第三章：主流嵌入式视觉平台对比
做嵌入式视觉这几年，我接触过的平台少说也有七八种。每次给新项目选型，我都会把几个主流方案拉出来遛遛。今天咱们就聊聊STM32、ESP32、树莓派、Jetson Nano、K210，还有算能系列——这些平台到底该怎么选。
3.1 为什么选型这么重要？
说白了，选错平台等于白干。我见过有人用STM32跑YOLO，结果帧率只有0.5fps。也见过用Jetson Nano做简单的颜色识别，纯属杀鸡用牛刀。
嵌入式视觉的核心矛盾是什么？是算力、功耗、成本三者的平衡。你想想看，一个智能门锁需要跑人脸识别，但电池只能用一年——这时候选什么平台？
3.2 各平台横向对比
先给一张总表，方便你快速定位。
| 平台 | CPU架构 | 算力 | 典型功耗 | 价格区间 | 视觉能力 |
|---|---|---|---|---|---|
| STM32H7 | Cortex-M7 | ~1000 DMIPS | 0.5-2W | ￥30-100 | 基础图像处理 |
| ESP32-S3 | Xtensa LX7 | ~600 DMIPS | 0.3-1W | ￥15-40 | 简单CNN |
| 树莓派4B | Cortex-A72 | ~13 GFLOPS | 3-7W | ￥300-500 | OpenCV全功能 |
| Jetson Nano | Cortex-A57+GPU | 472 GFLOPS | 5-10W | ￥800-1200 | 轻量级深度学习 |
| K210 | RISC-V双核 | ~1 TOPS | 0.3-0.8W | ￥30-80 | 硬件加速CNN |
| 算能BM1684 | ARM+TPU | 17.6 TOPS | 10-25W | ￥500-1500 | 边缘端深度学习 |
核心观点：没有最好的平台，只有最合适的。选型时先问自己三个问题——
- 需要跑什么模型？
- 功耗上限是多少？
- 量产成本能接受多少？
3.3 STM32：微控制器的极限
STM32做视觉？很多人第一反应是「开玩笑吧」。但我在一个工业检测项目里，确实用STM32H743跑通了简单的缺陷检测——虽然只能处理64x64的灰度图。
STM32的优势在于生态成熟、实时性好。你想想看，一个电机控制加视觉识别的复合系统，用STM32可以一把抓。但它的算力天花板很明显：
- 只能跑轻量级算法（如颜色识别、模板匹配）
- 图像分辨率建议不超过QVGA（320x240）
- 帧率通常只有5-15fps
我的经验：如果你非要用STM32做视觉，记得用DMA+双缓冲。我曾经因为没开DMA，CPU被图像传输占用了70%——那叫一个惨。
3.4 ESP32：物联网视觉的性价比之选
ESP32-S3带了一个向量扩展指令集，跑轻量级CNN比老款ESP32快3倍以上。我最近在做一个智能家居项目，用ESP32-S3加OV2640摄像头做人脸检测，功耗才0.5W。
它的特点很明显：
- 自带WiFi/蓝牙，适合物联网场景
- 支持ESP-DL深度学习库
- 但内存只有512KB，大模型跑不了
注意：ESP32的ADC精度一般，如果你需要同时做模拟信号采集和视觉处理，建议外挂ADC芯片。我踩过这个坑——用内置ADC采集光照数据，结果噪声比信号还大。
3.5 树莓派：入门首选，但别太认真
树莓派4B是我个人最推荐的入门平台。为什么呢？因为它的生态太强了——OpenCV直接apt安装，Python库随便pip。我带的实习生，三天就能跑通人脸识别demo。
但说实话，树莓派不适合量产：
- 功耗3-7W，电池供电撑不了多久
- 没有硬件NPU，跑神经网络全靠CPU硬扛
- 工业级温度范围？不存在的
我记得有一次在户外做原型验证，树莓派在太阳底下晒了半小时就降频了——帧率从30fps掉到8fps。嗯，从那以后我学乖了，原型验证用树莓派，量产果断换平台。
3.6 Jetson Nano：边缘AI的标杆
Jetson Nano是NVIDIA的入门级边缘AI平台。472 GFLOPS的算力，跑MobileNet-SSD能到30fps。我在一个智能安防项目里用过它，效果确实不错。
它的优势：
- GPU加速，支持CUDA
- 可以跑YOLOv4-tiny等轻量级模型
- 官方提供完整的AI工具链
但缺点也很明显：
- 价格偏高，量产成本压力大
- 功耗5-10W，需要散热设计
- 启动时间30秒以上，不适合实时响应场景
避坑指南：我曾经在Jetson Nano上跑YOLOv5s，发现推理时间只有30ms，但图像预处理花了50ms。后来改用GPU加速的预处理流水线，才把整体延迟降到40ms以内。记住——瓶颈往往不在推理，而在数据搬运。
3.7 K210：RISC-V的视觉新星
K210是嘉楠科技推出的RISC-V芯片，内置硬件CNN加速器。1 TOPS的算力虽然不高，但胜在功耗极低——0.3-0.8W。我做过一个电池供电的智能门锁，用K210跑人脸识别，两节18650电池撑了三个月。
它的特点：
- 硬件加速CNN，能效比极高
- 支持自研的KPU神经网络处理器
- 但开发工具链相对封闭
说实话，K210的文档质量一般。我刚开始用的时候，光配置摄像头驱动就折腾了两天。但一旦跑通，稳定性还是不错的。
3.8 算能系列：国产边缘AI的崛起
算能（SOPHGO）的BM1684是我最近比较关注的一款芯片。17.6 TOPS的算力，功耗才10-25W，能效比相当出色。我在一个智慧零售项目里用它做商品识别，同时跑三个模型都不卡。
算能的产品线：
- BM1684：面向边缘服务器
- BM1682：面向智能摄像头
- SG2042：面向高端边缘计算
它的优势在于：
- TPU架构，对CNN模型优化极好
- 支持TensorFlow、PyTorch模型转换
- 国产化替代，供应链安全
我的建议：如果你做的是国产化项目，算能系列值得重点考虑。但要注意——它的SDK更新频率不高，遇到bug可能需要自己绕路。我上次遇到一个内存泄漏问题，翻遍论坛才找到workaround。
3.9 选型决策树
说了这么多，到底怎么选？我总结了一个简单的决策流程：
- 先看算力需求：只做颜色/形状识别？STM32或ESP32就够了。需要跑CNN？至少K210起步。
- 再看功耗限制：电池供电？K210或ESP32。有电源插座？树莓派或Jetson Nano。
- 最后看成本：量产成本敏感？STM32或K210。原型验证？树莓派最方便。
一句话总结：
- 简单视觉 + 低成本 → STM32
- 物联网 + 轻量AI → ESP32-S3
- 入门学习 + 原型验证 → 树莓派
- 边缘AI + 高性能 → Jetson Nano
- 超低功耗 + 硬件加速 → K210
- 国产化 + 高算力 → 算能系列
好了，这一章的内容就到这里。下一章我会详细讲如何在K210上部署一个轻量级人脸检测模型——那可是我踩了无数坑总结出来的实战经验。