2、边缘设备选型与开发环境搭建

好，咱们进入第二章。说实话，选边缘设备这事儿，我当年踩过不少坑。记得第一次做嵌入式AI项目，图便宜买了块性能一般的板子，结果模型跑起来卡成PPT，最后只能换平台重来。所以这一章，我带你好好捋一捋主流设备怎么选，环境怎么搭。

2.1 主流边缘设备横向对比

目前市面上做边缘AI，最常用的就是这三家：NVIDIA Jetson系列、瑞芯微RK3588、还有树莓派。咱们一个一个说。

参数	Jetson Nano (4GB)	RK3588	树莓派4B (4GB)
AI算力	472 GFLOPS (FP16)	6 TOPS (INT8)	无专用NPU
CPU	4核Cortex-A57	4核A76 + 4核A55	4核Cortex-A72
GPU	128核Maxwell	Mali-G610 MP4	VideoCore VI
内存	4GB LPDDR4	8/16GB LPDDR4X	4/8GB LPDDR4
价格	约800元	约1200元	约400元
功耗	5W-10W	8W-15W	3W-7W

2.2 各设备优缺点深度分析

2.2.1 Jetson Nano

NVIDIA的生态是真的好。CUDA、TensorRT、DeepStream，一套下来很顺手。我习惯用JetPack SDK刷系统，里面包含了L4T内核、CUDA、cuDNN、TensorRT，一步到位。

• 优点：GPU算力强，生态完善，社区活跃
• 缺点：内存只有4GB，跑大模型容易OOM；散热是个问题，不加风扇分分钟降频

2.2.2 RK3588

瑞芯微这颗芯片，国产里算很能打的了。6TOPS的NPU，跑INT8量化模型效率很高。我去年在一个安防项目里用了RK3588，人脸检测+关键点定位，能做到30fps。

• 优点：算力够用，接口丰富（PCIe、SATA、USB3.0），支持多路摄像头
• 缺点：NPU开发工具链不如CUDA成熟，有些算子需要自己适配

2.2.3 树莓派4B

树莓派嘛，入门神器。但说实话，做AI推理它真的不太行。没有GPU加速，全靠CPU硬扛。跑个MobileNet-SSD人脸检测，也就10fps左右。

• 优点：便宜，资料多，GPIO丰富适合做外设控制
• 缺点：没有AI加速单元，算力瓶颈明显

2.3 系统烧录与基础环境配置

设备选好了，接下来就是搭环境。我以Jetson Nano为例，带你走一遍完整流程。RK3588和树莓派的步骤类似，我会在关键地方标注差异。

2.3.1 系统烧录

Jetson Nano：

1. 下载JetPack SDK（我习惯用4.6.1版本，稳定）
2. 准备一张32GB以上的TF卡（建议用SanDisk Extreme Pro，读写快）
3. 用Etcher或balenaEtcher把镜像写入TF卡
4. 插卡、接显示器、上电，第一次启动会自动扩展分区

# 烧录完成后，检查系统版本
cat /etc/nv_tegra_release
# 输出示例：R32 (release), REVISION: 7.1

RK3588：一般用瑞芯微提供的SDK，或者直接买官方固件。我用的Firefly RK3588，他们提供了完整的Ubuntu 20.04镜像，烧录工具是RKDevTool。

# RK3588上检查NPU驱动
sudo dmesg | grep rknpu
# 如果看到 rknpu: RKNPU driver version 0.8.2，说明驱动正常

树莓派：用Raspberry Pi Imager，选Raspberry Pi OS（64位），一键烧录。

2.3.2 基础环境配置

系统起来之后，第一件事就是配环境。我习惯按这个顺序来：

1. 换源：国内用户一定要换清华或中科大的源，不然下载慢到怀疑人生
2. 安装基础工具：vim、git、cmake、build-essential
3. 配置Python环境：建议用Miniconda，别用系统自带的Python，容易搞乱
4. 安装AI框架：Jetson装PyTorch for Jetson，RK3588装RKNN-Toolkit，树莓派装TensorFlow Lite

# Jetson Nano上安装PyTorch（以1.10.0为例）
wget https://developer.download.nvidia.com/compute/redist/jp/v46/pytorch/torch-1.10.0-cp36-cp36m-linux_aarch64.whl
pip3 install torch-1.10.0-cp36-cp36m-linux_aarch64.whl

# 验证安装
python3 -c "import torch; print(torch.__version__)"
# 输出：1.10.0

2.3.3 摄像头与显示测试

环境搭好了，先测试一下摄像头能不能用。我一般用CSI摄像头，延迟低，适合实时处理。

# Jetson Nano上测试CSI摄像头
gst-launch-1.0 nvarguscamerasrc ! nvoverlaysink

# 如果看到摄像头画面，说明驱动正常
# 按Ctrl+C退出

对于USB摄像头，用OpenCV测试：

import cv2
cap = cv2.VideoCapture(0)
while True:
    ret, frame = cap.read()
    if ret:
        cv2.imshow('test', frame)
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
cap.release()
cv2.destroyAllWindows()

2.4 本章小结

嗯，这一章内容不少。我们对比了Jetson Nano、RK3588、树莓派三款主流设备，分析了各自的优缺点。然后以Jetson Nano为例，走了一遍系统烧录和环境配置的流程。

说实话，选设备没有绝对的好坏，关键看你的项目需求。如果追求生态和算力，选Jetson；如果看重性价比和接口丰富度，RK3588很香；如果只是做原型验证，树莓派也能凑合。

下一章，我们就要开始真正的人脸检测了。我会带你从零搭建一个人脸检测管线，用上TensorRT加速。到时候你会发现，环境搭好了，后面的事情就顺了。