Resposta curta: O RK3588 vs Jetson Orin Nano A decisão resume-se a três fatores — orçamento, ecossistema de software e ambiente de implementação. A Placa de desenvolvimento ieeker YKR-RK3588 custa 40–50% menos do que um sistema Jetson Orin Nano, funciona a temperaturas mais baixas (5–8 W) em comparação com os 15–25 W do Jetson e suporta todas as interfaces industriais sem necessidade de hardware adicional. O Jetson Orin Nano Super oferece 67 TOPS, em comparação com os 6 TOPS do RK3588, e integra o ecossistema CUDA da NVIDIA — a escolha certa se a sua equipa já utiliza pipelines TensorRT ou precisa de implementar modelos de linguagem de grande dimensão na periferia. Para a maioria das aplicações de visão artificial industrial, gateways de IoT e IHMs incorporadas, o YKR-RK3588 é a escolha certa em termos de relação custo-desempenho.
O RK3588 vs Jetson Orin Nano A comparação é a decisão mais comum que os engenheiros têm de tomar em termos de plataforma ao definir o âmbito de um projeto de IA na periferia em 2026. Ambas as placas visam o mesmo domínio de aplicação — visão computacional, robótica, gateways inteligentes e inferência de IA industrial —, mas representam filosofias de engenharia fundamentalmente diferentes: a Rockchip otimiza para uma implementação industrial económica; a NVIDIA otimiza para o rendimento da IA e a profundidade do ecossistema de programadores.
Este guia oferece aos engenheiros de sistemas incorporados e aos gestores de produtos de hardware uma análise direta, critério a critério, do RK3588 vs Jetson Orin Nano compromissos — rendimento da CPU, GPU e NPU, consumo de energia, interfaces industriais, ecossistema de software, custo da lista de materiais (BOM) e considerações relativas à implementação na produção — para que possa tomar a decisão certa quanto à plataforma antes de se comprometer o orçamento para o primeiro protótipo.
Principais conclusões
- RK3588 vs Jetson Orin Nano na NPU: 6 TOPS (RK3588) vs 67 TOPS (Jetson Orin Nano Super) — o Jetson supera em 11 vezes em termos de rendimento bruto de IA
- O RK3588 destaca-se em termos de consumo energético: 5–8 W (valor típico) contra os 15–25 W do Jetson Orin Nano — um fator crucial para caixas industriais com refrigeração passiva
- A placa de desenvolvimento YKR-RK3588 custa 40–50% menos do que um sistema de produção Jetson Orin Nano comparável, em quantidades elevadas
- O RK3588 dispõe de 4 saídas de vídeo simultâneas, barramento CAN nativo, SATA e duas portas GbE — o Jetson Orin Nano não possui nenhuma destas quatro funcionalidades de forma nativa
- O CUDA + TensorRT + JetPack constitui a vantagem decisiva do Jetson: a implementação de modelos demora horas, e não dias, graças ao ecossistema de contentores pré-otimizado da NVIDIA
- O RK3588 RKNN-Toolkit2 suporta inferência quantizada em INT8 a partir de PyTorch/ONNX: suficiente para 95% de cargas de trabalho de visão industrial a um custo de sistema significativamente mais baixo
- O Jetson Orin Nano tem um limite de compra de 4 unidades por conta — não se trata de um componente de produção; as placas RK3588 estão disponíveis em grandes quantidades, sem restrições de atribuição
- Para a implementação de IA generativa na periferia (LLMs, VLMs), o Jetson Orin Nano Super é a única opção viável nesta gama de preços
RK3588 vs Jetson Orin Nano: Comparação completa das especificações
Antes de passarmos à análise aprofundada, eis a tabela comparativa completa das especificações para o RK3588 vs Jetson Orin Nano comparação. Os dados do Jetson Orin Nano correspondem ao atual Orin Nano Super (8 GB) com o JetPack 6.2 no modo MAXN Super.
