{"id":10528,"date":"2026-06-11T15:19:30","date_gmt":"2026-06-11T07:19:30","guid":{"rendered":"https:\/\/ieeker.com\/?p=10528"},"modified":"2026-06-11T15:23:10","modified_gmt":"2026-06-11T07:23:10","slug":"rk3588-vs-jetson-orin-nano","status":"publish","type":"post","link":"https:\/\/ieeker.com\/pt\/rk3588-vs-jetson-orin-nano\/","title":{"rendered":"RK3588 vs Jetson Orin Nano: Compara\u00e7\u00e3o de placas de desenvolvimento de IA de ponta para compradores do setor industrial"},"content":{"rendered":"<div data-elementor-type=\"wp-post\" data-elementor-id=\"10528\" class=\"elementor elementor-10528\" data-elementor-post-type=\"post\">\n\t\t\t\t<div class=\"elementor-element elementor-element-abe42e4 e-flex e-con-boxed e-con e-parent\" data-id=\"abe42e4\" data-element_type=\"container\" data-settings=\"{&quot;jet_parallax_layout_list&quot;:[]}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-0d83aa1 elementor-widget elementor-widget-html\" data-id=\"0d83aa1\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"iek-wrap\" style=\"font-family:'Segoe UI',Arial,sans-serif;max-width:860px;margin:0 auto;color:#1f2937;\">\r\n \r\n<!-- \u2705 YOAST RULE 1: Keyphrase in first paragraph \u2014 \"RK3588 vs Jetson Orin Nano\" appears in sentence 1 -->\r\n<p style=\"font-size:1.05rem;line-height:1.75;color:#374151;background:#f0f4ff;border-left:4px solid #3b5bdb;padding:1rem 1.25rem;border-radius:0 6px 6px 0;margin-bottom:1.5rem;\">\r\n  <strong>Resposta curta:<\/strong> O <strong>RK3588 vs Jetson Orin Nano<\/strong> A decis\u00e3o resume-se a tr\u00eas fatores \u2014 or\u00e7amento, ecossistema de software e ambiente de implementa\u00e7\u00e3o. A <strong>Placa de desenvolvimento ieeker YKR-RK3588<\/strong> custa 40\u201350% menos do que um sistema Jetson Orin Nano, funciona a temperaturas mais baixas (5\u20138 W) em compara\u00e7\u00e3o com os 15\u201325 W do Jetson e suporta todas as interfaces industriais sem necessidade de hardware adicional. O Jetson Orin Nano Super oferece 67 TOPS, em compara\u00e7\u00e3o com os 6 TOPS do RK3588, e integra o ecossistema CUDA da NVIDIA \u2014 a escolha certa se a sua equipa j\u00e1 utiliza pipelines TensorRT ou precisa de implementar modelos de linguagem de grande dimens\u00e3o na periferia. Para a maioria das aplica\u00e7\u00f5es de vis\u00e3o artificial industrial, gateways de IoT e IHMs incorporadas, o YKR-RK3588 \u00e9 a escolha certa em termos de rela\u00e7\u00e3o custo-desempenho.\r\n<\/p>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  O <strong>RK3588 vs Jetson Orin Nano<\/strong> A compara\u00e7\u00e3o \u00e9 a decis\u00e3o mais comum que os engenheiros t\u00eam de tomar em termos de plataforma ao definir o \u00e2mbito de um projeto de IA na periferia em 2026. Ambas as placas visam o mesmo dom\u00ednio de aplica\u00e7\u00e3o \u2014 vis\u00e3o computacional, rob\u00f3tica, gateways inteligentes e infer\u00eancia de IA industrial \u2014, mas representam filosofias de engenharia fundamentalmente diferentes: a Rockchip otimiza para uma implementa\u00e7\u00e3o industrial econ\u00f3mica; a NVIDIA otimiza para o rendimento da IA e a profundidade do ecossistema de programadores.\r\n<\/p>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1.5rem;\">\r\n  Este guia oferece aos engenheiros de sistemas incorporados e aos gestores de produtos de hardware uma an\u00e1lise direta, crit\u00e9rio a crit\u00e9rio, do <strong>RK3588 vs Jetson Orin Nano<\/strong> compromissos \u2014 rendimento da CPU, GPU e NPU, consumo de energia, interfaces industriais, ecossistema de software, custo da lista de materiais (BOM) e considera\u00e7\u00f5es relativas \u00e0 implementa\u00e7\u00e3o na produ\u00e7\u00e3o \u2014 para que possa tomar a decis\u00e3o certa quanto \u00e0 plataforma antes de se comprometer o or\u00e7amento para o primeiro prot\u00f3tipo.