH/s
[2019-04-20 07:47:27] Total: 1118 kH/s
[2019-04-20 07:47:30] Total: 1137 kH/s
[2019-04-20 07:47:31] CPU #2: 275.05 kH/s
[2019-04-20 07:47:31] CPU #3: 275.09 kH/s
[2019-04-20 07:47:31] Total: 1102 kH/s
[2019-04-20 07:47:36] CPU #1: 280.75 kH/s
[2019-04-20 07:47:36] CPU #0: 279.76 kH/s
[2019-04-20 07:47:36] Total: 1142 kH/s


● NNPACKのベンチマークで NVIDIA Jetson Nanoとラズパイを比較する

https://github.com/Maratyszcza/NNPACK

 NNPACK is an acceleration package for neural network computations. NNPACK aims to provide high-performance implementations of convnet layers for multi-core CPUs .

TestJetson NanoRaspberry Pi 3 Model B+
Test #144.09 sec59.82 sec
Test #2259.91 sec480.32 sec
Test #3975.74 secFailed
Test #41636.24 sec4407.35 sec
Test #56.40 sec15.74 sec

sudo apt-get -y install ninja-build

sudo pip install --upgrade git+https://github.com/Maratyszcza/PeachPy
sudo: pip: command not found

sudo apt-get -y install python-pip

 user@user-desktop:~$ python -V
# Python 2.7.15rc1

sudo pip install --upgrade git+https://github.com/Maratyszcza/PeachPy
sudo pip install --upgrade git+https://github.com/Maratyszcza/confu

cd
git clone https://github.com/Maratyszcza/NNPACK.git
cd NNPACK
confu setup
python configure.py

ninja

[87/198] LINK bin/convolution-inference-bench
FAILED: /home/user/NNPACK/bin/convolution-inference-bench
/home/user/NNPACK/deps/googlebenchmark/src/benchmark_register.cc:227: undefined reference to `benchmark::BenchmarkName::str[abi:cxx11]() const'
/home/user/NNPACK/lib/libgooglebenchmark.a(json_reporter.cc.o): In function `benchmark::JSONReporter::PrintRunData(benchmark::BenchmarkReporter::Run const&)':
/home/user/NNPACK/deps/googlebenchmark/src/json_reporter.cc:192: undefined reference to `benchmark::BenchmarkName::str[abi:cxx11]() const'
/home/user/NNPACK/lib/libgooglebenchmark.a(reporter.cc.o):/home/user/NNPACK/deps/googlebenchmark/src/reporter.cc:86: more undefined references to `benchmark::BenchmarkName::str[abi:cxx11]() const' follow
collect2: error: ld returned 1 exit status
[90/198] CXX bench/hxgemm.cc
ninja: build stopped: subcommand failed.

# python configure.pyの場合は Google Benchmark側のマイナーチェンジでビルドエラーが発生します
 回避策:
Build Error: symbol(s) not found #166
Maratyszcza commented Apr 28, 2019
confu recipe for Google Benchmark needs an update for recent Google Benchmark changes (mostly, add new files). One option is to fix the recipe here. Another option is to build NNPACK with CMake instead of Ninja.
 build NNPACK with CMake instead of Ninja
 と言う事で CMakeを使ってビルドします。

