2. 硬件准备
在开始部署TFLite模型之前，硬件平台的选型与搭建直接决定了推理性能的上限与系统的长期稳定性。Raspberry Pi作为主控单元，负责运行Linux系统、调度USB总线数据以及执行AI推理的前后处理逻辑；而Coral USB Accelerator则承担了神经网络模型的张量计算任务。两者通过USB 3.0接口进行高速数据交换，形成一套“CPU负责控制流、TPU负责计算流”的异构计算架构。本章将围绕型号选择、加速器规格、电源散热设计以及物理连接四个维度展开，帮助读者构建一套可靠、可复现的硬件环境。
2.1 Raspberry Pi型号选择：性能与兼容性的平衡
Raspberry Pi系列中，并非所有型号都适合与Coral USB Accelerator协同工作。官方支持列表明确限定为Raspberry Pi 4B（2GB及以上内存版本）和Raspberry Pi 5。早期型号如Pi 3B+虽然具备USB接口，但其USB 2.0总线的理论带宽仅为480Mbps，而Edge TPU在推理时与CPU之间的张量传输往往需要占用数百Mbps的实时带宽，USB 2.0会成为明显的性能瓶颈。此外，Pi 3B+的CPU架构为Cortex-A53，其单核性能较弱，在运行图像预处理（如resize、归一化）和后处理（如NMS非极大值抑制）时会产生较高的延迟，导致端到端推理时间被拉长。
选择Pi 4B还是Pi 5，主要取决于项目的功耗预算与性能需求。Pi 4B采用BCM2711芯片，四核Cortex-A72主频1.5GHz（可超频至1.8GHz），搭配LPDDR4内存，其USB 3.0控制器为独立PCIe通道，实测与Coral USB Accelerator的吞吐量可达350MB/s以上。Pi 5则升级为BCM2712芯片，四核Cortex-A76主频2.4GHz，内存带宽提升至LPDDR4X，其PCIe 2.0接口允许外接NVMe SSD，但USB 3.0控制器依然独立。从实际推理性能来看，Pi 5在图像预处理阶段比Pi 4B快约40%，但在Edge TPU上的推理时间几乎相同——因为计算负载集中在TPU上，CPU仅负责数据搬运。
| 对比维度 | Raspberry Pi 4B (2GB/4GB/8GB) | Raspberry Pi 5 (4GB/8GB/16GB) | 适用建议 |
|---|---|---|---|
| CPU | Cortex-A72 四核 1.5GHz | Cortex-A76 四核 2.4GHz | Pi 5预处理更快 |
| 内存 | LPDDR4 2133MHz | LPDDR4X 4267MHz | 大模型选8GB以上 |
| USB 3.0 | 2个独立通道 | 2个独立通道 | 两者均满足需求 |
| 功耗 | 典型5W，峰值7.6W | 典型8W，峰值12W | 电池供电选Pi 4B |
| 散热要求 | 被动散热即可 | 必须主动散热 | Pi 5需风扇 |
| 系统兼容性 | Raspberry Pi OS 11/12 | Raspberry Pi OS 12 (Bookworm) | Pi 5不支持旧系统 |
在内存选择上，建议至少4GB。虽然Edge TPU的模型权重存储在加速器板载的8MB SRAM中，但TFLite运行时会在CPU内存中创建输入输出张量的副本，同时Python解释器、OpenCV库以及操作系统本身会占用约1.2GB内存。若使用2GB版本，在运行MobileNetV2等轻量模型时勉强够用，但一旦开启摄像头实时推理（V4L2驱动占用额外缓冲），内存交换将导致明显的卡顿。
2.2 Coral USB Accelerator规格详解
Coral USB Accelerator的核心是Google Edge TPU协处理器，这是一颗专为低功耗推理设计的ASIC芯片。其标称算力为4 TOPS（INT8精度），功耗仅2W，能效比达到2 TOPS/W。板载8MB SRAM用于缓存模型权重和中间激活值，但需要注意的是，这个SRAM容量有限——当模型大小超过8MB时，Edge TPU编译器会自动将部分权重存储在外部DRAM中，通过USB总线按需加载，这会导致推理延迟增加约20-30%。因此，在模型选型时，应优先选择MobileNetV1/V2/V3、EfficientNet-Lite等轻量级网络，其量化后的TFLite文件通常控制在4-6MB以内。
