2. 硬件平台选型
做边缘端部署，第一步就是选硬件。这事说白了，没有「最好」的板子，只有「最合适」的方案。我这些年经手过不下十种边缘设备，踩过的坑能写满一本笔记本。今天咱们就把 Jetson、RK3588、Intel NUC 这三条主流路线掰开揉碎聊清楚。
三款主流平台的核心定位
先给个总览。这三款芯片代表了三种不同的设计哲学：
| 维度 | NVIDIA Jetson (Orin NX/AGX) | Rockchip RK3588 | Intel NUC (12/13代) |
|---|---|---|---|
| 算力类型 | GPU 主导，Tensor Core 加速 | NPU + GPU 异构 | CPU 主导，可加 Intel Movidius |
| AI 算力 | 40~275 TOPS (INT8) | 6 TOPS (NPU) + 1 TOPS (GPU) | 无原生 AI 单元，依赖扩展卡 |
| 典型功耗 | 15~60W | 5~15W | 28~65W |
| 价格区间 | ¥3000~15000 | ¥800~2500 | ¥2500~8000 |
| 开发难度 | 中等（CUDA 生态成熟） | 较高（NPU 工具链不完善） | 低（标准 x86 环境） |
| 工业相机兼容 | 需 USB/PCIe 转接 | 原生 MIPI-CSI + USB3.0 | USB3.0 / GigE 直连 |
我的建议： 如果项目以深度学习推理为主，优先考虑 Jetson；如果既要跑视觉又要做控制，RK3588 性价比极高；如果只是做图像采集和简单处理，Intel NUC 最省心。
Jetson 系列：深度学习推理的王者
Jetson 是我用得最多的平台。它的优势很明显——CUDA 生态太强了。你想想看，PyTorch 模型训练完，用 TensorRT 一转换，直接部署到 Jetson 上，几乎不用改代码。
但有个坑我必须提一下。我记得第一次用 Jetson Xavier NX 接工业相机，发现 USB 带宽不够。后来查资料才知道，Jetson 的 USB 控制器和 PCIe 通道是共享带宽的。如果你同时接两个 500 万像素的相机跑 30fps，很容易丢帧。
避坑指南： 我曾经在一个质检项目里，用 Jetson Orin NX 接了 4 路 GigE 相机。结果发现 Jetson 的网卡只有 1Gbps，4 路同时传输时带宽直接打满。最后只能降帧率或者加 USB 转千兆网卡。选型时一定要算好 I/O 带宽。
Jetson 的算力分级也很清晰：
- Jetson Nano (4GB)：适合入门，跑轻量模型（MobileNet、YOLOv5s）
- Jetson TX2 NX：老平台，现在不推荐新项目用
- Jetson Orin NX (16GB)：甜点级，100 TOPS，能跑 YOLOv8m 实时
- Jetson AGX Orin (64GB)：旗舰级，275 TOPS，适合多模型级联
RK3588：国产性价比之王
RK3588 这两年火得不行。8 核 CPU + Mali-G610 GPU + 6 TOPS NPU，价格才 Jetson Orin NX 的三分之一。我去年帮一个客户做智能相机方案，就是用 RK3588 做的。
说实话，RK3588 的 NPU 算力只有 6 TOPS，但实际用起来并没有那么不堪。因为它的 NPU 是专门为卷积优化的，跑 YOLOv5s 能到 30fps 以上。而且它原生支持 4 路 MIPI-CSI 相机输入，这对多目视觉项目来说太友好了。
不过，RK3588 的软件生态确实不如 Jetson。它的 NPU 工具链（RKNN）还在快速迭代中，我遇到过模型转换后精度掉 2~3 个点的情况。如果你对精度要求极高，建议先在 GPU 上验证，再转 NPU。
小技巧： RK3588 的 NPU 支持 INT8 量化，但量化校准数据集一定要覆盖实际场景。我有个项目因为校准集只有白天数据，晚上部署时检测率直接掉了 15%。
Intel NUC：通用计算的稳定之选
Intel NUC 本质上就是一台迷你 PC。它的优势在于兼容性——任何能在 Windows/Linux 上跑的 SDK，NUC 都能跑。工业相机厂商的 SDK 基本都是先支持 x86 平台。
但 NUC 没有原生 AI 加速单元。如果你要跑深度学习，要么用 CPU 硬扛（效率极低），要么加 Intel Movidius 神经计算棒，要么插一张 MXM 显卡。我试过用 NUC 11 + 外接 GPU 跑 YOLOv8，效果还行，但功耗和体积都上去了。
NUC 最适合的场景是：
- 图像采集 + 预处理（去畸变、色彩校正）
- 传统视觉算法（OpenCV 特征匹配、标定）
- 作为上位机，协调多个边缘设备
算力评估：别只看 TOPS
很多人选型时只看 TOPS 数值，这是个误区。TOPS 只是理论峰值，实际能用到多少取决于：
- 模型结构：卷积层多的模型在 NPU 上效率高，全连接层多的模型在 GPU 上效率高
- 数据带宽：模型再快，输入图像传不进去也是白搭
- 内存带宽：Jetson Orin NX 的 102GB/s 内存带宽，比 RK3588 的 64GB/s 高出一截
我一般用这个公式做粗略估算：
实际帧率 = 模型推理时间 + 预处理时间 + 后处理时间 + 传输延迟
其中：
- 模型推理时间 ≈ 模型计算量 (GFLOPs) / 实际算力 (GFLOPs)
- 实际算力 ≈ 理论 TOPS × 利用率系数 (0.3~0.7)经验数据： 在 Jetson Orin NX 上跑 YOLOv8s (INT8)，实际帧率约 60fps；在 RK3588 NPU 上跑同样的模型，约 30fps；在 NUC i7 上纯 CPU 跑，只有 8fps。选型时心里要有数。
选型决策流程
我画了一张流程图，帮你理清思路：
我的最终建议
如果你现在要开始一个边缘视觉项目，我建议这样选：
- 学生/个人开发者：先买一块 RK3588 开发板（约 ¥1000），把流程跑通。等有预算了再上 Jetson。
- 工业项目（高可靠性）：直接上 Jetson Orin NX，别省那点钱。工业现场出一次问题，省下的钱全赔进去。
- 多相机 + 复杂预处理：考虑 RK3588 或 NUC。Jetson 的 I/O 带宽是硬伤。
- 纯图像采集 + 上位机：Intel NUC 最省心，驱动兼容性最好。
最后说一句： 选型不是一锤子买卖。我习惯先买一块最便宜的开发板做原型验证，确认算法能跑、接口能通，再根据实际瓶颈升级硬件。这样既省钱又稳妥。