3. 嵌入式平台选型
做嵌入式YOLO，第一关就是选芯片。
我见过不少团队，算法调得再好，结果板子跑不动，帧率上不去，功耗还压不住。说白了，选型就是一场算力与功耗的博弈。你想想看，一块Jetson Orin NX算力高达100 TOPS，但功耗可能飙到25W；而K210只有0.8 TOPS，功耗却不到1W。这中间的取舍，直接决定了你的产品能不能落地。
这一章，我就把市面上主流的四款芯片——Jetson、RK3588、K210、树莓派——掰开揉碎讲清楚。我会结合自己的项目经验，告诉你什么场景该选谁，以及为什么。
3.1 四款芯片的核心参数对比
先看一张硬核对比表。这些数字我反复核对过，都是实际跑YOLO时最关键的指标。
| 芯片平台 | AI算力 (INT8) | 典型功耗 | 能效比 (TOPS/W) | 内存 | 典型价格 |
|---|---|---|---|---|---|
| Jetson Orin NX | 100 TOPS | 15W - 25W | 4.0 - 6.7 | 8GB/16GB LPDDR5 | 约 ¥4000+ |
| RK3588 | 6 TOPS (NPU) | 5W - 10W | 0.6 - 1.2 | 8GB/16GB LPDDR4X | 约 ¥800 - ¥1500 |
| K210 | 0.8 TOPS | 0.3W - 0.8W | 1.0 - 2.7 | 8MB SRAM | 约 ¥50 - ¥100 |
| 树莓派4B | 0.1 TOPS (CPU/GPU) | 3W - 7W | 0.01 - 0.03 | 2GB/4GB/8GB LPDDR4 | 约 ¥300 - ¥600 |
我的经验之谈： 能效比这个数字最骗不了人。Jetson Orin NX虽然功耗高，但每瓦能给你4-6.7 TOPS的算力，这在高端边缘设备里是天花板。而K210虽然算力低，但0.3W就能跑0.8 TOPS，做电池供电的传感器节点非常合适。
3.2 各平台深度解析
3.2.1 NVIDIA Jetson 系列
Jetson是嵌入式AI的标杆。我最早接触的是Jetson TX2，那时候跑YOLOv3还得费劲优化。现在Orin NX直接干到100 TOPS，YOLOv8s能跑到60 FPS以上。
优势：
- CUDA生态无敌，TensorRT优化一条龙
- 支持所有主流YOLO版本，从v3到v8到v9
- 多路摄像头输入，适合复杂视觉系统
劣势：
- 价格贵，功耗高，不适合电池设备
- 散热压力大，25W模式需要主动散热
避坑指南： 我曾经在一个无人机项目里选了Jetson Xavier NX，结果飞了10分钟就过热降频。后来换成Orin NX，把功耗模式调到15W，才勉强稳住。如果你做移动设备，一定要算好散热余量。
3.2.2 Rockchip RK3588
RK3588是国产芯片里的一匹黑马。它的NPU有6 TOPS算力，虽然比不上Jetson，但胜在性价比极高。我最近一个智能摄像头项目就用的它，跑YOLOv5s能到30 FPS，功耗才8W。
优势：
- 价格只有Jetson的1/4，量产后成本优势明显
- 6 TOPS NPU + 4核Cortex-A76 + 4核Cortex-A55，异构计算灵活
- 支持RKNN工具链，模型转换比较成熟
劣势：
- NPU只支持INT8，精度损失需要校准
- 生态不如NVIDIA，部分算子需要手动实现
注意： RK3588的NPU对YOLO的Focus层支持不太好。我踩过这个坑，后来把Focus层改成了普通的Conv+BN，才顺利跑起来。如果你用YOLOv5，记得检查一下算子兼容性。
3.2.3 Kendryte K210
K210是个很有意思的芯片。它只有0.8 TOPS，但功耗低到令人发指。我做过一个智能门锁项目，用K210跑YOLOv2-tiny，电池供电能撑半年。
优势：
- 超低功耗，适合电池供电场景
- 内置硬件FPU和FFT加速器，图像预处理快
- 价格极低，适合大规模部署
劣势：
- 算力有限，只能跑轻量级YOLO（如YOLOv2-tiny、YOLO-Nano）
- 内存只有8MB，模型大小受限
- 开发工具链比较原始，调试不方便
3.2.4 树莓派4B
树莓派其实不算AI芯片，但很多人拿它做原型验证。它的GPU只有0.1 TOPS，跑YOLO基本靠CPU硬算。我试过在树莓派4B上跑YOLOv3-tiny，帧率只有2-3 FPS，基本不可用。
优势：
- 社区资源丰富，上手简单
- GPIO接口多，适合做外设控制
劣势：
- 没有专用NPU，AI算力聊胜于无
- 跑YOLO只能做演示，无法实际部署
我的建议： 树莓派适合做控制中枢或数据采集，别指望它跑实时YOLO。如果你预算有限又想玩AI，不如加个USB加速棒，比如Google Coral，能到4 TOPS。
3.3 算力与功耗的权衡策略
选型不是看参数表那么简单。我总结了一个决策框架，帮你快速定位。
3.4 实战选型建议
说了这么多，我直接给你几个具体方案。
3.4.1 方案一：高性能边缘计算
芯片： Jetson Orin NX 16GB
场景： 自动驾驶、工业质检、安防监控
YOLO配置： YOLOv8m，640x640输入，INT8量化，目标50 FPS
功耗预算： 25W，需要主动散热
3.4.2 方案二：中等算力性价比方案
芯片： RK3588
场景： 智能摄像头、边缘网关、服务机器人
YOLO配置： YOLOv5s，320x320输入，RKNN量化，目标30 FPS
功耗预算： 8W，被动散热即可
3.4.3 方案三：超低功耗传感器节点
芯片： K210
场景： 智能门锁、人体检测、手势识别
YOLO配置： YOLOv2-tiny，224x224输入，目标10 FPS
功耗预算： 0.5W，电池供电半年以上
我的经验： 如果你刚开始做嵌入式YOLO，我建议从RK3588入手。它价格适中，性能够用，踩坑成本低。等把整个流水线跑通了，再根据实际需求升级到Jetson或者降级到K210。
3.5 本章小结
选型没有的好坏，只有合不合适。记住三个核心原则：
- 算力够用就行——别为了跑YOLOv8硬上Jetson，YOLOv5s在很多场景下已经足够
- 功耗是硬约束——电池设备优先考虑K210或RK3588，市电设备才考虑Jetson
- 生态决定开发效率——NVIDIA的TensorRT最成熟，RKNN次之，K210最折腾