sudo apt-get -y install ninja-build

cd
git clone https://github.com/Maratyszcza/NNPACK.git
cd NNPACK

mkdir build
cd build
cmake -G Ninja ..
ninja

# NNPACKのベンチマーク(動作テスト)
ninja test

 Jetson Nano
user@user-desktop:~/NNPACK/build$ time ninja test
[0/1] Running tests...
Test project /home/user/NNPACK/build
      Start  1: convolution-inference-smoketest
 1/34 Test  #1: convolution-inference-smoketest .........   Passed   44.09 sec
      Start  2: convolution-inference-alexnet
 2/34 Test  #2: convolution-inference-alexnet ...........   Passed  259.91 sec
      Start  3: convolution-inference-overfeat
 3/34 Test  #3: convolution-inference-overfeat ..........   Passed  975.74 sec
      Start  4: convolution-inference-vgg
 4/34 Test  #4: convolution-inference-vgg ...............   Passed  1636.24 sec
      Start  5: convolution-output-smoketest
 5/34 Test  #5: convolution-output-smoketest ............   Passed    6.40 sec
      Start  6: convolution-output-alexnet
 6/34 Test  #6: convolution-output-alexnet ..............   Passed  3258.54 sec
      Start  7: convolution-output-overfeat
 7/34 Test  #7: convolution-output-overfeat .............   Passed  15647.77 sec
      Start  8: convolution-output-vgg

 8/34 Test  #8: convolution-output-vgg ..................   Passed  24916.11 sec
      Start  9: convolution-input-gradient-smoketest
 9/34 Test  #9: convolution-input-gradient-smoketest ....   Passed    2.85 sec
      Start 10: convolution-input-gradient-alexnet
10/34 Test #10: convolution-input-gradient-alexnet ......   Passed  1644.86 sec
      Start 11: convolution-input-gradient-overfeat
11/34 Test #11: convolution-input-gradient-overfeat .....***Failed  10810.61 sec

 Raspberry Pi 3 Model B+
[0/1] Running tests...
Test project /home/pi/NNPACK/build
      Start  1: convolution-inference-smoketest
 1/34 Test  #1: convolution-inference-smoketest .........   Passed   59.82 sec
      Start  2: convolution-inference-alexnet
 2/34 Test  #2: convolution-inference-alexnet ...........   Passed  480.32 sec
      Start  3: convolution-inference-overfeat
 3/34 Test  #3: convolution-inference-overfeat ..........***Failed  2103.42 sec
      Start  4: convolution-inference-vgg
 4/34 Test  #4: convolution-inference-vgg ...............   Passed  4407.35 sec
      Start  5: convolution-output-smoketest
 5/34 Test  #5: convolution-output-smoketest ............   Passed   15.74 sec


● NVIDIA Jetson Nanoで PhantomJS 2.1.1をビルドする方法

 ラズパイはメモリが 1GBなのでビルド中にスワップが発生しまくって時間が掛かる。
 NVIDIA Jetson Nanoはメモリが 4GBなので余裕でスイスイビルドできる。


2017/10/20
Raspberry Pi Raspbian Stretchで PhantomJS 2.1.1をビルドする方法、OpenSSL 1.1の罠
Raspberry Pi Raspbian Stretchで PhantomJS 2.1.1をビルドする方法、OpenSSL 1.1の罠

  ラズパイに Phantom.js 2.1.1の最新版をコンパイルしてインストールして Webサイトをスクレイピング





Tags: [Raspberry Pi], [電子工作], [ディープラーニング]

●関連するコンテンツ(この記事を読んだ人は、次の記事も読んでいます)

NVIDIA Jetson Nano 開発者キットを買ってみた。メモリ容量 4GB LPDDR4 RAM
NVIDIA Jetson Nano 開発者キットを買ってみた。メモリ容量 4GB LPDDR4 RAM

  Jetson Nanoで TensorFlow PyTorch Caffe/Caffe2 Keras MXNet等を GPUパワーで超高速で動かす!