\r\n<\/p>\r\n \r\n<!-- Key Takeaways -->\r\n<div style=\"background:#f8fafc;border:1px solid #e2e8f0;border-radius:8px;padding:1.25rem 1.5rem;margin-bottom:2rem;\">\r\n  <p style=\"font-weight:700;font-size:0.9rem;text-transform:uppercase;letter-spacing:0.06em;color:#1a1a2e;margin:0 0 0.75rem;\">Principais conclus\u00f5es<\/p>\r\n  <ul style=\"margin:0;padding-left:1.25rem;color:#374151;font-size:0.97rem;line-height:1.9;\">\r\n    <li><strong>RK3588 vs Jetson Orin Nano<\/strong> na NPU: 6 TOPS (RK3588) vs 67 TOPS (Jetson Orin Nano Super) \u2014 o Jetson supera em 11 vezes em termos de rendimento bruto de IA<\/li>\r\n    <li>O RK3588 destaca-se em termos de consumo energ\u00e9tico: 5\u20138 W (valor t\u00edpico) contra os 15\u201325 W do Jetson Orin Nano \u2014 um fator crucial para caixas industriais com refrigera\u00e7\u00e3o passiva<\/li>\r\n    <li>A placa de desenvolvimento YKR-RK3588 custa 40\u201350% menos do que um sistema de produ\u00e7\u00e3o Jetson Orin Nano compar\u00e1vel, em quantidades elevadas<\/li>\r\n    <li>O RK3588 disp\u00f5e de 4 sa\u00eddas de v\u00eddeo simult\u00e2neas, barramento CAN nativo, SATA e duas portas GbE \u2014 o Jetson Orin Nano n\u00e3o possui nenhuma destas quatro funcionalidades de forma nativa<\/li>\r\n    <li>O CUDA + TensorRT + JetPack constitui a vantagem decisiva do Jetson: a implementa\u00e7\u00e3o de modelos demora horas, e n\u00e3o dias, gra\u00e7as ao ecossistema de contentores pr\u00e9-otimizado da NVIDIA<\/li>\r\n    <li>O RK3588 RKNN-Toolkit2 suporta infer\u00eancia quantizada em INT8 a partir de PyTorch\/ONNX: suficiente para 95% de cargas de trabalho de vis\u00e3o industrial a um custo de sistema significativamente mais baixo<\/li>\r\n    <li>O Jetson Orin Nano tem um limite de compra de 4 unidades por conta \u2014 n\u00e3o se trata de um componente de produ\u00e7\u00e3o; as placas RK3588 est\u00e3o dispon\u00edveis em grandes quantidades, sem restri\u00e7\u00f5es de atribui\u00e7\u00e3o<\/li>\r\n    <li>Para a implementa\u00e7\u00e3o de IA generativa na periferia (LLMs, VLMs), o Jetson Orin Nano Super \u00e9 a \u00fanica op\u00e7\u00e3o vi\u00e1vel nesta gama de pre\u00e7os<\/li>\r\n  <\/ul>\r\n<\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-9a74275 elementor-widget elementor-widget-html\" data-id=\"9a74275\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<h2 style=\"font-size:1.5rem;font-weight:700;color:#1a1a2e;margin-top:2.5rem;margin-bottom:1rem;\">\r\n  RK3588 vs Jetson Orin Nano: Compara\u00e7\u00e3o completa das especifica\u00e7\u00f5es\r\n<\/h2>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  Antes de passarmos \u00e0 an\u00e1lise aprofundada, eis a tabela comparativa completa das especifica\u00e7\u00f5es para o <strong>RK3588 vs Jetson Orin Nano<\/strong> compara\u00e7\u00e3o. Os dados do Jetson Orin Nano correspondem ao atual Orin Nano Super (8 GB) com o JetPack 6.2 no modo MAXN Super.\r\n<\/p>\r\n \r\n<table style=\"width:100%;border-collapse:collapse;font-size:0.9rem;margin-bottom:1.5rem;\">\r\n  <thead>\r\n    <tr style=\"background:#1a1a2e;color:#fff;\">\r\n      <th style=\"padding:0.65rem 0.9rem;text-align:left;\">Par\u00e2metro<\/th>\r\n      <th style=\"padding:0.65rem 0.9rem;text-align:center;\">Rockchip RK3588<br><small>(ieeker YKR-RK3588)<\/small><\/th>\r\n      <th style=\"padding:0.65rem 0.9rem;text-align:center;\">NVIDIA Jetson Orin Nano Super<br><small>(8 GB, JetPack 6.2)<\/small><\/th>\r\n    <\/tr>\r\n  <\/thead>\r\n  <tbody>\r\n    <tr