2、硬件选型策略：低功耗处理器选型、AI加速芯片对比、传感器功耗特性
好，咱们进入正题。硬件选型这事儿，说简单也简单，说复杂也复杂。我见过不少团队，算法调得飞起，结果一上硬件，电池撑不过两小时。说白了，选型阶段埋下的坑，后面要用十倍的精力去填。今天我就把这些年摸爬滚打的经验，掰开了揉碎了讲给你听。
2.1 低功耗处理器选型：别只看数据手册
选处理器，我最怕看到有人只盯着「功耗多少毫瓦」这一个数字。你想想看，数据手册上的功耗，那是在特定条件下测出来的。你实际跑起来，情况完全不一样。
我个人习惯，先看三个维度：
- 唤醒时间：从休眠到全速运行，需要多久？我遇到过一款芯片，休眠功耗确实低，但唤醒要200ms。你想想，视觉系统每帧都要唤醒一次，这200ms的功耗全浪费了。
- 动态电压频率调节（DVFS）：能不能根据负载实时调频？这个功能在视觉任务里特别重要。画面静止时，跑低频就够了；画面变化剧烈时，再拉高频。
- 外设集成度：摄像头接口、ISP、DMA这些，是片内集成还是片外搭？片外搭一个接口芯片，功耗就多几百微安。
核心原则：处理器的「有效功耗」= 运行功耗 × 占空比 + 休眠功耗 × (1 - 占空比)。别只看一个点，要看整个工作周期的平均功耗。
举个例子。我曾经在一个项目里对比过STM32L4和i.MX RT系列。STM32L4休眠功耗低至几十纳安，但跑视觉算法时CPU占用率飙到90%，发热严重。i.MX RT虽然休眠功耗高一些，但跑同样的算法，CPU占用率只有30%，大部分时间可以降频。最后算下来，i.MX RT的整体功耗反而更低。
我的小技巧：选型时，拿你的实际代码去跑一下。别信厂商的「典型功耗」，那都是实验室数据。我一般会做两个测试：一个是满负荷跑视觉算法，一个是待机唤醒循环。这两个数据一出来，选谁不选谁，心里就有数了。
2.2 AI加速芯片对比：NPU、GPU、FPGA怎么选？
视觉系统里，AI加速是功耗大头。市面上主流方案就三种：NPU、GPU、FPGA。我一个个说。
| 方案 | 功耗效率（TOPS/W） | 灵活性 | 开发难度 | 典型场景 |
|---|---|---|---|---|
| NPU（如K210、瑞芯微NPU） | 2-5 TOPS/W | 低（固定算子） | 低（SDK成熟） | 人脸检测、物体分类 |
| GPU（如Jetson Nano） | 0.5-1 TOPS/W | 高（可编程） | 中（CUDA生态） | 多任务、复杂模型 |
| FPGA（如Xilinx Artix） | 1-3 TOPS/W | 极高（硬件可重构） | 高（RTL开发） | 定制化、低延迟 |
我个人建议：
- 如果你的模型是固定的，比如就做一个人脸检测，选NPU。功耗低，开发快。我有个项目用K210，整机功耗不到0.5W，跑MobileNet V1，帧率能到30fps。
- 如果你需要跑多种模型，或者模型经常更新，选GPU。虽然功耗高一点，但灵活。Jetson Nano跑YOLOv5s，功耗大概5W，帧率20fps左右。
- 如果你对延迟要求极高，比如毫秒级响应，或者需要做非标准的数据流处理，选FPGA。但要做好心理准备，开发周期至少是NPU的3倍。
避坑指南：我曾经在一个项目里选了FPGA做AI加速，结果模型量化后精度掉了5个点，调了两个月才搞定。如果你团队没有FPGA专家，建议优先考虑NPU或GPU。FPGA的功耗优势，往往被开发成本抵消了。
2.3 传感器功耗特性：摄像头选型有门道
摄像头是视觉系统的「眼睛」，也是功耗大户。很多人只关注分辨率，忽略了功耗特性。我告诉你，选摄像头，重点看三个参数。
第一，工作模式。 现在的摄像头都有多种模式：全分辨率模式、子采样模式、待机模式。好的摄像头，从待机到出图只要几毫秒。我见过一些低端传感器，待机唤醒要100ms，这期间功耗还不低。
第二，帧率与功耗的关系。 很多人以为帧率降一半，功耗也降一半。其实不是。摄像头功耗 = 模拟部分功耗 + 数字部分功耗。模拟部分（像素阵列、ADC）基本固定，降帧率只能省数字部分。所以，从30fps降到15fps，功耗可能只降20%。
第三，MIPI接口的功耗。 数据通道数越多，功耗越高。2-lane MIPI比4-lane MIPI省电，但带宽也小。如果你的分辨率不高，用2-lane就够了。
我的选型清单：
- OV2640：200万像素，功耗约150mW，适合低端应用
- OV5640：500万像素，功耗约250mW，性价比高
- IMX219：800万像素，功耗约300mW，画质好
- AR0234：200万像素，功耗约200mW，低照度性能强
注意：以上都是运行功耗。待机功耗一般都在1mW以下，但唤醒时间差异很大。OV系列唤醒约10ms，IMX系列约30ms。
嗯，这里要注意。 有些摄像头支持「ROI模式」，就是只输出画面中感兴趣的区域。比如你做人脸检测，只输出人脸那块区域，其他区域不输出。这样数据量小了，后端处理功耗也降了。我在一个门禁项目里用过这个功能，整体功耗降了40%。
我的经验：选摄像头时，一定要看数据手册里的「Power Consumption vs Frame Rate」曲线。有些厂商会标「典型功耗150mW」，但那是30fps下的数据。你如果跑10fps，功耗可能还是120mW。这个坑我踩过，后来学乖了，直接问FAE要实测数据。
2.4 综合选型策略：从系统角度看功耗
选型不是孤立的。处理器、AI芯片、传感器，这三者要放在一起看。我一般会画一个「功耗瀑布图」，从传感器采集，到处理器预处理，再到AI加速，最后输出结果。每一级的功耗都要匹配。
举个例子：
- 传感器输出30fps，处理器处理能力跟不上，就会丢帧。丢帧意味着传感器白工作了，功耗浪费。
- AI芯片的输入带宽，要和传感器的输出带宽匹配。传感器输出1080p，AI芯片只能处理VGA，中间就得加一个降采样模块，又多一份功耗。
所以，我建议你选型时，先定一个「系统功耗预算」。比如整机功耗不超过1W，那传感器占200mW，处理器占300mW，AI芯片占400mW，剩下100mW给其他外设。然后按这个预算去选型，别超了。
最后提醒一句：别迷信「低功耗」三个字。有些芯片标称「超低功耗」，但实际跑起来，因为性能不够，反而更耗电。我见过一个团队，为了省电选了M0内核，结果跑视觉算法要3秒一帧，传感器一直开着，功耗比用M4还高。选型，要算总账。
好了，硬件选型这块就聊到这儿。下一章咱们讲软件层面的功耗优化，那才是真正见功夫的地方。