Contents — find the section you need

Tek Kartlı Bilgisayar (SBC), bir CPU, bellek, depolama arayüzleri ve çeşitli G/Ç'leri tek bir karta entegre eden kompakt bir bilgisayardır; otonom bir mobil robot veya drone'da, kendi kendine konum belirleme, yol planlama ve sensör işlemenin "beyni"dir. Sadece küçük bir PC olmaktan çok daha fazlası olan GPU veya NPU (Sinirsel İşlem Birimi) yeteneğini çıkarım için nasıl entegre edeceğimize dair tasarım felsefesi, ürün hattına göre büyük ölçüde değişmektedir ve üç akım paralel olarak ilerlemektedir: Raspberry Pi'nin genel amaçlı Linux SoC'si, NVIDIA Jetson'ın GPU entegre yapay zeka bilgisayarı ve Google Coral'ın özel ASIC hızlandırıcısı.

Raspberry Pi 5 kartıRaspberry Pi 5
Sergilenen NVIDIA Jetson Orin NX modülüNVIDIA Jetson Orin NX (Computex 2025)

Görseller: Raspberry Pi 5 Kartı (SimonWaldherr, CC BY-SA 4.0) / Nvidia Anakart üzerinde Jetson Orin NX Computex 2025 (4300streetcar, CC BY 4.0), her ikisi de Wikimedia Commons. Metinde karşılaştırılan Jetson Orin Nano Super'ın aynısı değil, aynı Orin neslinden ve Ampere mimarisine sahip bir Orin NX modülü. Wikimedia Commons'ta Google Coral'ın (Geliştirme Kartı/USB Hızlandırıcı) temiz bir fotoğrafı bulunamadı, bu nedenle bu makalede ürün fotoğrafı yer almamaktadır.

İlke: TOPS metriği ve "bellek duvarı"

Tek kartlı bilgisayar performansını tartışırken, yalnızca CPU saat hızı artık hikayeyi anlatmıyor. Sinir ağı çıkarımı için uzmanlaşmış bir GPU/NPU'nun performansı, saniyede gerçekleştirilen nicelleştirilmiş tamsayı işlemlerinin (genellikle INT8) sayısı olarak, TOPS (Tera İşlem/Saniye - saniyede bir trilyon işlem) biriminde ifade edilir. TOPS, paralel çarpma-toplama (MAC) birimlerinin sayısı N_{MAC} ve saat frekansı f'ten kabaca tahmin edilebilir:

\text{TOPS} = N_{MAC} \times f \times 2 \times 10^{-12}

Çarpma-toplama, iki işlem olarak sayılır — bir çarpma artı bir toplama — bu nedenle 2 faktörü kullanılır. Örneğin, NVIDIA'nın Jetson Orin Nano Super'ı, 1024 CUDA çekirdeğini ve 32 Tensor çekirdeğini yaklaşık 1,7 GHz'de çalıştırarak, güç tavanı yükseltilmiş "MAXN Super" modunda (25W) 67 TOPS'a ulaşır.

Bu TOPS rakamının çoğu, 32 bit kayan nokta (FP32) yerine 8 bit tamsayı (INT8) aritmetiğini varsayar. Eğitim sırasında kullanılan FP32 ağırlıklarını çıkarım öncesinde INT8'e indirgemek, teorik olarak model boyutunu ve gerekli bellek bant genişliğini dörtte birine indirir ve aynı işlem birimlerinin daha fazla paralel işlem gerçekleştirmesine olanak tanır. Bu, sınırlı güç ve bellek bant genişliği bütçesi içinde maksimum verim için çıkarım hassasiyetinden ödün veren bir tasarımdır ve Jetson, Hailo ve Coral'ın tümü, bu INT8 nicelemesini varsayan katalog TOPS rakamlarını belirtir.

