第三章 英伟达 Jetson 家族概览：Nano / TX2 / Xavier NX / Orin NX / Orin AGX 定位与参数对比
做嵌入式视觉这几年，我接触最多的就是英伟达的 Jetson 系列。说实话，每次给新项目选型，我都会对着这几块板子发一会儿呆——它们长得差不多，但脾气秉性完全不同。今天我就把这几兄弟拉出来遛遛，聊聊它们的定位和参数，顺便说说我踩过的坑。
3.1 Jetson 家族的整体定位
英伟达的 Jetson 系列，说白了就是给边缘计算准备的「小钢炮」。它们不是普通的单片机，而是带着 GPU 的嵌入式超级计算机。你想想看，要在巴掌大的板子上跑深度学习模型，还得实时处理视频流，这活儿真不是谁都能干的。
目前市面上主流的五款芯片：Jetson Nano、Jetson TX2、Jetson Xavier NX、Jetson Orin NX 和 Jetson Orin AGX。它们覆盖了从入门级到旗舰级的全部需求。
核心观点：选 Jetson 芯片，本质上是在算力、功耗、成本和体积之间做权衡。没有最好的芯片，只有最合适的方案。
3.2 各型号定位与适用场景
Jetson Nano —— 入门级选手
Nano 是家族里最亲民的一款。我记得第一次拿到 Nano 的时候，第一反应是「这么小能干啥？」。但实际用下来，跑个 MobileNet 或者 Tiny YOLO 完全没问题。
- 定位：入门级 AI 计算、教育、原型验证
- 算力：472 GFLOPS（FP16）
- 功耗：5W - 10W
- 典型场景：智能门锁、简单的人脸识别、教学实验
我的建议：如果你是刚入门嵌入式视觉，或者预算有限做原型验证，Nano 是性价比最高的选择。但别指望它跑大模型——我曾经试过在上面跑 YOLOv4，帧率只有个位数，画面卡得让人崩溃。
Jetson TX2 —— 老将依然能打
TX2 是家族里的老前辈了。虽然发布时间早，但在一些工业场景里依然活跃。它最大的特点是功耗控制得不错，而且有双核 Denver 处理器加持。
- 定位：中端嵌入式视觉、无人机、机器人
- 算力：1.33 TFLOPS（FP16）
- 功耗：7.5W - 15W
- 典型场景：工业检测、AGV 小车、智能摄像头
嗯，这里要注意一点。TX2 的 CPU 架构比较老，跑一些现代框架时可能会遇到兼容性问题。我在一个工业项目中就吃过这个亏——OpenCV 的某些新特性在 TX2 上编译不过去，最后只能降版本。
Jetson Xavier NX —— 中坚力量
Xavier NX 是我个人用得最多的一款。它算是 Nano 的全面升级版，算力直接翻了好几倍。而且它支持更多的深度学习加速器，比如 NVDLA。
- 定位：中高端边缘 AI、多路视频分析
- 算力：21 TOPS（INT8）
- 功耗：10W - 20W
- 典型场景：智慧零售、安防监控、移动机器人
避坑指南：我曾经在一个智慧零售项目中，用 Xavier NX 同时处理 8 路 1080p 视频流。一开始跑得挺顺，但运行两小时后温度飙到 85°C，直接降频卡顿。后来加了主动散热才稳住。所以，散热设计一定要提前规划。
Jetson Orin NX —— 新一代性能怪兽
Orin NX 是 2023 年才推出的新品。说实话，第一次看到它的参数时我有点不敢相信——这么小的板子，算力居然能到 100 TOPS？
- 定位：高端边缘 AI、自动驾驶、复杂视觉任务
- 算力：70 - 100 TOPS（INT8）
- 功耗：10W - 25W
- 典型场景：L2+ 辅助驾驶、高精度检测、实时语义分割
为什么会这么强？因为它用了 Ampere 架构的 GPU，还带了光流加速器和深度引擎。我在一个项目中用 Orin NX 跑 YOLOv8，1080p 视频能做到 60fps 以上，画面丝滑得不像边缘设备。
Jetson Orin AGX —— 旗舰级工作站
Orin AGX 是家族里的老大哥。它基本上就是一台塞进小盒子里的服务器。如果你预算充足，又需要极致算力，选它准没错。
- 定位：旗舰级边缘 AI、多模态感知、大型模型推理
- 算力：200 - 275 TOPS（INT8）
- 功耗：15W - 60W
- 典型场景：自动驾驶出租车、工业视觉集群、科研实验
警告：Orin AGX 的功耗最高能到 60W，这意味着它需要主动散热甚至水冷。我见过有人把它塞进密闭机箱里，结果半小时后自动关机——热保护了。所以，散热和供电是 Orin AGX 选型时必须优先考虑的两个问题。
3.3 核心参数对比表
下面这张表是我自己整理的，方便大家快速对比。我建议你把它收藏起来，选型时直接翻出来看。
| 型号 | AI 算力 | CPU | GPU 架构 | 内存 | 功耗 | 价格区间 |
|---|---|---|---|---|---|---|
| Jetson Nano | 472 GFLOPS | 4核 Cortex-A57 | Maxwell | 4GB LPDDR4 | 5-10W | 低 |
| Jetson TX2 | 1.33 TFLOPS | 4核 A57 + 2核 Denver | Pascal | 8GB LPDDR4 | 7.5-15W | 中 |
| Jetson Xavier NX | 21 TOPS | 6核 Carmel | Volta | 8GB LPDDR4x | 10-20W | 中高 |
| Jetson Orin NX | 70-100 TOPS | 8核 Cortex-A78AE | Ampere | 8/16GB LPDDR5 | 10-25W | 高 |
| Jetson Orin AGX | 200-275 TOPS | 12核 Cortex-A78AE | Ampere | 32/64GB LPDDR5 | 15-60W | 旗舰 |
3.4 选型建议与经验总结
说了这么多，到底该怎么选？我根据自己的项目经验，给你几个实用建议：
- 先定功耗预算：如果你的设备是电池供电，Nano 或 TX2 更合适。Orin AGX 虽然强，但 60W 的功耗不是谁都能接受的。
- 再看模型复杂度：跑轻量级模型（如 MobileNet、Tiny YOLO），Nano 就够了。跑 YOLOv8 或 Transformer 模型，至少得上 Xavier NX。
- 别忘了散热：我见过太多人只关注算力，忽略了散热。结果板子跑起来烫得能煎鸡蛋，性能直接打五折。
- 考虑生态兼容性：新出的 Orin 系列用的是 JetPack 6.0，有些旧代码可能不兼容。如果你有大量遗留代码，建议先确认好再下手。
我的个人习惯：做原型验证时先用 Nano 或 Xavier NX，等算法稳定了再根据实际需求升级到 Orin 系列。这样既能控制成本，又能快速迭代。你想想看，一上来就买 Orin AGX，结果发现算法跑不通，那多尴尬。
好了，这一章就聊到这里。下一章我会深入讲讲 Jetson 的软件生态，包括 JetPack、CUDA、TensorRT 这些工具链怎么搭配使用。到时候我会分享一些我在实际项目中踩过的坑，保证让你少走弯路。