Jetson Edge AI 实战01：Nano、Xavier、Orin 怎么选？Jetson 硬件选型详解【视频讲解】

这几年做嵌入式，一个很明显的变化是：以前更多关注 Linux、驱动、网络和多媒体，现在越来越多项目开始把 AI 直接放到设备端。

工业视觉、机器人、智能相机、无人机这些场景，已经不只是要求“Linux 能跑起来”，还需要在设备本地完成目标检测、图像处理和 AI 推理。

最近我把之前录制的一套 Jetson 边缘计算与嵌入式开发课程重新整理出来。第一讲没有急着上 CUDA、TensorRT，也没有直接跑模型，而是先解决一个最基础的问题：

Jetson 到底是什么？Nano、Xavier、Orin 有什么区别？实际项目应该怎么选？

本系列后续主要使用 Jetson AGX Orin 64G Kit 作为实践平台。课程第一讲本身也正是围绕 Jetson 产品体系、型号差异、AGX Orin、TOPS/FPS 以及硬件接口展开。

👉 点击这里直接进入 B站观看本节完整视频

B站搜索：嵌入式孙老师

---

Jetson 在 NVIDIA 产品体系里是什么位置？

很多嵌入式工程师第一次接触 NVIDIA，首先想到的还是显卡，比如 RTX 4060、4090，或者服务器里的 H100、H200。

实际上 NVIDIA 的产品跨度很大，从桌面 GPU、专业 GPU、数据中心 GPU，一直到车规 SoC 和边缘 AI。

这里我们重点看 Jetson。

Jetson 是 NVIDIA 面向边缘 AI 的嵌入式计算平台。它并不是简单把 GPU 缩小，而是把 CPU、GPU、AI 加速、多媒体以及大量嵌入式接口整合到一个平台里。

如果站在传统嵌入式开发的角度，可以先简单理解成：

Linux + GPU + AI + 摄像头 + 网络 + 存储 + 外设接口

所以 Jetson 很适合机器人、工业视觉、智能相机等既需要嵌入式 Linux，又需要现场 AI 计算的设备。

---

Nano、Xavier、Orin 到底怎么理解？

Jetson 发展到现在，型号已经不少：

Jetson Nano、Xavier NX、Orin Nano、Orin NX、AGX Orin……

刚开始接触时确实容易乱，其实没必要一开始就背大量参数，先把产品定位看懂。

从整体产品演进来看，可以先建立这样一个大致关系：

Nano → Xavier → Orin

而 Orin 系列内部又可以继续理解成：

Orin Nano → Orin NX → AGX Orin

简单来说：

• Jetson Nano：偏入门、教学和轻量 AI；
• Xavier NX：上一代中端平台，很多存量项目仍然在用；
• Orin Nano：新一代高性能入门平台；
• Orin NX：更适合多摄像头、机器人和视频 AI；
• AGX Orin：面向更复杂的工业 AI、多模型和高性能计算场景。