Bununla birlikte, en yüksek katalog TOPS otomatik olarak etkin performansa dönüşmez. Hesaplama birimleri ne kadar hızlı olursa olsun, ihtiyaç duydukları veriler (ağırlıklar, ara özellikler) bellekten yeterince hızlı alınamazsa boşta kalırlar. Çatı çizgisi modeli bunu yakalar: etkin performans P, en yüksek hesaplama verimi P_{peak} ve bellek bant genişliği BW'un aritmetik yoğunluk (bayt başına işlem) AI ile çarpımının daha küçüğü ile sınırlandırılmıştır.

P = \min(P_{peak},\ AI \times BW)

Raspberry Pi 5'in 32 bit veri yolundaki LPDDR4X-4267'si, teorik olarak yaklaşık 17,1 GB/s bant genişliğine ulaşırken, Jetson Orin Nano Super'ın LPDDR5'i 102 GB/s'ye ulaşıyor - yaklaşık 6 kat daha hızlı. Bu, işlemciye bağlı iş yüklerinde nadiren hissedilir bir fark olarak ortaya çıkar, ancak her karede büyük ağırlık matrislerini yeniden okuyan sinir ağı çıkarımı için bu bant genişliği farkı, katalog TOPS rakamının ne kadarını gerçekten çıkarabileceğinizi belirleyen hız sınırlayıcı faktör haline gelir.

Üç tasarım felsefesi: genel amaçlı SoC, GPU entegre, özel ASIC

"SBC" olarak adlandırılan ürünler, yapay zeka çıkarımını nasıl ele aldıklarına bağlı olarak genel olarak üç gruba ayrılır.

Genel amaçlı SoC (Raspberry Pi), bir CPU, GPU ve çeşitli G/Ç denetleyicilerini entegre eder, ancak sinir ağı çıkarımı için özel bir NPU içermez. Tam bir Linux dağıtımı çalıştırır ve en büyük gücü, ROS 2 de dahil olmak üzere mevcut yazılım yığınının neredeyse tamamını olduğu gibi kullanabilmesidir; tasarım, çıkarım performansına ihtiyaç duyulduğunda, harici bir hızlandırıcının (örneğin aşağıda tartışılan Hailo) bu boşluğu dolduracağını varsayar.

GPU entegre yapay zeka bilgisayarı (NVIDIA Jetson), CUDA programlanabilir bir GPU ve Tensor çekirdeklerini yüksek bant genişliğine sahip bellekle aynı pakete entegre eder. Yalnızca önceden nicelenmiş, sabit hesaplama grafiklerini itebilen özel bir ASIC'in aksine, çok daha fazla paralel hesaplama sunarken, keyfi CUDA çekirdeklerini ve PyTorch/TensorRT modellerini doğrudan çalıştırma çok yönlülüğünü korur. Otomotiv sınıfı güvenilirlik için de ürün hatları mevcuttur; örneğin, otonom sürüş ve robotik için ISO 26262 ASIL-D fonksiyonel güvenlik sertifikasına sahip AGX Orin gibi.

Özel ASIC hızlandırıcı (Google Coral / Hailo), USB veya M.2 aracılığıyla bir ana SBC'ye eklenen, yalnızca nicelleştirilmiş sinir ağı çıkarımı için uzmanlaşmış sabit fonksiyonlu bir ASIC şeklindedir. Çok yönlülükten ödün verme karşılığında, diğer iki yaklaşımdan çok daha yüksek verimlilik (watt başına TOPS) elde edebilir.

Bu üç kategori birbirini dışlamaz ve gerçek robot projeleri genellikle bunları birleştirir. Raspberry Pi 5 gibi genel amaçlı bir SoC'yi bir ASIC hızlandırıcı (AI HAT+) ile eşleştirmek, hem Linux/ROS 2 yazılım yığınının genişliğini hem de çıkarımı bir ASIC'e aktarmanın güç verimliliğini elde etmeyi amaçlayan bir uzlaşmadır ve aşağıda tartışılan kıyaslama makalesinin gösterdiği gibi, bu kombinasyon bağımsız bir GPU entegre bilgisayarın verimliliğine yaklaşabilir.

