课程导入：边缘AI的定义、发展背景、Jetson Nano与树莓派的定位对比、课程学习目标与项目总览
欢迎进入《Jetson Nano与树莓派边缘AI开发》课程的第一章。在正式开始动手搭建环境、运行模型之前，我们有必要先建立一个全局视角：什么是边缘AI？它为什么在2020年代突然成为产业界和学术界共同关注的焦点？作为两款极具代表性的单板计算机，Jetson Nano和树莓派在边缘AI生态中各自扮演着怎样的角色？更重要的是，通过本课程30章的学习，你将具备怎样的能力、完成哪些真实可落地的项目？本章将围绕这四个核心问题展开，为你后续的实践操作奠定坚实的认知基础。
边缘AI的定义与核心特征
边缘AI（Edge AI）是指在靠近数据源头的网络边缘侧，部署人工智能算法和模型，使设备能够在本地完成数据采集、推理计算和结果输出，而无需将原始数据全部上传至云端数据中心。这一概念并非凭空产生，而是云计算架构在万物互联时代遭遇瓶颈后的自然演进。要理解边缘AI的价值，我们需要先回顾传统云AI模式的局限性。
在传统架构中，智能终端（如摄像头、传感器）采集数据后，通过4G/5G或Wi-Fi网络将数据上传至云端服务器，由云端GPU集群执行推理，再将结果返回终端。这种模式在早期AI应用中尚可接受，但随着物联网设备数量呈指数级增长——据IoT Analytics统计，2024年全球活跃物联网设备已超过180亿台——云AI模式面临三大难以逾越的挑战：网络延迟（端到端往返通常需要50-200ms，无法满足自动驾驶、工业控制等实时场景）、带宽成本（高清视频流每小时产生数GB数据，传输和存储成本高昂）、数据隐私（医疗影像、人脸信息等敏感数据在传输过程中存在泄露风险）。
边缘AI的核心特征可以归纳为以下四点：
| 特征维度 | 具体表现 | 典型场景 |
|---|---|---|
| 低延迟 | 推理在本地完成，响应时间可控制在10ms以内 | 工业质检、自动驾驶辅助 |
| 数据本地化 | 原始数据不出设备，仅上传脱敏后的结果或摘要 | 医疗影像分析、智能安防 |
| 带宽节省 | 只传输结构化结果（如"检测到异常"），而非原始数据流 | 智慧农业、远程监控 |
| 离线可用 | 网络中断时仍能独立运行，保障业务连续性 | 矿井监测、海上平台 |
值得注意的是，边缘AI并非要完全取代云计算，而是形成"端-边-云"协同的混合架构：边缘设备负责实时性要求高的轻量级推理，云端负责模型训练、大规模数据分析和复杂任务处理。这种协同模式已成为当前AI落地的标准范式。
Jetson Nano与树莓派的定位对比
在边缘AI开发领域，Jetson Nano和树莓派是两款最常被提及的单板计算机。它们看似相似——都是信用卡大小的开发板，都运行Linux系统，都能连接摄像头和传感器——但在设计理念和适用场景上存在本质差异。理解这种差异，是正确选型的第一步。
NVIDIA Jetson Nano（本文以JetPack 4.6版本为例）搭载了128核心Maxwell架构GPU，配备4GB LPDDR4内存，支持CUDA、cuDNN、TensorRT等NVIDIA专有加速库。其设计目标非常明确：为边缘AI推理提供高性能计算平台。在FP16精度下，Jetson Nano可提供约472 GFLOPS的算力，能够实时运行ResNet-50、YOLOv4-tiny等主流模型。功耗方面，在5W模式下性能约为满血10W模式的60%，但能效比依然优于大多数CPU方案。
树莓派4B（以4GB版本为例）则是一款通用型单板计算机，搭载博通BCM2711四核Cortex-A72处理器，集成VideoCore VI GPU。其GPU并不支持CUDA，也不具备专用的深度学习加速单元。树莓派的优势在于：生态极其丰富（官方社区、配件、教程数量远超Jetson）、GPIO接口标准（可直接驱动各种传感器和电机）、功耗更低（空闲时约2.7W，满载约6.4W）。在AI推理方面，树莓派主要依赖CPU推理或通过USB加速棒（如Intel Movidius）进行扩展，性能与Jetson Nano存在数量级差距。
| 对比维度 | Jetson Nano (4GB) | 树莓派4B (4GB) |
|---|---|---|
| AI算力 | 472 GFLOPS (FP16)，支持TensorRT加速 | 约20 GFLOPS (CPU推理)，无专用加速库 |
| 推理能力 | YOLOv4-tiny 实时 (30+ FPS) | MobileNet-SSD 约2-5 FPS |
| 内存带宽 | 25.6 GB/s | 13.5 GB/s |
| GPIO | 40-pin，兼容部分树莓派HAT | 40-pin，标准GPIO，生态最全 |