style=\"background:#f8fafc;\">\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;\"><strong>CPU<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\"><strong>8 n\u00facleos<\/strong><br><small>4\u00d7 Cortex-A76 a 2,4 GHz + 4\u00d7 Cortex-A55 a 1,8 GHz<\/small><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\">ARM de 6 n\u00facleos<br><small>Cortex-A78AE @ at\u00e9 1,5 GHz<\/small><\/td>\r\n    <\/tr>\r\n    <tr>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;\"><strong>GPU<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\">Mali-G610 MP4<br><small>OpenGL ES 3.2, Vulkan 1.2, OpenCL 2.2<\/small><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\"><strong>GPU NVIDIA Ampere<\/strong><br><small>1024 n\u00facleos CUDA, CUDA 11.4+, TensorRT<\/small><\/td>\r\n    <\/tr>\r\n    <tr style=\"background:#f8fafc;\">\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;\"><strong>NPU \/ Acelerador de IA<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\">6 TOPS (RKNN)<\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\"><strong>67 TOPS<\/strong> (Modo Super)<\/td>\r\n    <\/tr>\r\n    <tr>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;\"><strong>Mem\u00f3ria<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\">At\u00e9 32 GB de LPDDR4X<\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\">8 GB de LPDDR5<br><small>Largura de banda de 102 GB\/s (Super)<\/small><\/td>\r\n    <\/tr>\r\n    <tr style=\"background:#f8fafc;\">\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;\"><strong>Pot\u00eancia t\u00edpica (carga)<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\"><strong>5-8W<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\">15\u201325 W (Super MAXN)<\/td>\r\n    <\/tr>\r\n    <tr>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;\"><strong>Decodifica\u00e7\u00e3o de v\u00eddeo<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\"><strong>8K H.265 a 60 fps<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\">4K H.265 a 60 fps<\/td>\r\n    <\/tr>\r\n    <tr style=\"background:#f8fafc;\">\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;\"><strong>Sa\u00eddas de visualiza\u00e7\u00e3o<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\"><strong>At\u00e9 4 simult\u00e2neos<\/strong><br><small>HDMI 2.1, DP 1.4, MIPI DSI \u00d72, eDP<\/small><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\">1 (DisplayPort apenas no kit de desenvolvimento)<br><small>O HDMI requer um adaptador DP<\/small><\/td>\r\n    <\/tr>\r\n    <tr>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;\"><strong>Ethernet<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\"><strong>2\u00d7 2,5 GbE<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\">1\u00d7 GbE<\/td>\r\n    <\/tr>\r\n    <tr style=\"background:#f8fafc;\">\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;\"><strong>PCIe<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\"><strong>PCIe 3.0 \u00d7 3<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\">PCIe 3.0 \u00d7 1 (M.2, chave M)<\/td>\r\n    <\/tr>\r\n    <tr>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;\"><strong>SATA \/ CAN \/ RS-485<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\"><strong>SATA III \u2705 \/ CAN \u2705 \/ UART \u2705<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\">Nenhum de forma nativa \u274c<\/td>\r\n    <\/tr>\r\n    <tr style=\"background:#f8fafc;\">\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;\"><strong>Pre\u00e7o do kit de desenvolvimento<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\"><strong>~$120\u2013160 (YKR-RK3588)<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\">$249 (PVP da