| Parâmetro | Rockchip RK3588 (ieeker YKR-RK3588) | NVIDIA Jetson Orin Nano Super (8 GB, JetPack 6.2) |
|---|---|---|
| CPU | 8 núcleos 4× Cortex-A76 a 2,4 GHz + 4× Cortex-A55 a 1,8 GHz | ARM de 6 núcleos Cortex-A78AE @ até 1,5 GHz |
| GPU | Mali-G610 MP4 OpenGL ES 3.2, Vulkan 1.2, OpenCL 2.2 | GPU NVIDIA Ampere 1024 núcleos CUDA, CUDA 11.4+, TensorRT |
| NPU / Acelerador de IA | 6 TOPS (RKNN) | 67 TOPS (Modo Super) |
| Memória | Até 32 GB de LPDDR4X | 8 GB de LPDDR5 Largura de banda de 102 GB/s (Super) |
| Potência típica (carga) | 5-8W | 15–25 W (Super MAXN) |
| Decodificação de vídeo | 8K H.265 a 60 fps | 4K H.265 a 60 fps |
| Saídas de visualização | Até 4 simultâneos HDMI 2.1, DP 1.4, MIPI DSI ×2, eDP | 1 (DisplayPort apenas no kit de desenvolvimento) O HDMI requer um adaptador DP |
| Ethernet | 2× 2,5 GbE | 1× GbE |
| PCIe | PCIe 3.0 × 3 | PCIe 3.0 × 1 (M.2, chave M) |
| SATA / CAN / RS-485 | SATA III ✅ / CAN ✅ / UART ✅ | Nenhum de forma nativa ❌ |
| Preço do kit de desenvolvimento | ~$120–160 (YKR-RK3588) | $249 (PVP da NVIDIA) |
| Limite do volume de produção | Sem limite | 4 unidades/conta (kit de desenvolvimento) Percurso do módulo de produção separado |
| SO / pilha de software | Linux (Buildroot/Debian/Ubuntu), Android 12 | JetPack (baseado no Ubuntu) CUDA, TensorRT, cuDNN, DeepStream |
67 TOPS vs 6 TOPS: O que a diferença de NPU significa realmente para o seu projeto
O número mais citado no RK3588 vs Jetson Orin Nano A comparação incide sobre a diferença de rendimento da NPU: 67 TOPS (Jetson Orin Nano Super no modo MAXN) contra 6 TOPS (RK3588). Em teoria, isto parece ser uma vitória decisiva para a Jetson. Na prática, o que importa é saber se a sua aplicação específica requer realmente 67 TOPS — e, para a maioria das cargas de trabalho industriais incorporadas, não é o caso.
Eis o desempenho que a NPU de 6 TOPS do RK3588 apresenta em cargas de trabalho reais de inferência industrial, utilizando o RKNN-Toolkit2:
- Detecção de objetos com o YOLOv5s (INT8): ~45 ms por fotograma com entrada de 640×640 — aproximadamente 22 fps. Suficiente para a deteção de defeitos em correias transportadoras, reconhecimento facial para controlo de acesso e visão artificial com uma única câmara a taxas de fotogramas industriais padrão.
- Classificação de imagens com o MobileNetV2 (INT8): ~12 ms por inferência — o suficiente para uma classificação de qualidade em alta frequência, com mais de 80 classificações por segundo.
- Detecção leve de anomalias (LSTM, 128 características): Menos de 5 ms por inferência — adequado para manutenção preditiva em tempo real em fluxos de sensores com frequências de sondagem de 200 Hz.
- Inferência multifluxo (2 fluxos de câmara, YOLOv5s em cada um): ~48 fps combinados em ambos os fluxos, utilizando o agendamento multi-core RKNN — viável para sistemas de inspeção com duas câmaras.