如果现在开始一个新的 Jetson 项目，我会更加关注 Orin 系列。

但真正做选型，不能只看“谁性能最高”，还要结合模型大小、摄像头数量、内存、功耗以及最终成本一起判断。

---

Jetson 和 RK3588、树莓派有什么不同？

边缘计算当然不只有 Jetson。

实际项目里，我们还经常碰到 RK3588、Raspberry Pi、Intel NUC 等平台。

我的理解比较直接：

平台没有绝对的好坏，关键看项目到底需要什么。

如果项目主要是 Linux、UI、视频、多媒体，再加一些轻量 AI，很多 ARM SoC 都可以完成。

但如果项目大量依赖：

CUDA、TensorRT、GPU 并行计算、多模型推理、多摄像头视觉，以及 NVIDIA 的机器人和 AI 软件生态

那么 Jetson 的优势就会比较明显。

它真正的价值，不只是一个 TOPS 数字，而是背后一整套软硬件生态。

---

AGX Orin 模组和开发套件，不是一回事

刚接触 Jetson 时，还有一个很容易混淆的问题：

Jetson AGX Orin Module

和

Jetson AGX Orin Developer Kit

到底有什么区别？

直接看图最清楚。

模组

模组是真正的核心计算单元。

CPU、GPU、内存等主要资源都集中在模组里面。

真正做机器人、工业相机或者其他量产产品时，常见形式通常是：

Jetson 模组 + 自定义载板 + 自己的外围硬件

所以模组更接近最终产品。

Developer Kit

Developer Kit 主要用于开发、学习和验证。

官方已经把供电、网络、USB、M.2、显示、摄像头等接口准备好了，拿到以后可以比较快地开始软件开发。

实际工程里经常就是：

官方开发套件验证 → 功能跑通 → 自定义载板 → 产品化

这一点和传统嵌入式开发没有本质区别。

---

275 TOPS 到底是什么意思？

提到 Jetson AGX Orin，经常会看到一个参数：

最高 275 TOPS。

TOPS 可以简单理解成每秒能够完成多少万亿次 AI 运算。

但是实际项目里，我觉得一定要把 TOPS 和 FPS 分开理解。

可以先记住一句：

TOPS 更偏理论 AI 运算能力，FPS 更接近模型真正跑起来后的处理速度。

比如：

30 FPS，表示每秒大约处理 30 帧图像。

60 FPS，表示每秒大约处理 60 帧图像。

但实际 FPS 还会受到很多因素影响：

模型大小、输入分辨率、TensorRT 优化、CPU 前后处理、GPU 使用率、内存带宽等。

所以做真实项目时，我更关心的问题往往不是：

这块板是多少 TOPS？

而是：

我的模型放到这块板上，实际上能够稳定跑多少 FPS？

这才更接近真实工程。

---

做边缘 AI，不能只看 AI 算力

以 AGX Orin 为例，除了 AI 算力，本身还有 CPU、CUDA Core、Tensor Core、LPDDR5 内存以及硬件视频编解码等资源。

特别是做多路摄像头时，整个数据链路可能是：

Camera → ISP → 内存 → CUDA / TensorRT → AI 推理 → 编码 → 网络 / 存储

这里任何一个地方出现瓶颈，最终效果都会受到影响。

所以我一直觉得：

边缘 AI 到最后仍然是系统工程。

并不是把一个模型跑起来就结束了。

---

接口资源同样重要

Jetson 最终还是要进入实际设备。

所以传统嵌入式开发里的问题，一个都不会少：

摄像头怎么接？

SSD 怎么接？

有没有 UART、I²C、SPI？

网络怎么传？

系统怎么进入 Recovery 烧录？

AGX Orin 开发套件上，可以看到很多嵌入式工程师熟悉的资源：

GPIO、I²C、SPI、UART、PWM、MIPI CSI-2、USB、Ethernet、M.2、Recovery、DisplayPort 等。

所以从这个角度看，Jetson 并没有离传统嵌入式越来越远。

以前我们可能主要在做：

Linux + 驱动 + 摄像头 + 网络 + 存储

到了 Jetson 上，只是在这些基础上继续增加：

CUDA + TensorRT + AI

以前积累的 Linux、驱动、多媒体和系统能力，在边缘 AI 时代依然非常有价值。

---

真正做项目，我会怎么选？

如果只是学习，可以根据预算选择合适的平台。

但如果是真实项目，我建议先不要急着比较 TOPS，而是先把这些需求列出来：

• 跑什么模型？
• 需要几路摄像头？
• 分辨率和帧率是多少？
• 是否需要硬件编码和录像？
• 是否运行 ROS、SLAM？
• 需要多少内存？
• 整机允许多大功耗？
• 是做 Demo，还是准备量产？
• 最终是否需要自己设计载板？

这些问题确定以后，再去判断：

Orin Nano、Orin NX，还是 AGX Orin。

真正的硬件选型不是：

哪块板性能最高？

而应该是：

哪块板能够稳定满足我的项目，同时成本、功耗和产品形态也合适。

---

完整视频讲解

本文对应：

《Jetson Edge AI 实战》第01讲：如何选择合适的 Jetson 硬件》

视频里把：

NVIDIA 产品体系 → Nano / Xavier / Orin → AGX Orin → TOPS / FPS → Module / Developer Kit → 硬件接口

完整串了一遍。

文章适合快速阅读和后续查资料，视频更适合把这些概念一次串起来。

👉 点击这里直接进入 B站观看完整视频

B站搜索：嵌入式孙老师

后续整个 Jetson Edge AI 实战系列还会继续整理，包括 Jetson 软件环境、Linux、AI 模型部署、摄像头、多媒体、Yocto 以及设备安全等工程内容。

觉得内容有帮助，欢迎点赞、收藏支持。需要视频对应的 PPT、代码以及详细学习资料，也可以联系本人获取。

---

第一讲主要还是先把 Jetson 的硬件体系理顺。

把 Nano、Xavier、Orin，以及 Module、Developer Kit、TOPS、FPS 这些基础概念弄清楚，后面再进入 JetPack、CUDA、TensorRT 和实际 AI 应用，就容易串起来了。

👉 继续进入 B站观看《Jetson Edge AI 实战01》完整视频

All in AI，不如走向边缘🌞