NVIDIA)<\/td>\r\n    <\/tr>\r\n    <tr>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;\"><strong>Limite do volume de produ\u00e7\u00e3o<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\"><strong>Sem limite<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;border-bottom:1px solid #e2e8f0;text-align:center;\">4 unidades\/conta (kit de desenvolvimento)<br><small>Percurso do m\u00f3dulo de produ\u00e7\u00e3o separado<\/small><\/td>\r\n    <\/tr>\r\n    <tr style=\"background:#f8fafc;\">\r\n      <td style=\"padding:0.65rem 0.9rem;\"><strong>SO \/ pilha de software<\/strong><\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;text-align:center;\">Linux (Buildroot\/Debian\/Ubuntu), Android 12<\/td>\r\n      <td style=\"padding:0.65rem 0.9rem;text-align:center;\"><strong>JetPack (baseado no Ubuntu)<\/strong><br><small>CUDA, TensorRT, cuDNN, DeepStream<\/small><\/td>\r\n    <\/tr>\r\n  <\/tbody>\r\n<\/table>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-6d6ef62 elementor-widget elementor-widget-html\" data-id=\"6d6ef62\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t \r\n<h2 style=\"font-size:1.5rem;font-weight:700;color:#1a1a2e;margin-top:2.5rem;margin-bottom:1rem;\">\r\n  67 TOPS vs 6 TOPS: O que a diferen\u00e7a de NPU significa realmente para o seu projeto\r\n<\/h2>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  O n\u00famero mais citado no <strong>RK3588 vs Jetson Orin Nano<\/strong> A compara\u00e7\u00e3o incide sobre a diferen\u00e7a de rendimento da NPU: <strong>67 TOPS<\/strong> (Jetson Orin Nano Super no modo MAXN) contra <strong>6 TOPS<\/strong> (RK3588). Em teoria, isto parece ser uma vit\u00f3ria decisiva para a Jetson. Na pr\u00e1tica, o que importa \u00e9 saber se a sua aplica\u00e7\u00e3o espec\u00edfica requer realmente 67 TOPS \u2014 e, para a maioria das cargas de trabalho industriais incorporadas, n\u00e3o \u00e9 o caso.\r\n<\/p>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  Eis o desempenho que a NPU de 6 TOPS do RK3588 apresenta em cargas de trabalho reais de infer\u00eancia industrial, utilizando o RKNN-Toolkit2:\r\n<\/p>\r\n \r\n<ul style=\"padding-left:1.25rem;color:#374151;font-size:1rem;line-height:1.9;margin-bottom:1rem;\">\r\n  <li><strong>Detec\u00e7\u00e3o de objetos com o YOLOv5s (INT8):<\/strong> ~45 ms por fotograma com entrada de 640\u00d7640 \u2014 aproximadamente 22 fps. Suficiente para a dete\u00e7\u00e3o de defeitos em correias transportadoras, reconhecimento facial para controlo de acesso e vis\u00e3o artificial com uma \u00fanica c\u00e2mara a taxas de fotogramas industriais padr\u00e3o.<\/li>\r\n  <li><strong>Classifica\u00e7\u00e3o de imagens com o MobileNetV2 (INT8):<\/strong> ~12 ms por infer\u00eancia \u2014 o suficiente para uma classifica\u00e7\u00e3o de qualidade em alta frequ\u00eancia, com mais de 80 classifica\u00e7\u00f5es por segundo.<\/li>\r\n  <li><strong>Detec\u00e7\u00e3o leve de anomalias (LSTM, 128 caracter\u00edsticas):<\/strong> Menos de 5 ms por infer\u00eancia \u2014 adequado para manuten\u00e7\u00e3o preditiva em tempo real em fluxos de sensores com frequ\u00eancias de sondagem de 200 Hz.<\/li>\r\n  <li><strong>Infer\u00eancia multifluxo (2 fluxos de c\u00e2mara, YOLOv5s em cada um):<\/strong> ~48 fps combinados em ambos os fluxos, utilizando o agendamento multi-core RKNN \u2014 vi\u00e1vel para sistemas de inspe\u00e7\u00e3o com duas c\u00e2maras.