📚 课程目录第1章课程导论与硬件选型

一、课程导论与硬件选型：从YOLO到边缘设备的完整链路

各位同学好，我是老赵。在嵌入式AI这行摸爬滚打了快十年，今天咱们来聊聊YOLO模型部署到边缘设备这件事。说实话，这话题现在特别火，但真正能把模型跑起来、跑得稳的人，其实不多。

为什么会这样？因为这里面坑太多了。模型选型、硬件匹配、量化精度、推理框架……每个环节都可能让你卡上好几天。我刚开始做部署的时候，就吃过不少亏——有一次在Jetson Nano上跑YOLOv5，直接内存溢出，查了两天才发现是输入尺寸没调对。

所以这门课，我会把从模型训练到边缘部署的完整流程，掰开了揉碎了讲给你听。咱们先从最基础的开始：YOLO是什么？边缘计算又是什么？以及最重要的——怎么选硬件。

YOLO，全称You Only Look Once，中文叫“你只看一次”。这名字起得挺直白——它把目标检测当成一个回归问题，一次前向推理就能输出所有目标的位置和类别。

我最早接触YOLO是在2016年，那时候还是YOLOv1。说实话，当时的精度一般，但速度是真的快。后来v2、v3陆续出来，精度慢慢追上来了。到了v5，基本上成了工业界的标配。

现在YOLO已经发展到v11了，但咱们课程主要聚焦在v5、v8和v11这三个版本。为什么？因为它们在边缘设备上最实用。

版本	发布时间	核心特点	边缘部署推荐度
YOLOv5	2020	稳定、生态好、文档全	⭐⭐⭐⭐⭐
YOLOv8	2023	支持实例分割、姿态估计	⭐⭐⭐⭐
YOLOv11	2024	更轻量、推理速度更快	⭐⭐⭐⭐⭐

我的建议：新手入门先从YOLOv5开始，资料多、社区活跃。等把部署流程跑通了，再升级到v8或v11。

说白了，边缘计算就是把计算任务从云端搬到离数据源更近的地方。你想想看，一个摄像头每秒产生30帧画面，如果每帧都传到云端去处理，网络延迟、带宽成本、隐私问题……全是坑。

我去年做过一个智慧工厂的项目，摄像头装在产线上，检测零件缺陷。一开始方案是云端推理，结果网络抖动导致检测延迟从50ms飙到500ms，产线直接停了。后来换成边缘设备本地推理，延迟稳定在30ms以内，再也没出过问题。

边缘计算的核心优势就三个：

注意：边缘设备算力有限，不是所有模型都能直接跑。你需要做模型压缩、量化、剪枝——这些咱们后面几章会详细讲。

目前市面上主流的边缘AI设备，我把它分成三派：

这三款我都用过，各有各的脾气。咱们直接上对比表：

参数	Jetson Orin NX	RK3588	树莓派5
AI算力	70 TOPS	6 TOPS	0.5 TOPS
功耗	15W	8W	5W
价格	约4000元	约800元	约500元
推理框架	TensorRT	RKNN	ONNX Runtime
适合场景	高精度、高帧率	性价比优先	学习、原型验证

    避坑指南：我曾经在RK3588上部署YOLOv8，直接转RKNN模型报错，查了半天发现是算子不支持。后来换了YOLOv5才搞定。所以选硬件之前，一定要确认你的模型算子是否被目标推理框架支持。

很多同学问我：“老赵，我该买Jetson还是RK3588？”我的回答永远是：看你的需求。

我整理了一个决策矩阵，你对着自己的项目条件打勾就行：

我的个人习惯：做原型验证先用树莓派，跑通了再移植到Jetson或RK3588上做性能优化。这样成本最低，踩坑最少。

下面这张图，把咱们第一章的核心内容串起来了。你保存好，后面每学完一章，都可以回来对照着看。

嗯，第一章的内容就到这儿。记住一句话：选硬件就像选工具，没有最好的，只有最合适的。后面咱们会一步步深入，从模型训练、量化、转换，到在设备上跑起来，每一步我都会把踩过的坑、总结的经验，原原本本告诉你。