| 官方AI支持 | CUDA/cuDNN/TensorRT/DeepStream | 无官方AI库，依赖第三方 |
| 典型功耗 | 5W-10W | 3W-7W |
| 价格 | 约￥800-1000 | 约￥400-500 |
| 适用定位 | AI原型验证、边缘推理节点 | 物联网网关、嵌入式控制、轻量AI |
从上述对比可以看出，Jetson Nano是"为AI而生"的专用平台，其GPU架构和软件栈（特别是TensorRT）使其在深度学习推理任务上具有压倒性优势；而树莓派是"全能型选手"，在通用计算、外设控制、成本敏感型项目中更具吸引力。在实际项目中，两者并非完全对立——很多开发者将树莓派作为主控，通过USB或网络连接Jetson Nano作为AI协处理器，形成"树莓派管控制、Jetson管推理"的混合架构。
课程学习目标与能力体系
本课程共30章，采用"理论-实践-项目"三位一体的教学设计。完成全部课程后，你将具备以下核心能力：
- 环境构建能力：能够独立完成Jetson Nano和树莓派的操作系统烧录、基础配置、远程开发环境搭建，并理解两种平台在软件生态上的差异。
- 模型部署能力：掌握从PyTorch/TensorFlow模型到ONNX、再到TensorRT引擎的完整转换流程，能够针对不同硬件平台选择合适的模型格式和精度（FP32/FP16/INT8）。
- 推理优化能力：理解TensorRT的层融合、精度校准、动态形状等核心优化原理，能够将YOLOv5等检测模型在Jetson Nano上从10 FPS优化到30+ FPS。
- 外设集成能力：熟练使用CSI摄像头、USB摄像头、麦克风阵列、舵机等外设，掌握MIPI-CSI、I2C、GPIO、UART等接口的编程方法。
- 系统部署能力：能够将开发好的AI应用打包为Docker容器或Systemd服务，实现开机自启、异常恢复、远程监控等生产级特性。
课程项目设计遵循"螺旋式上升"原则，每个阶段都有明确的可交付成果：
| 阶段 | 章节范围 | 核心项目 | 关键技能 |
|---|---|---|---|
| 基础入门 | 第1-8章 | 图像分类应用（识别10种日常物品） | 环境搭建、Python编程、PyTorch基础 |
| 模型部署 | 第9-16章 | 实时目标检测（YOLOv5部署与调优） | TensorRT、模型转换、性能分析 |
| 多模态融合 | 第17-24章 | 语音指令控制摄像头追踪 | 语音识别、传感器融合、多线程编程 |
| 综合实战 | 第25-30章 | 智能安防系统（人脸识别+入侵检测+告警推送） | 系统设计、Docker部署、项目文档 |
特别说明的是，本课程并非"树莓派和Jetson二选一"的教学，而是强调异构协同。在综合实战阶段，你将同时使用两块开发板：树莓派负责传感器数据采集和舵机控制，Jetson Nano负责视频流AI分析，两者通过局域网通信，构建一个完整的边缘AI系统。这种设计更贴近真实工业场景，也是本课程区别于其他单一平台教程的最大特色。
课程项目总览与学习路径
为了让抽象的学习目标更加具体，我们用一个贯穿全课程的案例来串联所有知识点：智能实验室安全监控系统。这个项目将模拟一个真实的实验室场景，要求系统能够：
- 通过摄像头实时检测人员是否佩戴安全帽（目标检测）
- 识别实验室内的异常烟雾（图像分类）
- 通过麦克风识别"紧急求助"语音指令（语音识别）
- 当检测到异常时，通过舵机控制摄像头转向事发区域，并发送告警通知（外设控制+网络通信）
这个项目看似复杂，但我们会将其拆解到每一章中：第5章实现图像分类，第12章实现目标检测，第20章实现语音识别，第28章完成系统集成。到课程结束时，你将拥有一个功能完整、可演示的智能安防原型系统。
在学习路径上，我们建议你遵循"先Jetson后树莓派，先推理后控制"的顺序。前16章聚焦Jetson Nano的AI推理能力，这是课程的核心难点；第17-24章引入树莓派的外设控制能力，此时你已经具备AI基础，可以更专注于硬件交互；最后6章进行系统整合，将两块板卡的能力融合。如果你只有其中一块板卡，也可以完成大部分章节的练习，但综合实战部分需要根据实际情况调整。
最后，关于学习心态，有一点需要提前说明：边缘AI开发涉及Linux系统、Python/C++编程、深度学习、硬件接口等多个领域，初期可能会感到"知识面太宽"而产生挫败感。这是完全正常的。本课程的设计原则是"最小必要知识"——每个知识点只讲够用、能用的程度，避免陷入理论深潭。例如，我们不会深入推导反向传播的数学公式，但会详细讲解如何调整学习率让模型收敛；不会讲解GPU的底层架构，但会教你如何利用TensorRT的自动调优功能。请相信，只要跟着课程节奏完成每一章的动手练习，30章之后你一定能独立完成自己的边缘AI项目。