<\/li>\r\n<\/ul>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  Nos casos em que 6 TOPS s\u00e3o realmente insuficientes \u2014 e onde os 67 TOPS do Jetson Orin Nano Super oferecem um valor real: execu\u00e7\u00e3o de modelos de vis\u00e3o baseados em transformadores (ViT, CLIP), infer\u00eancia de grandes modelos de linguagem na periferia (Llama 3 8B, Phi-3 Mini), an\u00e1lise de v\u00eddeo multifluxo com resolu\u00e7\u00e3o 4K ou infer\u00eancia simult\u00e2nea em 4 ou mais fluxos de c\u00e2mara com backbones ResNet-50 ou superiores. Tal como a documenta\u00e7\u00e3o da NVIDIA confirma, <a href=\"https:\/\/developer.nvidia.com\/blog\/nvidia-jetson-orin-nano-developer-kit-gets-a-super-boost\/\" target=\"_blank\" rel=\"noopener noreferrer\">O Jetson Orin Nano Super proporciona um aumento de desempenho de at\u00e9 1,7\u00d7 nos modelos de IA generativa em rela\u00e7\u00e3o ao seu antecessor<\/a>, permitindo a utiliza\u00e7\u00e3o de modelos como o Llama 3 e modelos de vis\u00e3o-linguagem que simplesmente n\u00e3o s\u00e3o vi\u00e1veis numa NPU de 6 TOPS.\r\n<\/p>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  A regra pr\u00e1tica: se a sua carga de trabalho de infer\u00eancia se enquadrar nos modelos da classe YOLOv5 com requisitos de fps de um \u00fanico d\u00edgito, ou se a sua tarefa de IA na periferia for classifica\u00e7\u00e3o ou dete\u00e7\u00e3o de anomalias, em vez de infer\u00eancia generativa, a NPU de 6 TOPS do RK3588 \u00e9 suficiente e a vantagem em termos de custo \u00e9 decisiva. Se precisar de executar LLMs, modelos multimodais ou an\u00e1lises multic\u00e2mara de elevado d\u00e9bito, os 67 TOPS do Jetson Orin Nano Super s\u00e3o verdadeiramente necess\u00e1rios. Para uma an\u00e1lise detalhada da implementa\u00e7\u00e3o da NPU do RK3588 utilizando o RKNN-Toolkit2, consulte o nosso <a href=\"https:\/\/ieeker.com\/pt\/products\/yky-3588s-rk3588s-8k-ai-sbc\/\">Guia de desempenho da NPU RK3588<\/a>.\r\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-bee3eea elementor-widget elementor-widget-html\" data-id=\"bee3eea\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t \r\n<h2 style=\"font-size:1.5rem;font-weight:700;color:#1a1a2e;margin-top:2.5rem;margin-bottom:1rem;\">\r\n  Consumo de energia: Por que a compara\u00e7\u00e3o entre o RK3588 e o Jetson Orin Nano \u00e9 importante para caixas industriais\r\n<\/h2>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  O consumo de energia n\u00e3o \u00e9 uma nota de rodap\u00e9 num teste de desempenho para implementa\u00e7\u00f5es industriais \u2014 determina se o seu dispositivo pode ser arrefecido passivamente, qual deve ser a capacidade da fonte de alimenta\u00e7\u00e3o e qual ser\u00e1 o custo operacional total ao longo de uma implementa\u00e7\u00e3o no terreno com a dura\u00e7\u00e3o de 5 anos. O <strong>RK3588 vs Jetson Orin Nano<\/strong> A diferen\u00e7a aqui \u00e9 significativa e favorece consistentemente o RK3588 em cen\u00e1rios de instala\u00e7\u00e3o em caixas industriais.\r\n<\/p>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  Em cargas de trabalho t\u00edpicas de IA na periferia \u2014 infer\u00eancia na NPU com uma utiliza\u00e7\u00e3o de 70% e servi\u00e7os Linux em execu\u00e7\u00e3o simult\u00e2nea \u2014, o RK3588 consome <strong>5-8W<\/strong> pot\u00eancia total do sistema. Isto \u00e9 confirmado por v\u00e1rias medi\u00e7\u00f5es independentes: em funcionamento cont\u00ednuo da NPU, o RK3588 requer apenas arrefecimento passivo em caixas devidamente concebidas, o que facilita as implementa\u00e7\u00f5es sem ventoinha em calhas DIN ou com classifica\u00e7\u00e3o IP65. O Jetson Orin Nano Super no modo MAXN consome <strong>at\u00e9 25 W<\/strong> \u2014 mais de tr\u00eas vezes a carga do RK3588. A 15 W (modo padr\u00e3o), continua a ser aproximadamente o dobro.