Diagram 1 · Use the button to switch views
Genel amaçlı bir SoC, entegre GPU bilgisayar ve harici özel ASIC için sensör girişinden hesaplama ve belleğe kadar veri yolu karşılaştırması

Diyagram: Duskcoil. Bu kavramsal bir yerleşimdir, ürün hız sıralaması değildir. Etkin performans modele, hassasiyete, yazılıma, bellek bant genişliğine ve güç yapılandırmasına bağlıdır.

Temel ürün özellikleri karşılaştırması

Ürün Tür Hesaplama çekirdekleri Yapay zeka performansı Bellek Güç Fiyat
Raspberry Pi 5 (16GB) Genel amaçlı SoC (NPU yok) Cortex-A76 4 çekirdekli, 2.4GHz — (harici gerekli) LPDDR4X 16GB (~17.1GB/s) 5V/5A güç kaynağı (maks. 25W) 305 $ (Nisan 2026 itibarıyla)
Raspberry Pi AI HAT+ (Hailo-8) Özel ASIC (RPi5 eklenti HAT) Hailo-8 NPU 26 TOPS (INT8) — ~2,5W 110 $
Google Coral USB Hızlandırıcı Özel ASIC (USB) Edge TPU 4 TOPS (INT8) — 2W ~75–99 $
NVIDIA Jetson Orin Nano Super GPU entegre yapay zeka bilgisayarı Cortex-A78AE 6 çekirdekli, 1,7 GHz + Ampere GPU, 1024 çekirdek/32 Tensor çekirdeği 67 TOPS (INT8, MAXN Süper modu) LPDDR5 8GB (102GB/s) 7–25W (değişken) 249 $
NVIDIA Jetson AGX Orin (64GB) GPU entegre yapay zeka bilgisayarı (amiral gemisi) Cortex-A78AE 12 çekirdek + Ampere GPU, 2048 çekirdek/64 Tensor çekirdeği 275 TOPS (INT8) LPDDR5 64GB, 256-bit 15–60W (değişken) —

Raspberry Pi 5, newbot projesi tarafından ana kontrol bilgisayarı olarak kullanılan modeldir ve kendi kendine konum belirleme, güvenlik denetimi ve sensör edinimi gibi uç taraf işlemlerini yönetir. newbot'un LiDAR-Ataletsel Odometrisi (FAST-LIO) tamamen CPU üzerinde çalışan bir algoritma olduğundan ve sistemin sürekli olarak büyük ölçekli sinir ağı çıkarımı yapmasına gerek olmadığından, özel bir NPU'su olmayan genel amaçlı bir SoC, gereksinimlerini karşılamak için yeterlidir. Öte yandan, kamera görüntülerinden gerçek zamanlı nesne algılama veya segmentasyon üzerine kurulu bir robot, Jetson gibi entegre bir GPU veya Hailo/Coral sınıfı harici bir hızlandırıcı gerektirir. Jetson Orin Nano Super'ın da alışılmadık bir geçmişi var: Aralık 2024'te "Süper Mod" adı verilen bir yazılım güncellemesi, güç sınırını yükseltti ve önceki neslin 499 dolara 40 TOPS'luk performansını 249 dolara 67 TOPS'a çıkardı; yani yarı fiyatına daha fazla performans.