Nos casos em que 6 TOPS são realmente insuficientes — e onde os 67 TOPS do Jetson Orin Nano Super oferecem um valor real: execução de modelos de visão baseados em transformadores (ViT, CLIP), inferência de grandes modelos de linguagem na periferia (Llama 3 8B, Phi-3 Mini), análise de vídeo multifluxo com resolução 4K ou inferência simultânea em 4 ou mais fluxos de câmara com backbones ResNet-50 ou superiores. Tal como a documentação da NVIDIA confirma, O Jetson Orin Nano Super proporciona um aumento de desempenho de até 1,7× nos modelos de IA generativa em relação ao seu antecessor, permitindo a utilização de modelos como o Llama 3 e modelos de visão-linguagem que simplesmente não são viáveis numa NPU de 6 TOPS.
A regra prática: se a sua carga de trabalho de inferência se enquadrar nos modelos da classe YOLOv5 com requisitos de fps de um único dígito, ou se a sua tarefa de IA na periferia for classificação ou deteção de anomalias, em vez de inferência generativa, a NPU de 6 TOPS do RK3588 é suficiente e a vantagem em termos de custo é decisiva. Se precisar de executar LLMs, modelos multimodais ou análises multicâmara de elevado débito, os 67 TOPS do Jetson Orin Nano Super são verdadeiramente necessários. Para uma análise detalhada da implementação da NPU do RK3588 utilizando o RKNN-Toolkit2, consulte o nosso Guia de desempenho da NPU RK3588.
Consumo de energia: Por que a comparação entre o RK3588 e o Jetson Orin Nano é importante para caixas industriais
O consumo de energia não é uma nota de rodapé num teste de desempenho para implementações industriais — determina se o seu dispositivo pode ser arrefecido passivamente, qual deve ser a capacidade da fonte de alimentação e qual será o custo operacional total ao longo de uma implementação no terreno com a duração de 5 anos. O RK3588 vs Jetson Orin Nano A diferença aqui é significativa e favorece consistentemente o RK3588 em cenários de instalação em caixas industriais.
Em cargas de trabalho típicas de IA na periferia — inferência na NPU com uma utilização de 70% e serviços Linux em execução simultânea —, o RK3588 consome 5-8W potência total do sistema. Isto é confirmado por várias medições independentes: em funcionamento contínuo da NPU, o RK3588 requer apenas arrefecimento passivo em caixas devidamente concebidas, o que facilita as implementações sem ventoinha em calhas DIN ou com classificação IP65. O Jetson Orin Nano Super no modo MAXN consome até 25 W — mais de três vezes a carga do RK3588. A 15 W (modo padrão), continua a ser aproximadamente o dobro.
Isto tem três implicações diretas do ponto de vista da engenharia para a conceção de produtos industriais:
- Viabilidade do arrefecimento passivo: O YKR-RK3588 pode ser instalado num invólucro selado e sem ventoinha para montagem em calha DIN, em temperaturas ambientes até 55 °C, sem exceder os limites de temperatura de junção. O Jetson Orin Nano Super, com 25 W, requer refrigeração ativa — uma ventoinha ou uma solução de refrigeração líquida — em qualquer temperatura ambiente superior a 35 °C, o que acarreta custos adicionais, ruído e um risco de falha mecânica para o produto.
- Dimensionamento da fonte de alimentação: Os sistemas RK3588 funcionam sem problemas com uma fonte de alimentação industrial de 12 V/1,5 A (18 W) para calha DIN. O Jetson Orin Nano requer uma fonte de alimentação de 5 V/4 A ou 12 V/2 A com potência nominal de 25 W ou mais — um formato de fonte de alimentação maior e mais caro.
- Aplicações alimentadas por bateria ou PoE: No que diz respeito à robótica móvel, às cargas úteis de drones ou às câmaras de perímetro alimentadas por PoE, o envelope de 5–8 W do RK3588 permite conceber soluções que o orçamento energético do Jetson Orin Nano torna impraticáveis.