\r\n<\/p>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  Isto tem tr\u00eas implica\u00e7\u00f5es diretas do ponto de vista da engenharia para a conce\u00e7\u00e3o de produtos industriais:\r\n<\/p>\r\n \r\n<ul style=\"padding-left:1.25rem;color:#374151;font-size:1rem;line-height:1.9;margin-bottom:1rem;\">\r\n  <li><strong>Viabilidade do arrefecimento passivo:<\/strong> O YKR-RK3588 pode ser instalado num inv\u00f3lucro selado e sem ventoinha para montagem em calha DIN, em temperaturas ambientes at\u00e9 55 \u00b0C, sem exceder os limites de temperatura de jun\u00e7\u00e3o. O Jetson Orin Nano Super, com 25 W, requer refrigera\u00e7\u00e3o ativa \u2014 uma ventoinha ou uma solu\u00e7\u00e3o de refrigera\u00e7\u00e3o l\u00edquida \u2014 em qualquer temperatura ambiente superior a 35 \u00b0C, o que acarreta custos adicionais, ru\u00eddo e um risco de falha mec\u00e2nica para o produto.<\/li>\r\n  <li><strong>Dimensionamento da fonte de alimenta\u00e7\u00e3o:<\/strong> Os sistemas RK3588 funcionam sem problemas com uma fonte de alimenta\u00e7\u00e3o industrial de 12 V\/1,5 A (18 W) para calha DIN. O Jetson Orin Nano requer uma fonte de alimenta\u00e7\u00e3o de 5 V\/4 A ou 12 V\/2 A com pot\u00eancia nominal de 25 W ou mais \u2014 um formato de fonte de alimenta\u00e7\u00e3o maior e mais caro.<\/li>\r\n  <li><strong>Aplica\u00e7\u00f5es alimentadas por bateria ou PoE:<\/strong> No que diz respeito \u00e0 rob\u00f3tica m\u00f3vel, \u00e0s cargas \u00fateis de drones ou \u00e0s c\u00e2maras de per\u00edmetro alimentadas por PoE, o envelope de 5\u20138 W do RK3588 permite conceber solu\u00e7\u00f5es que o or\u00e7amento energ\u00e9tico do Jetson Orin Nano torna impratic\u00e1veis.<\/li>\r\n<\/ul>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-eda49fa elementor-widget elementor-widget-image\" data-id=\"eda49fa\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img fetchpriority=\"high\" decoding=\"async\" width=\"800\" height=\"534\" src=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-vs-jetson-orin-nano-thermal-power-comparison-1024x683.webp\" class=\"attachment-large size-large wp-image-10531\" alt=\"Placa RK3588 num inv\u00f3lucro selado sem ventoinha para montagem em calha DIN, ao lado de uma Jetson Orin Nano com ventoinha de refrigera\u00e7\u00e3o ativa, demonstrando a diferen\u00e7a no consumo de energia\" srcset=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-vs-jetson-orin-nano-thermal-power-comparison-1024x683.webp 1024w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-vs-jetson-orin-nano-thermal-power-comparison-300x200.webp 300w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-vs-jetson-orin-nano-thermal-power-comparison-768x512.webp 768w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-vs-jetson-orin-nano-thermal-power-comparison-18x12.webp 18w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-vs-jetson-orin-nano-thermal-power-comparison.webp 1536w\" sizes=\"(max-width: 800px) 100vw, 800px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-cd98e52 elementor-widget elementor-widget-html\" data-id=\"cd98e52\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\r\n<h2 style=\"font-size:1.5rem;font-weight:700;color:#1a1a2e;margin-top:2.5rem;margin-bottom:1rem;\">\r\n  Do ch\u00e3o de f\u00e1brica: Por que raz\u00e3o uma empresa de sistemas de vis\u00e3o de Taiwan escolheu o RK3588 em vez do Jetson\r\n<\/h2>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  H\u00e1 cerca de dez meses, colabor\u00e1mos com a equipa de hardware de uma empresa taiwanesa especializada em vis\u00e3o artificial no desenvolvimento de uma nova gera\u00e7\u00e3o de sistemas de inspe\u00e7\u00e3o de superf\u00edcies para o fabrico de placas de circuito impresso (PCB). O sistema que utilizavam recorria \u00e0s placas Jetson Xavier NX \u2014 com um desempenho s\u00f3lido, mas a plataforma estava a ser descontinuada e a transi\u00e7\u00e3o 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 n\u00e3o conseguia absorver.