Tarihçe: BBC Micro'ya duyulan nostalji ve bir oyun GPU üreticisinin yön değiştirmesi

Raspberry Pi: Cambridge'e kabul oranlarındaki düşüşten kaynaklandı — Raspberry Pi Vakfı kurucusu Eben Upton, 1988'de 10 yaşındayken ikinci el bir BBC Micro (BBC'nin 1980'lerde eğitim için kullandığı bir ev bilgisayarı) edindi ve bu onun BASIC programlamasıyla ilk tanışması oldu. Daha sonra, 2006 civarında Cambridge Üniversitesi'nde bilgisayar bilimleri alanında Çalışma Direktörü olarak görev yaparken, az programlama deneyimine sahip başvuru sahiplerinin sayısında bir artış olduğunu ve Bilgisayar Bilimleri Tripos'una yapılan başvuruların azaldığını fark etti. BBC Micro gibi "aç ve programla" bilgisayarların evlerden kaybolmasını bir neden olarak gören Upton, 2006'dan 2011'e kadar akşamları ve hafta sonları Broadcom'daki günlük işinin yanı sıra düşük maliyetli bir tek kartlı bilgisayar (SBC) geliştirmekle meşgul oldu. Raspberry Pi Vakfı, "35 doların altında programlanabilir bir bilgisayar" hedefiyle 2009 yılında resmen kuruldu. 2011 yılında, Vakıftan insanlar "BBC Micro" adını devam ettirmek umuduyla BBC'ye bir prototip getirdiler, ancak yasal koşullar bunu engelledi - ancak bir BBC gazetecisi bunun yerine prototipin viral hale gelen bir demo videosunu yayınladı ve resmi lansmandan çok önce güçlü bir talep olduğunu kanıtladı.

Jetson: Oyun GPU'su Üreticisi 2014'te Robotik Sektörüne Giriyor — Mart 2014'te NVIDIA CEO'su Jensen Huang, GTC'de (GPU Teknoloji Konferansı) yaptığı açılış konuşmasında Jetson TK1'i bizzat tanıttı. Mobil odaklı Tegra K1 çipini 192 çekirdekli Kepler mimarili bir GPU ile birleştirerek 326 GFLOPS performans sunuyordu - o zamanlar gömülü bir cihaz için olağanüstü bir rakam - ve CUDA programlama modelini de beraberinde getiriyordu. Başlangıçtan itibaren, robot navigasyonu ve drone engelden kaçınma gibi kullanım senaryoları tanıtımın bir parçasıydı ve bu, NVIDIA'nın o zamana kadar ağırlıklı olarak oyun ve veri merkezi GPU'larında mücadele eden bir işletmeden gömülü robotik pazarına gerçek girişini işaret ediyordu.

Jetson serisi, GPU mimarisini yaklaşık her iki nesilde bir yeniledi: 2017 TX2, TK1'in performansının 2 katını sunan 256 çekirdekli Pascal GPU ile; 2018-2020 Volta mimarisine sahip Xavier nesli, TX2'ye göre 20 kat daha fazla performans ve 10 kat daha fazla güç verimliliği sağladığı iddia ediliyor; ve 2022 Ampere mimarisine sahip Orin nesli. Tutarlı olan model, ilk olarak oyun GPU pazarında piyasaya sürülen mimarilerin birkaç yıl sonra gömülü kullanım için yeniden tasarlanmasıdır - NVIDIA'nın veri merkezi ve PC GPU işinin teknik birikiminin, gömülü robotik ürünlerinin performans kazanımlarına doğrudan katkıda bulunduğu bir yapı ve bu da Jetson'ın temel gücüdür.

Gerçek bir uygulama: birden fazla Coral Edge TPU'yu çalıştıran bir ev NVR'ı

"Birkaç tanesinin aynı anda" çalıştırıldığı özel bir ASIC hızlandırıcı örneği, açık kaynaklı bir kayıt ve nesne algılama paketi olan Frigate NVR'dır. Frigate, gözetim kamerası görüntülerini gerçek zamanlı olarak analiz eder ve kişi/araç tespitini Coral Edge TPU'lara aktarır; mimarisi, her TPU için özel bir işlem atar ve birden fazla kameradan gelen tespit isteklerini paylaşılan bir kuyruk aracılığıyla bu işlemlere dağıtır.