Do chão de fábrica: Por que razão uma empresa de sistemas de visão de Taiwan escolheu o RK3588 em vez do Jetson
Há cerca de dez meses, colaborámos com a equipa de hardware de uma empresa taiwanesa especializada em visão artificial no desenvolvimento de uma nova geração de sistemas de inspeção de superfícies para o fabrico de placas de circuito impresso (PCB). O sistema que utilizavam recorria às placas Jetson Xavier NX — com um desempenho sólido, mas a plataforma estava a ser descontinuada e a transição para o Jetson Orin NX, com desempenho equivalente, teria aumentado a lista de materiais (BOM) do sistema em aproximadamente $180 por unidade. Com 400 unidades por ano, isso representava $72 000 em custos anuais adicionais que a margem do seu produto não conseguia absorver.
A sua carga de trabalho de inferência: duas câmaras GigE Vision de 5 MP, modelo de deteção de defeitos YOLOv5m a 10 fps por câmara, a funcionar continuamente num armário de inspeção selado a uma temperatura ambiente de até 50 °C. O seu critério era simples — se o YKR-RK3588 conseguisse manter 10 fps por câmara com uma precisão aceitável na deteção de defeitos, a relação custo-benefício tornava a mudança obrigatória.
Fornecemos duas placas de avaliação YKR-RK3588 no espaço de uma semana. O seu engenheiro de ML quantizou o modelo YOLOv5m para INT8 utilizando o RKNN-Toolkit2 — o processo demorou três dias, incluindo uma etapa de validação da precisão com a duração de um dia para confirmar que o modelo quantizado mantinha a precisão na deteção de defeitos acima do seu limiar de 98,51 TP3T. Desempenho final: 11,2 fps por câmara, mantidos com uma utilização da NPU de 851 TP3T, com a GPU a gerir o buffer de fotogramas GigE Vision em paralelo. A variação de precisão entre FP32 e INT8 foi de 0,31 TP3T — bem dentro das especificações.
Resultado térmico: o YKR-RK3588, no seu invólucro selado a uma temperatura ambiente de 50 °C, atingiu uma temperatura de junção de 72 °C sob carga contínua — dentro da gama de funcionamento nominal do RK3588, utilizando apenas um dissipador de calor passivo. O seu sistema anterior, o Jetson Xavier NX, exigia uma ventoinha de 60 mm que acionava alertas de manutenção a cada 18 meses devido à contaminação por fiapos proveniente do ambiente de produção das placas de circuito impresso. O design sem ventoinha do RK3588 eliminou completamente esse ponto de manutenção.
Já enviaram 320 unidades do seu sistema de inspeção redesenhado. Poupança por unidade na lista de materiais (BOM) em comparação com a alternativa Jetson Orin NX: $163. Poupança anual total com o volume atual: $65 200. A migração do modelo para o RKNN-Toolkit2 demorou três dias-engenheiro — um custo único que se amortizou na totalidade nos primeiros dois meses de produção.
Interfaces industriais: onde o RK3588 não tem concorrência
Para os engenheiros que estão a avaliar o RK3588 vs Jetson Orin Nano No que diz respeito a implementações industriais — gateways de IoT, painéis HMI incorporados, sistemas NVR, nós de automação industrial —, a comparação das interfaces é tão importante quanto a comparação do desempenho computacional. O RK3588 foi concebido para aplicações industriais incorporadas; o Jetson Orin Nano foi concebido para o desenvolvimento de IA e a prototipagem robótica. Esta diferença é visível no hardware.
A placa de desenvolvimento ieeker YKR-RK3588 oferece, de forma nativa, sem necessidade de placas de expansão:
- 2.5GbE duplo: MACs independentes para separação de LAN/WAN em implementações de gateway — o kit de desenvolvimento Jetson Orin Nano dispõe apenas de uma porta GbE.
- SATA III: Ligação direta de um SSD de 2,5" para o histórico de dados local — não disponível no Jetson Orin Nano sem uma placa controladora PCIe SATA que ocupe a única ranhura M.2.
- Bus CAN: Para comunicação com PLC, atuadores e barramento de veículos — é necessário um adaptador USB-CAN ou PCIe no Jetson.