NVIDIA Jetson Nano 開発者キットを動かすのに最低限必要な物の一覧、冷却ファン、NGFF 無線カード
NVIDIA Jetson Nano 開発者キットを動かすのに最低限必要な物の一覧、冷却ファン、NGFF 無線カード

  Jetson Nano 開発者キットに最低限必要な物、UHS-1 microSDカード、USBキーボード、電源、HDMIディスプレイ

NVIDIA Jetson Nano 開発者キットで使用する microSDカードに Ubuntu OSイメージを焼く方法を説明
NVIDIA Jetson Nano 開発者キットで使用する microSDカードに Ubuntu OSイメージを焼く方法を説明

  Jetson Nano 開発者キットを動かすのに必要な microSDカードを作成する方法(Windows、Mac)

NVIDIA Jetson Nano 開発者キットで SDカードで起動したら一番最初にする事
NVIDIA Jetson Nano 開発者キットで SDカードで起動したら一番最初にする事

  ログイン操作後に各種の初期設定やパッケージのアップデートをすると良いです

NVIDIA Jetson Nano Ubuntuのパッケージがアップデート可能な場合にアップデートする方法
NVIDIA Jetson Nano Ubuntuのパッケージがアップデート可能な場合にアップデートする方法

  Ubuntuのパッケージを更新して packages can be updatedを 0にする方法

NVIDIA Jetson Nanoで nvcc not found build CUDA app Errorの対応方法
NVIDIA Jetson Nanoで nvcc not found build CUDA app Errorの対応方法

  Jetson Nanoで CUDAを使用したアプリをビルドする時に nvcc not foundが出る場合の対処方法

NVIDIA Jetson Nanoの GUI環境を無効にして CUI環境で動く様にしてフリーメモリエリアを広げる
NVIDIA Jetson Nanoの GUI環境を無効にして CUI環境で動く様にしてフリーメモリエリアを広げる

  Ubuntuの X Window Systemを無効にして Jetson Nanoの使用できるメモリ容量を 300MB増やす方法

NVIDIA Jetson Nano 開発者キットの Tips一覧、冷却ファンが動かない、20Wモードで動かす、動作温度を知る、他
NVIDIA Jetson Nano 開発者キットの Tips一覧、冷却ファンが動かない、20Wモードで動かす、動作温度を知る、他

  Jetson Nanoで初心者が戸惑いそうな所を Tipsとしてまとめました nvcc not found

NVIDIA Jetson Nano 開発者キットに Raspberry Pi Camera Module V2 RaspiCamを接続する方法
NVIDIA Jetson Nano 開発者キットに Raspberry Pi Camera Module V2 RaspiCamを接続する方法

  Jetson Nanoは Raspberry Pi Camera Module V2の IMX219 800万画素カメラモジュールを接続できます

Raspberry Piで TensorFlow Deep Learning Frameworkを自己ビルドする方法
Raspberry Piで TensorFlow Deep Learning Frameworkを自己ビルドする方法

  ラズパイで TensorFlow Deep Learning Frameworkを自己ビルドする方法

Raspberry Piに PyTorch Deep Learning Frameworkをソースコードからビルドする方法、DeepDreamでキモイ絵を作成
Raspberry Piに PyTorch Deep Learning Frameworkをソースコードからビルドする方法、DeepDreamでキモイ絵を作成

  ラズパイで PyTorch Torch Deep Learning Frameworkをビルドして Deep Dreamで悪夢を見る方法

Raspberry Piで darkflowを動かしてリアルタイムでカメラ映像を画像物体検出する方法
Raspberry Piで darkflowを動かしてリアルタイムでカメラ映像を画像物体検出する方法

  ラズパイで darkflowと Tensorflowを動かしてリアルタイムでカメラ映像の物体検出を行なってみる

Raspberry Piで Caffe Deep Learning Frameworkで物体認識を行なってみるテスト
Raspberry Piで Caffe Deep Learning Frameworkで物体認識を行なってみるテスト

  ラズパイで Caffe Deep Learning Frameworkを動かして物体認識を行なってみる

Raspberry Piで Deep Learningフレームワーク Chainerをインストールしてみる
Raspberry Piで Deep Learningフレームワーク Chainerをインストールしてみる

  ラズパイに Deep Learningのフレームワーク Chainerを入れてみた

Raspberry Piで DeepBeliefSDKをビルドして画像認識フレームワークを動かす方法
Raspberry Piで DeepBeliefSDKをビルドして画像認識フレームワークを動かす方法