Tek bir Coral USB Hızlandırıcı (4 TOPS), kendi başına yaklaşık iki ila dört 1080p akışı için gerçek zamanlı tespiti işleyebilir; iki adet 8 TOPS Coral Dual Edge TPU (M.2) kartının eşleştirildiği bir konfigürasyonun, çip kullanımının %12 civarında kalmasıyla aynı anda 20'den fazla kamerayı işleyebildiği bildirilmiştir. Öte yandan, birden fazla USB Hızlandırıcıyı bir araya getirmenin, ana bilgisayarın USB veri yolu bant genişliğine darboğaz olarak girebileceği ve bu nedenle performansın cihaz sayısıyla doğrusal olarak ölçeklenmediği de bilinmektedir. Kamera sayısını artırmak için tek bir NVR sunucusuna birkaç özel ASIC eklemek, TOPS başına düşük maliyet ve güç tüketiminden yararlanan ders kitaplarında yer alan bir dağıtım modelidir.

Yapay Zeka Veri Merkezlerinden Gelen Talep, Hobi Amaçlı Tek Kartlı Bilgisayar Fiyatlarını Nasıl Yükseltti?

2026 yılında Raspberry Pi, tamamen kendi kontrolü dışında olan nedenlerle fiyatlarını tekrar tekrar artırmak zorunda kaldı. Bunun nedeni, yapay zeka veri merkezlerinden gelen artan talep nedeniyle ortaya çıkan bellek piyasası kriziydi. Raspberry Pi Vakfı CEO'su Eben Upton, şirket blogunda Raspberry Pi 4/5'te kullanılan LPDDR4 DRAM'in tedarik maliyetinin bir yılda yedi kat arttığını açıkladı. Aralık 2025'teki fiyat artışının ardından, 2026'nın ilk yarısında birkaç artış daha duyuruldu ve Nisan 2026'daki bir artış, 16 GB'lık modele 100 dolar daha ekleyerek fiyatını 305 dolara çıkardı; bu da lansman fiyatının (Ekim 2024, 16 GB'lık modelin 120 dolardan piyasaya sürüldüğü tarih) 2,5 katından fazla. İronik bir şekilde, bu fiyat artışıyla eş zamanlı olarak, Vakıf 2026 yılında sadece 45 dolara yeni bir 1 GB model de piyasaya sürdü; bu, yüksek performanslı yapay zeka belleğine olan talebin tamamen alakasız bir pazarın fiyat yapısına kadar ulaştığı bir durumdu: hobi amaçlı gömülü bilgisayarlar.

Google tarafından terk edilen Coral, topluluk tarafından hayatta tutuluyor

Coral içindeki Edge TPU, Google'ın veri merkezi TPU'ları için geliştirdiği aynı "sistolik dizi" hesaplama mimarisini izliyor; aslında minyatürleştirilmiş bir versiyonu. Veri merkezi ölçekli TPU v1, devasa bir 256×256 sistolik dizi ile eğitim ve çıkarımı ele alırken, Edge TPU bu diziyi önemli ölçüde küçültüyor ve güç tüketimini tek haneli watt'lara düşürüyor, böylece kısıtlı güç bütçesine sahip gömülü cihazlarda çalışmasını sağlıyor. Google, 2019 yılında bu Edge TPU (4 TOPS, 2W) işlemcisini bir Geliştirme Kartı ve bir USB Hızlandırıcı ile birleştirerek Coral'ı piyasaya sürdü ve yaklaşık 400 kare/saniye hızında MobileNet v2 çalıştırabilen enerji tasarruflu çıkarım özelliği sayesinde Raspberry Pi gibi mevcut tek kartlı bilgisayarlar için ek bir hızlandırıcı olarak popülerlik kazandı. Ancak o zamandan beri Google, kayda değer yeni bir donanım piyasaya sürmeden ürün hattına yatırım yapmayı fiilen durdurdu ve destekleyici kütüphanelerin çoğu 2022'den beri güncellenmedi. PCIe bağlantılı Coral cihazlarının gerektirdiği GASKET sürücüsü, mevcut Linux çekirdeklerinde desteklenmiyor. Coral'ın tamamen kullanım dışı kalmasını engelleyen şey, Google'ın sürücülerini ve aygıt yazılımını açık kaynaklı hale getirmesi oldu; yukarıda bahsedilen Frigate NVR gibi projeler, destek yükünü kendileri üstlenerek üretimde çalışmaya devam etmesini sağladı - bu, resmi destek sonunun ve devam eden gerçek dünya kullanımının bir arada bulunduğu, donanım ürün döngüleri ile açık kaynak yazılım ömrü arasındaki uyumsuzluğu gösteren bir durumdur. Edge TPU'nun INT8 niceleme prensibi ve tasarım felsefesinin, artık üretimi durdurulmuş olan bir diğer çip olan Intel Movidius (Myriad X) ile nasıl karşılaştırıldığı, uç yapay zeka hızlandırıcı karşılaştırma makalesinde daha ayrıntılı olarak ele alınmıştır.