- UART múltiplo / RS-485: No caso da comunicação por sondagem do barramento de campo Modbus RTU — é necessário utilizar adaptadores USB-serial no Jetson, o que aumenta a latência e cria pontos de falha.
- 4 saídas de vídeo simultâneas: HDMI 2.1 + DP 1.4 + 2× MIPI DSI para configurações de HMI com vários painéis — O kit de desenvolvimento Jetson Orin Nano só dispõe de saída para DisplayPort (o HDMI requer um adaptador, conforme documentado por vários utilizadores).
- PCIe 3.0 × 3: Permite a utilização simultânea de um modem 4G/5G, um SSD NVMe e um periférico adicional — o Jetson dispõe de uma ranhura PCIe 3.0 M.2.
Para obter uma descrição detalhada da arquitetura de implementação do YKR-RK3588 em configurações de gateway de IoT — pilha Modbus para MQTT, ligação ascendente por rede móvel, design de armazenamento e reencaminhamento — consulte o nosso Guia do gateway IoT industrial RK3568; a mesma arquitetura aplica-se ao RK3588, com maior capacidade de processamento para cargas de trabalho simultâneas de inferência da NPU.
RK3588 vs Jetson Orin Nano: Ecossistema de software e cadeia de ferramentas de implementação de IA
A diferença no ecossistema de software entre RK3588 vs Jetson Orin Nano é o fator mais importante para as equipas que dão prioridade à rápida implementação de modelos de IA em detrimento do custo do hardware ou da eficiência energética.
NVIDIA JetPack: A vantagem da rapidez na implementação
O JetPack é a plataforma de software unificada da NVIDIA para o Jetson — reúne o Ubuntu Linux, o CUDA, o cuDNN, o TensorRT, o DeepStream (análise de vídeo multistream) e o Isaac ROS (middleware de robótica) numa única instalação de SDK. Um modelo treinado com o PyTorch é implementado para inferência otimizada pelo TensorRT no Jetson através de um único comando de conversão. Os contentores Docker pré-construídos para frameworks populares (Ultralytics YOLO, Hugging Face Transformers, servidor de inferência NVIDIA Triton) são executados diretamente a partir do registo de contentores da NVIDIA, sem etapas de compilação personalizadas.
No que diz respeito especificamente às aplicações de robótica, a NVIDIA’s Isaac ROS no Jetson Orin Nano oferece nós ROS 2 com aceleração por hardware, processamento de profundidade estéreo e SLAM, cuja reprodução no RK3588 exigiria um desenvolvimento personalizado significativo. Se o seu produto for um robô ROS 2, o Jetson é a escolha certa, a menos que as restrições orçamentais sejam determinantes.
RKNN-Toolkit2: Adequado para inferência industrial, requer mais configuração
O percurso de inferência do RK3588 — RKNN-Toolkit2 — converte modelos PyTorch, TensorFlow ou ONNX para um formato RKNN quantizado que funciona na NPU. O fluxo de trabalho está bem documentado e o conjunto de ferramentas é mantido ativamente, mas requer uma calibração explícita da quantização (fornecendo um conjunto de dados representativo para a calibração INT8) e a validação da precisão após a quantização. Trata-se de um investimento único por modelo, de 1 a 3 dias-engenheiro, e não de um custo recorrente.
Principais pontos fortes do RKNN-Toolkit2 para implementações industriais: o formato do modelo RKNN quantizado é altamente determinístico (o mesmo resultado de inferência em cada execução, sem variabilidade no agendamento da GPU), os modelos treinados na NPU RK3568 são implementados de forma idêntica na NPU RK3588 sem necessidade de requantização, e a API Python do RKNN integra-se perfeitamente com o OpenCV e com os SDKs de câmaras industriais.
