边缘 AI 开发板选购指南：从 Arduino Portenta 到 Sipeed Maix 的一线开发者实测报告

边缘 AI 开发板选购指南：从 Arduino Portenta 到 Sipeed Maix 的一线开发者实测报告

一、选型要回答的三个问题

每次有同行问"推荐一块 AI 开发板"，第一反应都是反问三句话：跑什么模型？功耗预算多少？量产还是原型？这三个问题的答案直接决定了推荐列表——因为边缘 AI 开发板市场已高度分化，"通用推荐"不存在。

本文基于过去一年实际经手的 8 款主流 AI 开发板，从硬件可靠性、SDK 成熟度、社区活跃度和量产可行性四个维度给出实测评价。

二、参评开发板全景

三、关键维度实测数据

3.1 开箱到首次推理耗时

在全新 macOS 环境下，从解压 SDK 到跑通第一个 MobileNetV2 推理 demo 的实测时间：

3.2 模型部署代码示例（K230 平台）

"""
Sipeed MaixCAM (K230) YOLOv5s 部署示例
使用 nncase 工具链将 ONNX 模型转为 kmodel 格式
注意：K230 的 KPU 仅支持特定算子和量化格式
"""
import nncase
import numpy as np
import os
from pathlib import Path

# ==================== 模型编译阶段（在 PC 上执行）====================

def compile_onnx_to_kmodel(onnx_path: str,
kmodel_path: str,
input_shape: tuple = (1, 3, 640, 640)):
"""
使用 nncase 编译器将 ONNX 模型转换为 K230 KPU 可执行的 kmodel
"""
# 检查 ONNX 文件是否存在
if not os.path.exists(onnx_path):
raise FileNotFoundError(
f"[错误] ONNX 模型不存在: {onnx_path}\\n"
"请先使用 export.py 导出 ONNX 格式模型"
)

try:
# 初始化 nncase 编译选项
compile_options = nncase.CompileOptions()
compile_options.target = "k230" # 目标平台
compile_options.input_type = "uint8" # K230 需要 uint8 输入
compile_options.preprocess = True # 允许编译器融合预处理
compile_options.input_shape = [input_shape] # 输入尺寸
compile_options.dump_ir = True # 保存中间 IR 用于调试

# 创建编译器实例
compiler = nncase.Compiler(compile_options)

# 导入 ONNX 模型
compiler.import_onnx(onnx_path)

# 设置量化校准数据集
calibration_data = _load_calibration_images(
"./calibration/", num_images=100)

def calibration_fn():
"""校准数据集生成器 – nncase 回调格式"""
for img in calibration_data:
yield {"input_0": img.astype(np.uint8)}

compiler.use_dataset(calibration_fn)

# 执行编译
compiler.compile()

# 生成 kmodel 文件
compiler.gencode(kmodel_path)
print(f"[成功] kmodel 已生成: {kmodel_path}")

except nncase.NNCaseException as e:
raise RuntimeError(
f"[错误] nncase 编译失败: {e}\\n"
"常见原因: 模型中存在 KPU 不支持的算子（如 HardSwish），"
"请替换为 ReLU 或检查 nncase 支持列表"
) from e

def _load_calibration_images(image_dir: str,
num_images: int = 100) -> list:
"""加载量化校准图片"""
try:
from PIL import Image
except ImportError:
raise ImportError("[错误] 缺少 Pillow 库，请执行: pip install Pillow")

images = []
img_paths = sorted(Path(image_dir).glob("*.jpg"))[:num_images]

if len(img_paths) == 0:
raise FileNotFoundError(
f"[错误] 校准目录 '{image_dir}' 中未找到 jpg 图片\\n"
"请准备 100 张代表性场景图片用于量化校准"
)

for img_path in img_paths:
img = Image.open(img_path).resize((640, 640)).convert('RGB')
img_array = np.array(img, dtype=np.uint8)
images.append(img_array)

return images

# ==================== 设备端推理（在 K230 上执行）====================

"""
K230 设备端推理示例 – 使用 MicroPython API
注意：K230 内置 MicroPython，无需交叉编译即可运行
"""
def k230_inference_demo():
import ulab.numpy as np
from media.sensor import Sensor
from media.display import Display
import nncase

# 初始化摄像头（OV5647）
try:
sensor = Sensor(width=640, height=480)
sensor.reset()
sensor.set_pixformat(Sensor.RGB565)
except Exception as e:
print(f"[错误] 摄像头初始化失败: {e}")
return

# 加载 kmodel
try:
model = nncase.Inference("yolov5s.kmodel")
except OSError as e:
print(f"[错误] kmodel 加载失败: {e}")
sensor.deinit()
return

print("[就绪] K230 YOLOv5s 推理已启动")
frame_count = 0

while True:
try:
img = sensor.snapshot() # 捕获一帧
img_640 = img.resize(640, 640) # 缩放到模型输入尺寸
tensor = img_640.to_tensor() # 转为张量

results = model.run(tensor) # KPU 推理

# 绘制检测框（省略具体绘制逻辑）
frame_count += 1
if frame_count % 30 == 0:
print(f"[运行中] 已处理 {frame_count} 帧")

except KeyboardInterrupt:
print("[停止] 用户中断推理")
break
except Exception as e:
print(f"[错误] 推理异常: {e}，尝试继续…")
continue

sensor.deinit()

if __name__ == "__main__":
k230_inference_demo()

3.3 综合评分卡

四、场景化推荐

原型验证阶段：

• 有 GPU 台式机 → NVIDIA Jetson Orin Nano（生态碾压级优势）
• 预算有限 → Luckfox Pico Max（$18 的 RV1126，单路视频分析够用）
• Python 原型 → Sipeed MaixCAM（MaixPy 生态友好）

量产阶段：

• 大批量（10K+）→ 直接买芯片做定制板，不要用开发板
• 小批量（<1K）→ Luckfox Pico Max 核心板（邮票孔设计便于 SMT）
• 工业环境 → Arduino Portenta H7（-40~85°C 宽温，抗震动）

五、总结

选择开发板的核心原则是"不买多余能力"。用 40TOPS 的 Jetson Orin 做单路人脸检测是资源浪费；用 $15 的 XIAO 做实时视频分析是不切实际。本文实测数据表明：

• TinyML 入门：Seeed XIAO Sense，Edge Impulse 平台将门槛降到最低。
• 单路视频 AI：Luckfox Pico Max 或 Sipeed MaixCAM，$18-35 区间性价比无敌。
• 多路/高性能：Jetson Orin Nano，生态优势无法被算力参数在纸面上体现。
• 国产替代：地平线 RDK X3 的工具链仍处于快速迭代期，建议每季度跟踪更新。