Bir hızlandırıcıyı tek kartlı bir bilgisayara takmak Jetson'ı yener mi? 2026 tarihli bir kıyaslama makalesi

Nisan 2026'da yayınlanan ve büyük dil modeli (LLM) çıkarımının uç cihazlarda (SBC'lerde) çalıştırılması üzerine olan "Cloud to Edge: Benchmarking LLM Inference on Hardware-Accelerated Single-Board Computers" (Renney, Trad, Mattarock, Evetts, Wood) başlıklı makale, dört farklı konfigürasyonda güç tüketimini ve verimliliği karşılaştırdı: çıplak bir Raspberry Pi 5 (yalnızca CPU), bir AI HAT+ (Hailo-10H NPU) ile donatılmış bir Raspberry Pi 5, bir Jetson Orin Nano Super (CPU ve GPU konfigürasyonları ayrı ayrı) ve bir M5Stack LLM Modülü (AX630C NPU). Sonuçlar: Raspberry Pi 5'e bir Hailo NPU eklemek, yalnızca CPU'lu yapılandırmaya kıyasla watt başına üretilen token verimliliğini 9,57 kat ila 39,97 kat artırdı ve mega token başına enerji tüketimini 27-77 megajoule'den 0,88-5,51 megajoule'ye düşürdü. Ham verimde, Jetson Orin Nano'nun GPU yapılandırması saniyede 9-10 token ile en hızlısıydı, ancak Raspberry Pi 5 + Hailo yapılandırması, Jetson'ın yalnızca CPU'lu yapılandırmasının verimine yaklaşık olarak yarı güç tüketimiyle ve daha küçük bir alanda ulaştı; bu veriler, "genel amaçlı bir SoC artı özel bir ASIC" kombinasyonunun güç verimliliği konusunda bağımsız bir GPU entegre bilgisayarla başa baş gidebileceği iddiasını destekliyor.