A limitação real: o RKNN-Toolkit2 não suporta arquiteturas baseadas em transformadores com a mesma eficiência que o TensorRT — as operações de atenção nos modelos ViT e LLM são executadas parcialmente na CPU em vez de na NPU, o que limita significativamente o rendimento para cargas de trabalho de IA generativa. Se a sua aplicação requer inferência LLM na periferia ou modelos de visão-linguagem, a pilha CUDA + TensorRT da Jetson é a única opção viável nesta gama de preços.
Custo da lista de materiais (BOM) e implementação da produção: a realidade comercial
O contexto comercial do RK3588 vs Jetson Orin Nano A decisão é tão importante quanto a comparação técnica, especialmente para as equipas que pretendem lançar produtos em vez de construir protótipos.
Kit de desenvolvimento vs. componente de produção
O Kit de Desenvolvimento Jetson Orin Nano Super, com referência $249, é explicitamente um ferramenta de desenvolvimento e prototipagem — A NVIDIA limita as compras a 4 unidades por conta de cliente para fins de I&D. A implementação em produção de produtos baseados no Jetson requer a aquisição do módulo Jetson Orin Nano (com preço separado, normalmente $150–200 em grandes quantidades), juntamente com uma placa de suporte personalizada ou de terceiros, além da licença do JetPack para funcionalidades de software comercial. Isto acarreta custos de conceção, custos de desenvolvimento inicial (NRE) da placa de suporte e uma cadeia de abastecimento mais complexa, em comparação com a encomenda direta de volumes de produção do YKR-RK3588.
A placa de desenvolvimento ieeker YKR-RK3588 é um componente pronto para produção, sem restrições quanto à quantidade por unidade. A mesma placa utilizada na prototipagem é a que é fornecida na produção — sem troca de módulos, sem redesenho da placa de suporte e sem lista de materiais (BOM) de produção separada. Para programas OEM que exijam formatos personalizados, o nosso serviço de SoM RK3588 + placa de suporte segue o mesmo processo de produção que a plataforma YKR-RK3568. Consulte o nosso Guia de conceção de placas de desenvolvimento personalizadas para o fluxo de trabalho completo do OEM.
Custo total do sistema com uma produção de 500 unidades por ano
| Rubrica de custos | Sistema YKR-RK3588 | Sistema Jetson Orin Nano |
|---|---|---|
| Placa de computação @ 500 unidades | ~$120–140 | ~$175–200 (apenas módulo) |
| Placa de suporte (produção) | Incluído | $30–60 adicional (de terceiros) |
| Arrefecimento ativo (ventilador/dissipador de calor) | $0 (apenas em modo passivo a ≤55 °C) | $8–15 (necessário a 25 W) |
| Fonte de alimentação (trilho DIN industrial) | $12–18 (12 V/1,5 A) | $20–28 (12 V/2,5 A+) |
| Total estimado do sistema | ~$132–158 | ~$233–303 |
| Delta por unidade a 500/ano | Poupança de $75–145 com o RK3588 — $37 500–72 500/ano | |
RK3588 vs Jetson Orin Nano: O guia para a escolha
Escolha o ieeker YKR-RK3588 se:
- A sua carga de trabalho de IA é Detecção ou classificação de classes com o YOLOv5/v8 a ≤30 fps — 6 TOPS é suficiente e o RKNN-Toolkit2 permite uma migração única e exequível
- A sua implementação requer arrefecimento passivo — caixas seladas para calhas DIN, quiosques exteriores ou qualquer ambiente em que um ventilador represente um risco de manutenção
- As necessidades do seu produto interfaces industriais de forma nativa: duas portas GbE, barramento CAN, RS-485, SATA, várias saídas de ecrã — a integração destas funcionalidades no Jetson através de adaptadores USB acarreta riscos em termos de fiabilidade e latência
- O seu O preço-alvo da BOM é inferior a $160 por unidade em volumes iguais ou inferiores a 1 000 unidades, ou se a poupança de $75–145 por unidade afetar significativamente a margem do seu produto
