高性能核心板IDO-SOM3908-V1:接口丰富,性能更强,速度更快!

简介: IDO-SOM3908-V1 适用于工业主机,嵌入式智能设备、人机交互、 广告一体机、互动自助终端、教学实验平台、显示控制等多个领域 。

产品概述

IDO-SOM3908-V1 是基于 RK3399 系列 CPU 开发设计的一款高性能核心板,双 Cortex-A72 大核+四 Cortex-A53 小核,六核 64 位 CPU,搭载 Android7.1/LINUX 系统,主频高达 2.0 GHz,采用 Mali-T864 GPU,支持 4K、H.265 硬解码。核心板内置 EDP、MIPI-DSI、HDMI、DP 显示接 口。并且还带有 2 路 MIPI-CSI 以及千兆 RGMII 等。其接口丰富,性能更强,速度更快。

适用范围

IDO-SOM3908-V1 适用于工业主机,嵌入式智能设备、人机交互、 广告一体机、互动自助终端、教学实验平台、显示控制等多个领域 。

3908正.jpg

产品特点

◆ RK3399 超强 CPU 搭载 Android/Linux 系统(Android7.1),安兔兔跑分 10W+。

◆ 支持多格式视频解码,支持 HDMI(4K/60fps)、MIPI-DSI(2560x1600@60fps)、 EDP(2K@60fps)、DP(4K x2K)显示屏、支持多屏共显和双屏异显模式。

◆ 支持 M.2 PCIE,可外挂 SSD 等固态硬盘。

◆ 支持 SDIO,可扩展 WIFI/BT 以及外部 TF 卡存储。

◆ 集成 GMAC 以太网控制器,可扩展千兆以太网。

◆ 内置音频 CODEC 芯片,可直接外接耳机以及功放。

◆ 丰富的外置定义接口:2 路 USB2.0 HOST,2 路 USB3.0(可配置为两路 TYPE-C),1 路 SPDIF 数字音频,5 路 SPI,多个 UART 和 PWM 等。可以满足多种行业应用要求。

◆ 完美支持红外、电容、电阻、触摸膜等多种主流触摸屏。

◆ 超小尺寸,60551.3 采样 B to B(板对板连接)十层板工艺。

3908反.jpg

规格参数

SoC:Rockchip 3399,ARM 双 Cortex-A72+四 Cortex-A53 64- bit CPU,主频高达 2.0 GHz

GPU:Mali-T864 高性能 GPU。

LPDDR4:LPDDR4 标配 2G(4G可选)。

eMMC:eMMC 5.1 标配 16GB (32GB可选)。

EDP输出:1 路 EDP-LCD,分辨率支持到2K@60ps。

MIPI-DSI输出:1路MIPI-DSI输出,支持 2560x1600@60ps。

HDMI:输出 1 路 HDMI,分辨率支持 4K@60ps。

DP输出:1路DP接口输出,支持 DP(4K x2K)。

音频输出:内置音频 CODEC 芯片,可直接外接耳机以及功放。

MIPI CSI输出:2 路 4 Lane MIPI CSI 输出。

USB:2路USB 2.0 HOST,2 路 USB3.0(硬件可配置为 2 路 TYPE-C)其中一路为固件烧录接口。

RGMII PHY:1 路内置 GMAC 以太网控制器,可扩展千兆以太网。

UART:5路 UART TTL 电平,其中UART2C为调试口。

PWM:4 路 PWM调制

SDIO: 2 路 SDIO3.0

PCIE:1 路 M.2 PCIE3.0

SPI:4 路 SPI 电平 3.0V,1 路 SPI 电平为 1.8V

ADC:5 路 ADC,其中 ADC_IN1 可用于系统烧录模式切换。

IO:多路 IO 复用,分别为 1.8V/3.3V 电平

系统升级:支持本地 USB 升级

操作系统:Android 7.1/LINUX

RTC实时时钟:支持

相关文章
|
6月前
|
机器学习/深度学习 计算机视觉 网络架构
【GhostNet】复现CVPR2020| 保证模型轻量化的同时,提升网络的性能表现
【GhostNet】复现CVPR2020| 保证模型轻量化的同时,提升网络的性能表现
709 0
【GhostNet】复现CVPR2020| 保证模型轻量化的同时,提升网络的性能表现
路径损耗计算模型 | 带你读《大规模天线波束赋形技术原理与设计 》之二十五
本小节介绍 3D 信道的路损模型,是以 ITU 信道为基础拓展得到的。
12583 0
路径损耗计算模型  | 带你读《大规模天线波束赋形技术原理与设计 》之二十五
DeepRec Extension 打造稳定高效的分布式训练
DeepRec Extension 即 DeepRec 扩展,在 DeepRec 训练推理框架之上,围绕大规模稀疏模型分布式训练,我们从训练任务的视角提出了自动弹性训练,分布式容错等功能,进一步提升稀疏模型训练的整体效率,助力 DeepRec 引擎在稀疏场景中发挥更大的优势。
|
6月前
|
传感器 监控 5G
|
机器学习/深度学习 存储 人工智能
ACL 2020 | 模型压缩25倍,MIT 韩松组提出高效适配不同硬件的HAT模型
运用注意力机制的 Transformer 模型近几年在 NLP 领域获得了广泛应用。然而,由于参数量和计算量巨大,Transformer 模型难以在存储和算力有限的边缘硬件设备上高效部署。为了解决 Transformer 的低效问题,来自 MIT 的研究人员提出了 HAT: Hardware-Aware Transformers,针对不同的硬件设备的特性,为每个硬件搜索出一个高效的 Transformer 模型,从而在保持精确度的前提下大幅降低内存消耗。在同样的精度下,相比于基线 Transformer, HAT 可以获得 3 倍加速,3.7 倍模型压缩。
288 0
ACL 2020 | 模型压缩25倍,MIT 韩松组提出高效适配不同硬件的HAT模型
|
运维 算法 搜索推荐
转:在网络行为管理软件中apriori算法的优势有哪些
在神奇的网络行为管理软件的世界里,Apriori算法变成了一位颇具优势的大咖。它主攻关联规则挖掘,以其卓越的表现协助于对数据集内各项之间的关联关系进行深入分析,帮你一层层揭开数据集的神秘面纱,看看各个项是怎么串起来的。
84 0
|
机器学习/深度学习 存储 编解码
效率新秀 | 详细解读:如何让EfficientNet更加高效、速度更快(一)
效率新秀 | 详细解读:如何让EfficientNet更加高效、速度更快(一)
555 0
效率新秀 | 详细解读:如何让EfficientNet更加高效、速度更快(一)
|
机器学习/深度学习 编解码 自动驾驶
超快语义分割 | PP-LiteSeg集速度快、精度高、易部署等优点于一身,必会模型!!!(一)
超快语义分割 | PP-LiteSeg集速度快、精度高、易部署等优点于一身,必会模型!!!(一)
208 0
|
编解码 人工智能
超快语义分割 | PP-LiteSeg集速度快、精度高、易部署等优点于一身,必会模型!!!(二)
超快语义分割 | PP-LiteSeg集速度快、精度高、易部署等优点于一身,必会模型!!!(二)
379 0
|
编解码
效率新秀 | 详细解读:如何让EfficientNet更加高效、速度更快(二)
效率新秀 | 详细解读:如何让EfficientNet更加高效、速度更快(二)
82 0