该加速器通过USB 3.0 Type-C接口与主机通信，理论带宽5Gbps。实际测试中，在Raspberry Pi 4B上，连续推理模式下（batch size=1）的吞吐量可达每秒80-120帧（MobileNetV2，输入尺寸224x224），而单次推理延迟约为8-12ms。需要注意的是，Edge TPU仅支持INT8量化模型，不支持FP16或FP32模型。如果直接加载未量化的TFLite文件，系统会抛出“EDGE_TPU_NOT_FOUND”或“model not quantized”错误。因此，在部署前必须使用TensorFlow Lite Converter进行后训练量化（Post-Training Quantization）或量化感知训练（Quantization-Aware Training）。
# 检查Coral USB Accelerator是否被正确识别
lsusb | grep 1a6e
# 预期输出: Bus 001 Device 002: ID 1a6e:089a Global Unichip Corp. Coral USB
# 查看Edge TPU运行时版本
python3 -c "import edgetpu; print(edgetpu.__version__)"
# 预期输出: 2.16.1加速器的外壳为铝制散热片设计，底部有四个防滑垫，整体尺寸为65mm x 27mm x 8mm，重量约20g。其工作温度范围为0°C至70°C，在持续高负载推理时，外壳表面温度可达50°C左右，属于正常现象。但需注意，如果环境温度超过40°C，建议增加额外的风冷措施，否则TPU可能因过热保护而自动降频，推理速度会下降至正常水平的60%。
2.3 电源与散热要求：稳定性的基石
电源质量是Raspberry Pi与Coral USB Accelerator协同工作最容易忽略的环节。Pi 4B的官方推荐电源为5V/3A（15W），Pi 5则要求5V/5A（25W）的USB-C PD电源。当Coral USB Accelerator满载推理时，其峰值电流可达400mA，加上Pi主板本身的功耗，总电流需求会接近电源的额定上限。如果使用劣质电源或过长的USB线缆（超过1米），线阻会导致电压跌落至4.8V以下，触发Pi的欠压保护（闪电图标警告），此时USB外设可能出现随机断开，TPU推理会报“USB transfer error”错误。
散热设计需要区分两个层面：Pi主板的散热和Coral加速器的散热。对于Pi 4B，建议使用铝制散热外壳加小型风扇的组合。风扇可连接GPIO的5V和GND引脚（物理引脚4和6），但更推荐使用GPIO 14（TXD）作为PWM控制信号，通过脚本根据CPU温度自动调节转速。对于Pi 5，官方主动冷却器（Active Cooler）是必须的，因为其Cortex-A76核心在满载时发热量较大，被动散热无法维持2.4GHz的全速运行。
| 组件 | 散热方案 | 适用场景 | 注意事项 |
|---|---|---|---|
| Pi 4B CPU | 铝制散热片 + 30mm风扇 | 持续推理负载 | 风扇噪音约25dB |
| Pi 4B CPU | 纯被动散热片 | 间歇性推理 | 需保证环境通风 |
| Pi 5 CPU | 官方Active Cooler | 所有场景 | 出厂预装，无需额外购买 |
| Coral USB | 自带铝制外壳 | 环境温度<40°C | 避免堆叠其他发热设备 |
| Coral USB | 额外5V风扇直吹 | 高温环境或持续满载 | 风扇需独立供电 |
在电源布线方面，建议使用20AWG或更粗的USB-C线缆，长度控制在0.5米以内。如果项目需要远程部署（如安装在机械臂上），可以考虑使用5V/5A的工业级电源模块，并通过DC-DC降压方式为Pi和Coral分别供电。此时需注意共地问题——两个电源模块的负极必须相连，否则USB通信可能因电位差产生数据错误。
2.4 连接方式与系统配置流程
物理连接看似简单，但细节决定成败。正确的连接顺序是：首先将Coral USB Accelerator插入Pi的USB 3.0接口（靠近以太网口的蓝色接口），然后连接显示器、键盘鼠标，最后接通电源。切勿在Pi通电状态下插拔USB加速器，虽然USB协议支持热插拔，但Edge TPU驱动在设备突然断开时可能留下僵尸进程，导致后续推理调用卡死。
- 硬件连接：将Coral USB Accelerator的Type-C线缆插入Pi的USB 3.0口，确保插紧无松动。如果使用USB Hub，必须选择带外部供电的主动Hub，否则多个外设会争抢Pi的5V电源。
- 系统更新：首次使用前，执行
