1. Kria平台全景与课程定位

AMD Kria 是一套面向边缘计算的自适应 SoC 模块化平台（SOM，System-on-Module），它把 Zynq UltraScale+ MPSoC 的 ARM 处理器、可编程逻辑（PL）、DDR 内存、电源管理和启动介质集成到一张名片大小的核心板上，再通过载板（Carrier Card）扩展出具体产品的接口形态。理解 Kria 的关键，是先分清"核心板"与"开发套件"两个层次：SOM 是量产产品中真正焊在主板上的器件，而 KV260、KR260 这类套件是围绕 SOM 设计的评估与原型载体，二者共享同一颗芯片与同一套软件栈。

三条产品线：K26、KV260、KR260

Kria 目前的主力 SOM 是 K26 系列，按 PL 逻辑资源与温度等级分为 K26 SOM 的不同型号，典型配置为四核 ARM Cortex-A53（最高约 1.5 GHz）、双核 Cortex-R5F 实时处理器、Mali-400 GPU，以及可编程逻辑部分。以常见的 K26 入门型号为例，其 PL 侧提供约 256K 逻辑单元、1.4K 左右的 DSP 切片和数 MB 的片上 RAM，并板载 4 GB DDR4 与 16 GB eMMC。这些数字决定了它能承载什么样的 AI 负载：DSP 切片数量直接约束卷积运算的并行度，片上 RAM 决定能否把中间特征图留在片内以避免反复访问 DDR。

KV260 是视觉 AI 入门套件，围绕 K26 SOM 构建，重点提供 MIPI 摄像头接口、DisplayPort、千兆以太网、USB 与 PMOD 扩展口，定位是智能相机、视觉检测、零售分析等以图像输入为主的场景。KR260 则是机器人与工业控制套件，接口重心转向多路以太网（含 TSN 能力）、CAN、RS-485、大量 PMOD 与 Raspberry Pi 兼容排针，适合做实时运动控制、工业网关与多轴机器人控制器。两者共用同一颗 SOM，差别主要在载板外设，这意味着同一套 AI 加速器 IP 可以在两条产品线之间迁移，只需替换载板约束与设备树。

边缘 AI 计算平台的核心挑战

把 AI 从云端搬到边缘，难点并不只是"算力够不够"。第一是功耗与散热：KV260 整板典型功耗在十几瓦量级，若不加散热片，持续推理会触发降频，帧率随之波动，因此实际部署必须把散热与功耗预算一起考虑。第二是确定性延迟：工业场景要求从传感器采样到执行器输出的时间可预测，纯 CPU 推理受调度影响抖动大，需要把关键算子放进 PL 或用 R5F 承担实时任务。第三是内存带宽：卷积网络每层都要读写特征图，DDR 带宽往往先于算力成为瓶颈，这也是为什么 Kria 强调把数据流固化到 PL 中做流水线处理。第四是部署与运维：边缘设备数量多、现场无工程师，需要可远程更新的启动镜像与模型，Kria 的 eMMC + QSPI 双启动与 OTA 机制正是为此设计。

课程学习路径与实战项目总览

本课程按"认识平台 → 搭建环境 → 跑通推理 → 优化加速 → 集成产品"的主线推进。前期先建立对 SOM、载板、启动链与软件栈的整体认知；中期进入 Vitis AI 与 DPU 加速器的使用，把训练好的模型编译、量化并部署到 PL 上；后期聚焦真实产品化问题，包括多路视频接入、实时控制回路、功耗与散热调优、以及量产镜像的制作与远程升级。

贯穿课程的实战项目是一个"边缘视觉检测节点"：以 KV260 为硬件基础，接入一路 MIPI 摄像头，运行一个轻量目标检测模型，输出检测框并通过以太网把结果上报；随后把该节点迁移到 KR260 载板上，增加一路 CAN 总线输出，用于驱动分拣执行机构。这个项目会反复用到后续章节的知识点，因此建议在开始前先确认手头硬件型号与配套散热方案。

关键参数速查