2. 硬件平台选型
做工业缺陷检测，选硬件这事儿，我见过太多人栽跟头了。有人一上来就买最贵的，结果算法跑不起来；有人图便宜，结果产线节拍死活跟不上。说白了，选硬件就是找平衡——算力、功耗、成本、生态，哪个都不能瘸腿。
这一章，我把市面上主流的几类边缘计算硬件掰开揉碎讲清楚。你读完至少能回答三个问题：我的项目该用哪类芯片？算力到底怎么算？选型时最容易踩哪些坑？
2.1 四大主流硬件平台速览
目前工业缺陷检测边缘端，能打的就这四类。我按使用场景排了个序，你对照着看：
| 平台 | 代表型号 | 核心优势 | 典型功耗 | 适合场景 |
|---|---|---|---|---|
| NVIDIA Jetson | Orin NX / Xavier NX | CUDA生态成熟，模型移植快 | 15W-40W | 高精度检测、多模型串联 |
| Rockchip RK3588 | RK3588 / RK3588S | NPU算力够用，成本低 | 8W-15W | 中等精度、成本敏感项目 |
| Intel NUC | NUC 12/13 Pro | x86兼容性好，OpenVINO加持 | 28W-65W | 已有x86代码、快速原型 |
| TPU加速卡 | Google Coral / Hailo-8 | 极致能效比，即插即用 | 2W-10W | 轻量模型、低功耗产线 |
我的建议： 如果你团队里CUDA熟手多，无脑选Jetson。如果老板卡预算，RK3588是性价比之王。别问我怎么知道的——我去年帮一家电子厂做AOI项目，就是用RK3588把单台成本压到了Jetson方案的60%。
2.2 算力评估：别只看TOPS
很多厂商喜欢拿TOPS（每秒万亿次操作）说事。但说实话，TOPS这玩意儿水分挺大。为什么？因为TOPS测的是理论峰值，实际跑模型时，内存带宽、算子兼容性、数据搬运开销，哪个都能把TOPS打回原形。
我个人习惯用「有效算力」这个概念。怎么算？三步走：
- 看内存带宽 — 带宽不够，算力再高也是白搭。比如Jetson Orin NX的带宽是102GB/s，RK3588是64GB/s，差了一倍。
- 看算子覆盖率 — 你的模型里有没有平台不支持的算子？有的话就得拆成CPU跑，速度直接掉一个数量级。
- 看实际帧率 — 拿你的模型在目标板上跑一遍，测FPS。这是最实在的。
算力评估公式（我自己的经验值）：
有效算力 ≈ 理论TOPS × 带宽利用率 × 算子兼容系数
其中带宽利用率通常只有40%-60%，算子兼容系数在0.3-0.9之间。
2.3 选型策略：从需求倒推硬件
别先看硬件再想算法。反过来，先定需求再选硬件。我一般按这个流程走：
- 定模型 — 用YOLOv8还是ResNet？模型大小多少？
- 定帧率 — 产线节拍要求多少FPS？
- 定精度 — mAP要多少？能不能接受INT8量化？
- 定功耗 — 现场有没有散热条件？
- 定成本 — 单台硬件预算上限是多少？
举个例子。我去年做的一个PCB焊点检测项目：模型用YOLOv8s，要求30FPS，mAP≥0.95，现场有风扇散热，单台预算3000元以内。算下来，Jetson Orin NX超预算，Intel NUC功耗太高，最后选了RK3588，INT8量化后跑到32FPS，mAP 0.94，勉强达标。
避坑指南： 我曾经在一个项目中，只看TOPS选了某款NPU板子，结果模型里有个自定义算子不支持，硬生生拖了两个月才搞定。所以，选型前一定先做算子兼容性检查，别等板子到手了才发现跑不了。
2.4 硬件平台对比：一张图看懂
下面这张图是我自己整理的选型决策树。你照着走，基本不会跑偏：
2.5 实战选型清单
最后，给你一份我每次选型都会对照的清单。打印出来，贴在工位上：
- 模型兼容性 — 目标硬件是否支持你的模型框架？TensorRT、RKNN、OpenVINO？
- 内存容量 — 模型+预处理+后处理，峰值内存占用多少？留30%余量。
- 散热方案 — 被动散热还是主动散热？现场环境温度多少？
- 接口数量 — 需要接几个相机？USB、GMSL、MIPI？
- 供货周期 — 芯片缺货吗？交期多久？我见过项目等芯片等了半年。
- 开发工具链 — 有没有成熟的SDK？社区活跃吗？遇到问题有人问吗？
一个小技巧： 选型时别只看单板价格。把开发周期、调试成本、维护成本都算进去。有时候贵一点的平台，开发快一个月，反而更省钱。