\r\n<\/p>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  A sua carga de trabalho de infer\u00eancia: duas c\u00e2maras GigE Vision de 5 MP, modelo de dete\u00e7\u00e3o de defeitos YOLOv5m a 10 fps por c\u00e2mara, a funcionar continuamente num arm\u00e1rio de inspe\u00e7\u00e3o selado a uma temperatura ambiente de at\u00e9 50 \u00b0C. O seu crit\u00e9rio era simples \u2014 se o YKR-RK3588 conseguisse manter 10 fps por c\u00e2mara com uma precis\u00e3o aceit\u00e1vel na dete\u00e7\u00e3o de defeitos, a rela\u00e7\u00e3o custo-benef\u00edcio tornava a mudan\u00e7a obrigat\u00f3ria.\r\n<\/p>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  Fornecemos duas placas de avalia\u00e7\u00e3o YKR-RK3588 no espa\u00e7o de uma semana. O seu engenheiro de ML quantizou o modelo YOLOv5m para INT8 utilizando o RKNN-Toolkit2 \u2014 o processo demorou tr\u00eas dias, incluindo uma etapa de valida\u00e7\u00e3o da precis\u00e3o com a dura\u00e7\u00e3o de um dia para confirmar que o modelo quantizado mantinha a precis\u00e3o na dete\u00e7\u00e3o de defeitos acima do seu limiar de 98,51 TP3T. Desempenho final: 11,2 fps por c\u00e2mara, mantidos com uma utiliza\u00e7\u00e3o da NPU de 851 TP3T, com a GPU a gerir o buffer de fotogramas GigE Vision em paralelo. A varia\u00e7\u00e3o de precis\u00e3o entre FP32 e INT8 foi de 0,31 TP3T \u2014 bem dentro das especifica\u00e7\u00f5es.\r\n<\/p>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  Resultado t\u00e9rmico: o YKR-RK3588, no seu inv\u00f3lucro selado a uma temperatura ambiente de 50 \u00b0C, atingiu uma temperatura de jun\u00e7\u00e3o de 72 \u00b0C sob carga cont\u00ednua \u2014 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 manuten\u00e7\u00e3o a cada 18 meses devido \u00e0 contamina\u00e7\u00e3o por fiapos proveniente do ambiente de produ\u00e7\u00e3o das placas de circuito impresso. O design sem ventoinha do RK3588 eliminou completamente esse ponto de manuten\u00e7\u00e3o.\r\n<\/p>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  J\u00e1 enviaram 320 unidades do seu sistema de inspe\u00e7\u00e3o redesenhado. Poupan\u00e7a por unidade na lista de materiais (BOM) em compara\u00e7\u00e3o com a alternativa Jetson Orin NX: $163. Poupan\u00e7a anual total com o volume atual: $65 200. A migra\u00e7\u00e3o do modelo para o RKNN-Toolkit2 demorou tr\u00eas dias-engenheiro \u2014 um custo \u00fanico que se amortizou na totalidade nos primeiros dois meses de produ\u00e7\u00e3o.\r\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f34c221 elementor-widget elementor-widget-html\" data-id=\"f34c221\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\r\n<h2 style=\"font-size:1.5rem;font-weight:700;color:#1a1a2e;margin-top:2.5rem;margin-bottom:1rem;\">\r\n  Interfaces industriais: onde o RK3588 n\u00e3o tem concorr\u00eancia\r\n<\/h2>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  Para os engenheiros que est\u00e3o a avaliar o <strong>RK3588 vs Jetson Orin Nano<\/strong> No que diz respeito a implementa\u00e7\u00f5es industriais \u2014 gateways de IoT, pain\u00e9is HMI incorporados, sistemas NVR, n\u00f3s de automa\u00e7\u00e3o industrial \u2014, a compara\u00e7\u00e3o das interfaces \u00e9 t\u00e3o importante quanto a compara\u00e7\u00e3o do desempenho computacional. O RK3588 foi concebido para aplica\u00e7\u00f5es industriais incorporadas; o Jetson Orin Nano foi concebido para o desenvolvimento de IA e a prototipagem rob\u00f3tica. Esta diferen\u00e7a \u00e9 vis\u00edvel no hardware.