2、硬件平台选型：主流嵌入式AI芯片对比（RK3588、Jetson Nano、树莓派）、算力与功耗分析
做门禁人脸识别，选对芯片，项目就成功了一半。
我见过太多团队，算法调得再好，结果跑在低端芯片上，帧率卡成PPT。或者反过来，选了个功耗怪兽，散热片比手掌还大，根本塞不进设备外壳。
今天咱们就来掰扯掰扯，市面上最主流的三个嵌入式AI平台：RK3588、Jetson Nano、树莓派。我会结合自己做过的几个门禁项目，聊聊它们的真实表现。
2.1 三款芯片的硬核参数对比
先看一张表，心里有个底。我习惯把关键参数列出来，再逐个分析。
| 参数项 | RK3588 | Jetson Nano | 树莓派4B |
|---|---|---|---|
| CPU | 4×Cortex-A76 + 4×Cortex-A55 | 4×Cortex-A57 | 4×Cortex-A72 |
| GPU/NPU | Mali-G610 GPU + 6 TOPS NPU | 128核 Maxwell GPU (0.5 TFLOPS FP16) | VideoCore VI GPU (无专用NPU) |
| AI算力 | 6 TOPS (INT8) | 0.5 TFLOPS (FP16) | 约 0.1 TFLOPS (纯CPU推理) |
| 内存 | 8GB/16GB LPDDR4X | 4GB LPDDR4 | 2GB/4GB/8GB LPDDR4 |
| 典型功耗 | 8W - 15W | 5W - 10W | 3W - 7W |
| 价格(核心板) | 约 600 - 1200 元 | 约 800 - 1000 元 | 约 300 - 600 元 |
| 视频编解码 | 8K@60fps H.265/H.264 | 4K@60fps H.264/H.265 | 4K@60fps H.264 |
核心结论：RK3588 的 NPU 算力是 Jetson Nano 的 12 倍（INT8 vs FP16），但功耗只高了不到一倍。树莓派基本靠 CPU 硬扛，跑人脸识别比较吃力。
2.2 RK3588：国产芯片的扛把子
我个人最喜欢 RK3588。为什么？因为它把「算力」和「功耗」平衡得非常好。
我在一个高端写字楼的门禁项目里用过它。当时客户要求：1秒内完成人脸识别，同时要支持活体检测。用 RK3588 的 NPU 跑轻量级模型（比如 MobileFaceNet），单帧推理只需要 30-40 毫秒。加上图像预处理和后处理，整个流程控制在 200 毫秒以内。
它的 6 TOPS 算力，说白了就是每秒能完成 6 万亿次整数运算。对于人脸检测、特征提取这些操作，绰绰有余。
我的经验：RK3588 的 NPU 对 INT8 量化模型支持极好。我建议你把模型量化到 INT8，推理速度能提升 3-5 倍，精度损失几乎可以忽略。
不过要注意一点：RK3588 的 NPU 开发工具链（RKNN Toolkit）还在快速迭代中。我曾经踩过一个坑——某个版本的 RKNN 对某些算子支持不完整，导致模型转换失败。后来我养成了习惯：先查算子支持列表，再动手转换。
2.3 Jetson Nano：老牌劲旅，但有点老了
Jetson Nano 是 NVIDIA 的经典产品。说实话，前几年它确实是嵌入式 AI 的首选。但现在来看，0.5 TFLOPS 的 FP16 算力，在 2024 年的门禁场景里，有点捉襟见肘。
为什么这么说？你想想看，一个 1080P 的摄像头，每秒要处理 25 帧图像。如果用 Jetson Nano 跑一个稍大一点的模型（比如 ResNet-18），帧率可能掉到 10 FPS 以下。这在门禁场景里是不可接受的——谁愿意在门口等 3 秒才开门？
不过，Jetson Nano 有一个巨大的优势：生态成熟。NVIDIA 的 TensorRT 优化工具非常强大，社区资源也丰富。如果你遇到问题，基本都能在论坛里找到答案。
避坑指南：我曾经在一个项目中，用 Jetson Nano 跑人脸识别，结果发现功耗墙设置得太保守。默认的 5W 模式，NPU 频率被限制，推理速度直接减半。后来我手动切换到 10W 模式，性能才恢复正常。所以，量产前一定要确认散热方案。
2.4 树莓派：学习可以，量产慎重
树莓派 4B，说实话，不太适合做门禁人脸识别的量产产品。它的 CPU 算力有限，又没有专用的 NPU，跑深度学习模型全靠 CPU 硬算。
我测试过，在树莓派 4B 上用 OpenCV 的 Haar Cascade 做人脸检测，640×480 分辨率下，帧率大概在 15 FPS 左右。但一旦加上人脸识别（特征提取+比对），帧率直接掉到 5 FPS 以下。
不过，树莓派有一个不可替代的作用：原型验证。我在项目初期，经常用树莓派快速搭建一个 demo，验证算法流程是否走得通。等确认没问题了，再移植到 RK3588 或 Jetson Nano 上做性能优化。
我的建议：如果你只是学习或者做毕业设计，树莓派完全够用。但如果是商业项目，直接上 RK3588 或 Jetson Nano，别在树莓派上浪费时间。
2.5 算力与功耗的平衡艺术
做门禁设备，功耗是个硬指标。你想想看，设备要 7×24 小时在线，如果功耗太高，散热和电费都是问题。
我整理了一个「算力功耗比」的对比，方便你直观感受：
- RK3588：6 TOPS / 12W ≈ 0.5 TOPS/W
- Jetson Nano：0.5 TFLOPS / 8W ≈ 0.0625 TFLOPS/W
- 树莓派：0.1 TFLOPS / 5W ≈ 0.02 TFLOPS/W
很明显，RK3588 的能效比最高。这也是为什么现在越来越多的门禁厂商，从 Jetson Nano 转向 RK3588。
核心建议：如果你的门禁项目需要 实时性（< 1秒） 和 高精度（> 99%），选 RK3588。如果预算有限且对实时性要求不高，可以考虑 Jetson Nano。树莓派只适合做原型验证。
2.6 我的最终推荐
做了这么多项目，我个人的选择排序是：
- 首选：RK3588 —— 算力强、功耗低、价格适中。国产芯片的供货也稳定。
- 次选：Jetson Nano —— 生态好，适合快速开发。但算力瓶颈明显，适合轻量级场景。
- 备选：树莓派 —— 学习、原型验证用。量产别碰。
嗯，硬件选型就聊到这里。下一章咱们会深入讲讲，如何在 RK3588 上部署你的人脸识别模型。到时候我会分享一些 RKNN 工具链的使用技巧，保证让你少走弯路。