sudo apt update && sudo apt full-upgrade将系统更新至最新版本。Pi 5必须使用Raspberry Pi OS 12 (Bookworm)或更新版本，Pi 4B可使用Bullseye或Bookworm。 - 安装Edge TPU运行时：添加Google的APT源并安装
libedgetpu1-std（标准频率）或libedgetpu1-max（最高频率）。后者将TPU频率从默认的100MHz提升至150MHz，推理速度提升约30%，但功耗增加至2.5W，需确保散热良好。 - 验证设备枚举：运行
lsusb确认设备ID为1a6e:089a。如果显示1a6e:089a但无法加载驱动，检查dmesg | grep edgetpu查看内核日志。 - 测试推理：下载官方示例模型
mobilenet_v2_1.0_224_quant_edgetpu.tflite，运行分类测试脚本，确认输出结果正确。
# 安装Edge TPU运行时（标准版）
echo "deb https://packages.cloud.google.com/apt coral-edgetpu-stable main" | sudo tee /etc/apt/sources.list.d/coral-edgetpu.list
curl -sSL https://packages.cloud.google.com/apt/doc/apt-key.gpg | sudo apt-key add -
sudo apt update
sudo apt install libedgetpu1-std
# 验证设备状态
dmesg | grep -i edgetpu
# 预期输出: edgetpu: probe of 1-1.2:1.0 done with status 0在连接方式上，还有两种进阶方案值得考虑。第一种是使用PCIe转USB 3.0扩展卡（仅限Pi 5），通过Pi 5的PCIe 2.0 x1接口外接一个USB 3.0控制器，从而获得额外的USB带宽。这种方式适合需要同时连接多个USB摄像头和Coral加速器的场景。第二种是使用USB 3.0 Y型线缆，从两个USB口取电，为Coral加速器提供更充足的电流，但这种方式在Pi 4B上实测效果不明显，因为Pi的USB口本身由同一路5V电源供电。
2.5 实战场景：搭建边缘视频分析节点
以一个典型的工厂质检场景为例，需要在传送带旁部署一套实时缺陷检测系统。硬件选型为：Raspberry Pi 4B 4GB + Coral USB Accelerator + 树莓派官方摄像头模块V2（800万像素）。系统要求：检测速度不低于25FPS，连续运行8小时无故障，环境温度可能达到35°C。
初始测试时，直接使用默认配置，发现推理延迟为15ms，但整体帧率只有18FPS。通过 top 命令监控CPU占用，发现Python进程占用率高达85%，其中图像缩放和格式转换（BGR转RGB）消耗了约40%的CPU时间。进一步分析，摄像头以1080p分辨率输出，而模型输入尺寸为224x224，每次推理前都需要进行大尺寸图像缩放，这个操作在CPU上执行效率较低。
优化方案分三步实施：首先，将摄像头分辨率设置为640x480，减少缩放计算量；其次，使用 cv2.resize 的INTER_NEAREST插值算法替代默认的INTER_LINEAR，虽然图像质量略有下降，但CPU占用率降低15%；最后，将图像预处理操作放入独立线程，利用Pi 4B的四核并行处理，主线程仅负责推理和结果输出。优化后，帧率提升至32FPS，CPU占用率降至55%。
散热方面，由于工厂环境温度较高，在Pi 4B的散热片上额外增加了一个5V涡轮风扇，通过GPIO 14引脚控制，当CPU温度超过60°C时自动开启。Coral USB Accelerator则使用3D打印支架悬空安装，避免与Pi外壳直接接触，保证空气流通。连续运行8小时后，Pi CPU温度稳定在58°C，Coral外壳温度52°C，推理延迟始终保持在12ms±1ms，未出现掉帧或USB断开现象。
总结本章硬件准备要点：Raspberry Pi 4B 4GB是当前性价比最高的选择，Pi 5适合需要更强CPU预处理能力的场景；Coral USB Accelerator必须使用USB 3.0接口，并确保INT8量化模型；电源需满足5V/3A以上规格，散热设计需同时考虑CPU和TPU两个热源；连接顺序和驱动安装需严格遵循流程。硬件平台搭建完成后，下一阶段将进入系统软件环境配置与TFLite模型转换流程。