- Precisas de quantidades de produção sem restrições de alocação — o limite de 4 unidades do kit de desenvolvimento do Jetson significa que a produção requer um processo de aquisição distinto
- Os requisitos do seu sistema operativo incluem Android ou uma distribuição Linux que não seja JetPack — o YKR-RK3588 vem equipado com imagens do Android 12, Debian, Ubuntu e Buildroot
Escolha o Jetson Orin Nano Super se:
- A sua candidatura requer IA generativa na periferia — execução de LLMs (Llama 3 8B), VLMs (LLaVA) ou transformadores de visão que requerem 67 TOPS e CUDA para um rendimento viável
- A vossa equipa é já no ecossistema da NVIDIA — Pipelines do TensorRT, análise multicâmara do DeepStream ou o middleware de robótica Isaac ROS já em produção
- Precisas de ROS 2 com perceção acelerada por hardware — O Isaac ROS no Jetson disponibiliza nós de SLAM, profundidade estéreo e deteção de objetos que exigiriam um trabalho de personalização significativo no RK3588
- A sua carga de trabalho de inferência requer 4 ou mais transmissões simultâneas de câmara com uma estrutura principal ResNet-50 ou superior — o rendimento paralelo da GPU CUDA lida com isto de forma eficiente, enquanto o RKNN exigiria uma repartição cuidadosa dos recursos
- O orçamento é não é a principal restrição e a prioridade é obter uma demonstração funcional o mais rapidamente possível — o ecossistema de contentores pré-construídos do JetPack permite-lhe começar a trabalhar mais rapidamente do que a configuração do RKNN
IEEKER YKR-RK3588 para IA de ponta industrial
O ieeker Placa de desenvolvimento YKR-RK3588 trata-se da plataforma RK3588 da ieeker, pronta para produção — fabrico SMT interno, BSP validados (Debian 11, Ubuntu 22.04, Android 12, Buildroot), documentação do SDK RKNN-Toolkit2 e apoio técnico direto para questões relacionadas com a migração de modelos. Para as equipas que estão a avaliar o RK3588 vs Jetson Orin Nano Decisão: fornecemos placas de avaliação individuais com acesso total ao SDK e podemos oferecer apoio na conversão de modelos RKNN para a sua carga de trabalho de inferência específica.
Para projetos em que 6 TOPS são realmente insuficientes e o custo do $249 + placa de suporte do Jetson Orin Nano é aceitável — nomeadamente em IA generativa ou análises intensivas com múltiplos fluxos —, a plataforma Jetson é a resposta certa e não hesitaremos em afirmá-lo. No entanto, para a maioria das aplicações de visão artificial industrial, inferência na periferia e gateways de IoT, o YKR-RK3588 oferece o equilíbrio certo entre capacidade de IA, cobertura de interfaces industriais, consumo energético e custo de implementação.
Está a comparar o RK3588 com o Jetson Orin Nano para a sua aplicação?
Partilhe o seu modelo de inferência e o seu ambiente de implementação — iremos realizar uma rápida avaliação de viabilidade do RKNN e dizer-lhe com toda a franqueza se os 6 TOPS do RK3588 são suficientes para a sua carga de trabalho.
→ Solicitar a placa de avaliação YKR-RK3588 →Perguntas mais frequentes
O RK3588 é melhor do que o Jetson Orin Nano para aplicações industriais?
Para a maioria das aplicações industriais — visão artificial a taxas de fotogramas padrão, gateways de IoT, painéis HMI e sistemas de controlo incorporados — sim. O RK3588 oferece uma melhor cobertura de interfaces industriais (dupla GbE, CAN, SATA, RS-485), um consumo de energia mais baixo que permite a refrigeração passiva e um custo de lista de materiais (BOM) do sistema 40–50% mais baixo. O Jetson Orin Nano Super é mais adequado para cargas de trabalho de IA generativa (LLMs, VLMs) e robótica com ROS 2, onde o ecossistema CUDA da NVIDIA oferece vantagens decisivas em termos de velocidade de implementação.