  ラズパイに DeepBeliefSDKを入れて画像の物体認識を行なう

【成功版】最新版の Darknetに digitalbrain79版の Darknet with NNPACKの NNPACK処理を適用する
【成功版】最新版の Darknetに digitalbrain79版の Darknet with NNPACKの NNPACK処理を適用する

  ラズパイで NNPACK対応の最新版の Darknetを動かして超高速で物体検出や DeepDreamの悪夢を見る

【成功版】Raspberry Piで Darknet Neural Network Frameworkをビルドする方法
【成功版】Raspberry Piで Darknet Neural Network Frameworkをビルドする方法

  ラズパイに Darknet Neural Network Frameworkを入れて物体検出や悪夢のグロ画像を生成する

【成功版】Raspberry Piに TensorFlow Deep Learning Frameworkをインストールする方法
【成功版】Raspberry Piに TensorFlow Deep Learning Frameworkをインストールする方法

  ラズパイに TensorFlow Deep Learning Frameworkを入れて Google DeepDreamで悪夢を見る方法

Raspberry Piに Jupyter Notebookをインストールして拡張子 ipynb形式の IPythonを動かす
Raspberry Piに Jupyter Notebookをインストールして拡張子 ipynb形式の IPythonを動かす

  ラズパイに IPython Notebookをインストールして Google DeepDream dream.ipynbを動かす

Raspberry Piで Caffe2 Deep Learning Frameworkをソースコードからビルドする方法
Raspberry Piで Caffe2 Deep Learning Frameworkをソースコードからビルドする方法

  ラズパイで Caffe 2 Deep Learning Frameworkをソースコードから自己ビルドする方法

【ビルド版】Raspberry Piで DeepDreamを動かしてキモイ絵をモリモリ量産 Caffe Deep Learning Framework
【ビルド版】Raspberry Piで DeepDreamを動かしてキモイ絵をモリモリ量産 Caffe Deep Learning Framework

  ラズパイで Caffe Deep Learning Frameworkをビルドして Deep Dreamを動かしてキモイ絵を生成する

Raspberry Pi 3 Model Bで動画処理アプリ FFmpegをコンパイルする方法
Raspberry Pi 3 Model Bで動画処理アプリ FFmpegをコンパイルする方法

  ラズパイ3で動画音声変換処理プログラム FFmpegをセルフコンパイルしてインストールする方法

Raspberry Pi 3 Model Bで動画処理アプリ libavをコンパイルする方法
Raspberry Pi 3 Model Bで動画処理アプリ libavをコンパイルする方法

  ラズパイ3で libavをセルフコンパイルしてインストールする方法

Raspberry Piで NNPACKをビルドする方法
Raspberry Piで NNPACKをビルドする方法

  ラズパイで NNPACKをビルドしてみるテスト、ビルドするだけ

BLAS、ベクトルと行列に関する基本線型代数操作を実行する演算ライブラリ APIのまとめ
BLAS、ベクトルと行列に関する基本線型代数操作を実行する演算ライブラリ APIのまとめ

  BLAS(Basic Linear Algebra Subprograms)の線型代数演算ライブラリ APIのまとめ

Raspberry Pi 3の Linuxコンソール上で使用する各種コマンドまとめ
Raspberry Pi 3の Linuxコンソール上で使用する各種コマンドまとめ

  ラズパイの Raspbian OSのコマンドラインで使用する便利コマンド、負荷試験や CPUシリアル番号の確認方法等も



[HOME] | [BACK]
リンクフリー(連絡不要、ただしトップページ以外は Web構成の変更で移動する場合があります)
Copyright (c) 2019 FREE WING,Y.Sakamoto
Powered by 猫屋敷工房 & HTML Generator

http://www.neko.ne.jp/~freewing/raspberry_pi/nvidia_jetson_nano_comparison_raspberry_pi_3/