Performansı Belirleyen Parametreler

  • TOPS/W (verimlilik): Pille çalışan küçük robotlar ve dronlar için, watt başına performans genellikle mutlak performanstan daha önemlidir. Hailo-8, 26 TOPS/2,5W (yaklaşık 10,4 TOPS/W) ile öne çıkarken, Jetson Orin Nano Super, MAXN Super modunda yalnızca yaklaşık 2,7 TOPS/W (67 TOPS/25W) elde edebiliyor. Ancak, bunun, sabit grafiklerle sınırlı özel bir ASIC'in aksine, keyfi CUDA modellerini çalıştırabilme çok yönlülüğüyle bir denge oluşturduğunu unutmayın.
  • Bellek bant genişliği: Her karede büyük ağırlık matrislerini yeniden okuyan sinir ağı çıkarımı için, bellek bant genişliği, ham hesaplamadan daha sık hız sınırlayıcı faktör haline gelir. Jetson Orin Nano Super'ın LPDDR5'i (102 GB/s), Raspberry Pi 5'in LPDDR4X'inin (~17,1 GB/s) yaklaşık 6 katıdır ve bu fark, katalog TOPS rakamının ne kadarının gerçekten çıkarılabileceğini belirler.
  • Mevcut yazılımlarla uyumluluk: Bir Raspberry Pi 5, standart bir Linux dağıtımını ve ROS 2'yi olduğu gibi çalıştırabilirken, Coral/Hailo gibi ASIC hızlandırıcılar yalnızca önceden nicelleştirilmiş, önceden derlenmiş sabit grafikleri çalıştırabilir. Hangi kombinasyonun en uygun olduğu, modellerin sık sık değiştiği bir geliştirme aşamasında mı yoksa yalnızca nihai çıkarım çalıştıran bir üretim aşamasında mı olduğunuza bağlıdır.
  • Tedarik riski ve yol haritası sürekliliği: Satıcının yatırım yapmayı fiilen durdurduğu Coral gibi bir ürün, topluluğun iyi niyetine dayanarak hayatta kalır; bu da uzun süredir devam eden bir projede yeni benimseme için gerçek bir risktir. Jetson ise bunun aksine, AGX Orin'in otomotiv sınıfı ISO 26262 ASIL-D sertifikası gibi yol haritası sürekliliği için tasarlanmış ürün hatlarını koruyor.
  • Piyasa dışından kaynaklanan fiyat dalgalanmaları: 2026 Raspberry Pi fiyat artışlarının gösterdiği gibi, SBC fiyatlandırması, yapay zeka veri merkezi talebi gibi belirli bir projenin tamamen dışında kalan faktörler nedeniyle keskin bir şekilde dalgalanabilir. Uzun süreli dağıtımlar için tedarik planlaması, birim fiyatının yanı sıra tedarik istikrarını da dikkate almalıdır.
  • Genişletme arayüzlerinin kullanılabilirliği: Raspberry Pi 5'in PCIe 2.0 x1 şeridi, AI HAT+ gibi bir hızlandırıcıyı tam özellikleriyle çalıştırmak için çok dardır ve bazı durumlarda Hailo-8'in katalog performansını (PCIe Gen3, 2 şerit için derecelendirilmiştir) tam olarak çıkaramaz; bu, herhangi bir ek hızlandırıcı kurulumu için dikkate alınması gereken pratik bir kısıtlamadır.
  • Kasa boyutu ve termal tasarım: 54×54×13 mm boyutlarındaki M5Stack LLM Modülü gibi ultra kompakt bir modül, mutlak performansta geride kalsa bile birim hacim başına verim yoğunluğunda öne geçebilir ve bu, hangi gövdeye veya şasiye sığdığı açısından Jetson AGX Orin gibi ısı emiciye bağımlı bir modülden temel olarak farklı bir öneridir. Montaj alanı ve ağırlık kısıtlamaları olan dronlar veya küçük robot kolları için, birim hacim başına performans, TOPS ve TOPS/W'nin yanı sıra bir seçim kriteri haline gelir.
Anlayışınızı kontrol edin
Daha hızlı bir CPU, kamera işleme darboğazlarını önler mi?

Bellek bant genişliği, G/Ç, güç ve soğutma, verimliliği sınırlayabilir.

Gerçek çevre birimleriyle sürekli çalışmayı ölçün.

Referanslar

What to read next

Continue the seriesLiDAR Nasıl Çalışır ve Başlıca Ürünleri — Livox, Velodyne, HesaiExplore another aspect of this fieldSabit bir IMU logunu okuyun: sapma, dağılım ve Allan sapmasıExplore another aspect of this fieldÖrnekleme ve örtüşme: Daha hızlı yoklamanın neden yeterli olmadığı
#Raspberry Pi #Jetson Orin #Coral #SBC #Embedded #Robotics