Posso executar o YOLO no RK3588?
Sim. O YOLOv5s, o YOLOv5m, o YOLOv8n e o YOLOv8s foram todos validados na NPU RK3588 através do RKNN-Toolkit2 com quantização INT8. O YOLOv5s atinge aproximadamente 45 ms por fotograma (22 fps) apenas na NPU. O YOLOv5m funciona a aproximadamente 65–80 ms por fotograma (12–15 fps). Para a deteção de defeitos, o reconhecimento facial e a deteção geral de objetos industriais a taxas de fotogramas industriais padrão, estas velocidades são suficientes.
Qual é a diferença de consumo energético entre o RK3588 e o Jetson Orin Nano na utilização prática?
Em cargas de trabalho típicas de inferência de IA na periferia (NPU com 70% de utilização, duas interfaces GbE ativas, serviços do sistema operativo Linux), o RK3588 consome entre 5 e 8 W de potência total do sistema. O Jetson Orin Nano Super, no modo padrão de 15 W, consome 15 W; no modo MAXN Super, consome até 25 W. Em termos práticos: o RK3588 pode ser arrefecido passivamente num invólucro industrial até uma temperatura ambiente de 55 °C; o Jetson Orin Nano requer arrefecimento ativo acima de aproximadamente 35 °C num invólucro.
O Jetson Orin Nano funciona sem o JetPack?
Tecnicamente, sim — o Ubuntu padrão funciona no Jetson Orin Nano, mas sem o JetPack perde-se o acesso ao CUDA, ao TensorRT, ao cuDNN, ao DeepStream e a todas as bibliotecas de IA específicas da NVIDIA. Utilizar o Jetson Orin Nano sem o JetPack para tarefas de IA contraria o seu objetivo principal. Para equipas que necessitam de um ambiente Linux padrão sem dependências da NVIDIA, o RK3588 com Debian ou Ubuntu oferece uma solução mais simples e económica.
Quanto tempo demora a conversão do modelo RKNN?
O processo de conversão do RKNN-Toolkit2 para um modelo YOLOv5 ou YOLOv8 padrão demora aproximadamente 1 a 3 dias-engenheiro, incluindo: exportação para ONNX a partir do PyTorch (~1 hora), calibração da quantização do RKNN com um conjunto de dados representativo (~4 a 8 horas, dependendo do tamanho do conjunto de dados), validação da precisão entre os modelos FP32 e INT8 (~4 horas) e integração no pipeline de inferência de produção (~1 dia). Trata-se de um custo único por modelo; as implementações subsequentes do mesmo modelo não requerem nova conversão.
O RK3588 consegue executar modelos de linguagem de grande dimensão?
Os modelos de linguagem quantizados de pequena dimensão (1–3 mil milhões de parâmetros, quantizados a 4 bits) podem ser executados no RK3588 utilizando o llama.cpp com inferência na CPU — normalmente a uma velocidade de 2–5 tokens por segundo, o que é viável para a extração de palavras-chave offline ou para perguntas e respostas simples, mas demasiado lento para aplicações interativas. A NPU de 6 TOPS não acelera as camadas de atenção do Transformer de forma eficiente. Para a implementação de LLM em ambiente de produção na periferia, o Os 67 TOPS do Jetson Orin Nano Super com otimização TensorRT-LLM é a plataforma adequada nesta gama de preços.
Fontes e referências
- Kit de Desenvolvimento Super NVIDIA Jetson Orin Nano — NVIDIA Oficial
- Aumento de desempenho do Jetson Orin Nano — Blog dos Desenvolvedores da NVIDIA
- Resolver os desafios da IA de ponta para principiantes com o Jetson Orin Nano — NVIDIA
- Comparação prática entre o RK3588 e o Jetson Orin Nano — Comunidade DEV
- RKNN-Toolkit2 — SDK de inferência da NPU da Rockchip — GitHub
- Modelo de Linguagem de Grande Dimensão — Wikipédia