1、课程导论与硬件选型：边缘计算概念、主流边缘设备对比（Jetson Nano/RK3588/树莓派）、选型建议
1.1 边缘计算到底是什么？
说实话，很多刚入行的朋友问我：「边缘计算和云计算有啥区别？」
我一般会打个比方：云计算就像去大超市买菜，啥都有但来回得花时间；边缘计算呢，就像你家楼下的小卖部，东西不多但随叫随到。
放到咱们行人检测这个场景里，道理是一样的。摄像头采集到画面，如果每帧都传到云端去处理，网络延迟、带宽成本都是大问题。尤其在一些实时性要求高的场景——比如安防监控、智能门禁、自动驾驶——你肯定不希望画面传过去再传回来，黄花菜都凉了。
边缘计算的核心思想，就是「在数据产生的地方就近处理」。说白了，把算法模型直接部署到摄像头旁边的设备上，让设备自己「看懂」画面。我做过一个项目，在工厂流水线上做人员闯入检测，如果用云端方案，延迟在200ms以上，换成边缘设备后直接降到30ms以内。嗯，这个差距是决定性的。
边缘计算三大优势：
- 低延迟：本地处理，毫秒级响应
- 省带宽：只上传关键信息，不用传原始视频流
- 隐私安全：敏感数据不出设备，合规性更好
1.2 主流边缘设备横向对比
市面上做边缘计算的设备不少，但真正适合做行人检测与跟踪的，我重点推荐三款：Jetson Nano、RK3588、树莓派4B。这三款我都实际用过，踩过不少坑，今天把真实体验分享给你。
| 对比项 | Jetson Nano (4GB) | RK3588 (8GB) | 树莓派4B (4GB) |
|---|---|---|---|
| AI算力 | 472 GFLOPS (FP16) | 6 TOPS (INT8) | ≈0.1 TOPS (纯CPU) |
| CPU | 4核 Cortex-A57 | 4核 A76 + 4核 A55 | 4核 Cortex-A72 |
| GPU/NPU | 128核 Maxwell GPU | NPU 3.0 (6 TOPS) | VideoCore VI GPU |
| 内存 | 4GB LPDDR4 | 8GB/16GB LPDDR4X | 2GB/4GB/8GB LPDDR4 |
| 功耗 | 5W-10W | 5W-15W | 3W-7W |
| 价格 | 约800-1000元 | 约600-900元 | 约300-500元 |
| 生态成熟度 | ★★★★★ | ★★★★ | ★★★★★ |
| 行人检测实测FPS | 约25-30 (YOLOv4-tiny) | 约35-45 (YOLOv5s INT8) | 约3-5 (MobileNet-SSD) |
1.3 各设备深度解析
Jetson Nano —— 生态最成熟的选择
我个人习惯把Jetson Nano叫做「边缘计算的入门标配」。为什么？因为NVIDIA的生态太强了。TensorRT、DeepStream、CUDA，这些工具链你几乎不用额外折腾，官方文档写得清清楚楚。
我记得第一次在Nano上跑YOLOv4-tiny，从刷系统到看到检测框，只花了半天时间。对于新手来说，这个体验太重要了。你想想看，如果一开始就卡在环境配置上，多打击信心。
不过也有坑。Nano的4GB内存在跑大模型时有点吃紧。我曾经试过YOLOv4-full，直接OOM了。后来换成tiny版本，配合TensorRT的FP16推理，才稳定在30fps左右。
我的建议：如果你刚入门边缘AI，预算在1000元左右，选Jetson Nano准没错。社区资源多，遇到问题随便一搜就有答案。
RK3588 —— 性价比之王
瑞芯微的RK3588是这两年杀出来的黑马。说实话，我第一次拿到开发板时还有点怀疑——国产芯片能行吗？结果一测，真香。
它的NPU算力标称6 TOPS（INT8），实际跑YOLOv5s量化模型，帧率能到40fps以上。而且价格比Nano还便宜一截。我有个项目是做商场人流统计，用了RK3588，功耗控制在8W左右，散热片都不用加，稳得很。
但要注意，RK3588的生态还在完善中。它的RKNN工具链虽然能用，但文档质量、社区活跃度跟NVIDIA比还是有差距。我踩过一个坑：模型量化时精度掉得厉害，后来发现是校准数据集没选对。嗯，这个后面章节会详细讲。
避坑指南：RK3588的NPU只支持INT8量化模型。如果你要用FP16或FP32，只能跑在GPU上，性能会大打折扣。所以选型前一定要确认你的模型能不能量化。
树莓派4B —— 学习可以，生产慎用
树莓派大家都熟悉，做创客项目、学Linux、搭个NAS都没问题。但说实话，用它做行人检测，有点「小马拉大车」的感觉。
我试过在树莓派4B上跑MobileNet-SSD，帧率只有3-5fps。这个速度做静态图片检测还行，做实时视频流？画面会卡成PPT。你想想看，行人从画面中走过，一秒钟才刷新3帧，漏检率得多高。
不过树莓派有个好处：GPIO丰富，适合做控制类项目。比如检测到行人后，控制舵机转动摄像头跟踪——这种场景下，检测慢一点也能接受。
一句话总结：树莓派适合做原型验证和教学，不适合做实时行人检测的生产环境。
1.4 选型建议：到底该买哪个？
这个问题没有标准答案，但我可以给你一个决策框架：
- 看算力需求：你的模型多大？YOLOv4-tiny还是YOLOv8？如果模型小，RK3588性价比最高；如果模型大，Jetson Nano的TensorRT优化更成熟。
- 看开发周期：项目急不急？急的话选Jetson Nano，生态好、上手快。不急的话可以折腾RK3588，省下来的预算够买好几个传感器了。
- 看部署环境：需要低功耗？树莓派和RK3588都行。需要宽温工业级？Jetson Nano有工业版。
- 看团队技术栈：团队熟悉CUDA？闭眼入Jetson。团队熟悉Linux嵌入式？RK3588更灵活。
我个人习惯是：学习阶段用Jetson Nano，量产阶段用RK3588。前者帮你快速验证算法，后者帮你控制成本。
小建议：如果你预算有限，可以先买一块RK3588开发板（600元左右），再配一个USB摄像头。总投入不到1000元，就能跑通整个行人检测流程。我在课程里也会以RK3588为主讲平台，兼顾Jetson Nano的适配方法。
1.5 本课程的学习路线
最后简单说一下这门课的结构。一共30章，从硬件选型开始，到模型训练、部署优化、多目标跟踪，最后做一个完整的行人检测与跟踪系统。
每一章我都会结合自己实际做过的项目来讲，哪些坑我踩过、哪些技巧能提效，都会毫无保留地分享。你跟着走一遍，基本就能独立上手做边缘AI项目了。
好，第一章就到这里。下一章我们开始搭建开发环境，把系统刷起来、跑通第一个检测程序。到时候见！