\r\n<\/p>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  A placa de desenvolvimento ieeker YKR-RK3588 oferece, de forma nativa, sem necessidade de placas de expans\u00e3o:\r\n<\/p>\r\n \r\n<ul style=\"padding-left:1.25rem;color:#374151;font-size:1rem;line-height:1.9;margin-bottom:1rem;\">\r\n  <li><strong>2.5GbE duplo:<\/strong> MACs independentes para separa\u00e7\u00e3o de LAN\/WAN em implementa\u00e7\u00f5es de gateway \u2014 o kit de desenvolvimento Jetson Orin Nano disp\u00f5e apenas de uma porta GbE.<\/li>\r\n  <li><strong>SATA III:<\/strong> Liga\u00e7\u00e3o direta de um SSD de 2,5\" para o hist\u00f3rico de dados local \u2014 n\u00e3o dispon\u00edvel no Jetson Orin Nano sem uma placa controladora PCIe SATA que ocupe a \u00fanica ranhura M.2.<\/li>\r\n  <li><strong>Bus CAN:<\/strong> Para comunica\u00e7\u00e3o com PLC, atuadores e barramento de ve\u00edculos \u2014 \u00e9 necess\u00e1rio um adaptador USB-CAN ou PCIe no Jetson.<\/li>\r\n  <li><strong>UART m\u00faltiplo \/ RS-485:<\/strong> No caso da comunica\u00e7\u00e3o por sondagem do barramento de campo Modbus RTU \u2014 \u00e9 necess\u00e1rio utilizar adaptadores USB-serial no Jetson, o que aumenta a lat\u00eancia e cria pontos de falha.<\/li>\r\n  <li><strong>4 sa\u00eddas de v\u00eddeo simult\u00e2neas:<\/strong> HDMI 2.1 + DP 1.4 + 2\u00d7 MIPI DSI para configura\u00e7\u00f5es de HMI com v\u00e1rios pain\u00e9is \u2014 O kit de desenvolvimento Jetson Orin Nano s\u00f3 disp\u00f5e de sa\u00edda para DisplayPort (o HDMI requer um adaptador, conforme documentado por v\u00e1rios utilizadores).<\/li>\r\n  <li><strong>PCIe 3.0 \u00d7 3:<\/strong> Permite a utiliza\u00e7\u00e3o simult\u00e2nea de um modem 4G\/5G, um SSD NVMe e um perif\u00e9rico adicional \u2014 o Jetson disp\u00f5e de uma ranhura PCIe 3.0 M.2.<\/li>\r\n<\/ul>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  Para obter uma descri\u00e7\u00e3o detalhada da arquitetura de implementa\u00e7\u00e3o do YKR-RK3588 em configura\u00e7\u00f5es de gateway de IoT \u2014 pilha Modbus para MQTT, liga\u00e7\u00e3o ascendente por rede m\u00f3vel, design de armazenamento e reencaminhamento \u2014 consulte o nosso <a href=\"\/pt\/blog\/rk3568-industrial-iot-gateway\/\">Guia do gateway IoT industrial RK3568<\/a>; a mesma arquitetura aplica-se ao RK3588, com maior capacidade de processamento para cargas de trabalho simult\u00e2neas de infer\u00eancia da NPU.\r\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-34d7459 elementor-widget elementor-widget-html\" data-id=\"34d7459\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\r\n<h2 style=\"font-size:1.5rem;font-weight:700;color:#1a1a2e;margin-top:2.5rem;margin-bottom:1rem;\">\r\n  RK3588 vs Jetson Orin Nano: Ecossistema de software e cadeia de ferramentas de implementa\u00e7\u00e3o de IA\r\n<\/h2>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  A diferen\u00e7a no ecossistema de software entre <strong>RK3588 vs Jetson Orin Nano<\/strong> \u00e9 o fator mais importante para as equipas que d\u00e3o prioridade \u00e0 r\u00e1pida implementa\u00e7\u00e3o de modelos de IA em detrimento do custo do hardware ou da efici\u00eancia energ\u00e9tica.\r\n<\/p>\r\n \r\n<h3 style=\"font-size:1.15rem;font-weight:600;color:#1a1a2e;margin-top:1.5rem;margin-bottom:0.75rem;\">NVIDIA JetPack: A vantagem da rapidez na implementa\u00e7\u00e3o<\/h3>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  O JetPack \u00e9 a plataforma de software unificada da NVIDIA para o Jetson \u2014 re\u00fane o Ubuntu Linux, o CUDA, o cuDNN, o TensorRT, o DeepStream (an\u00e1lise de v\u00eddeo multistream) e o Isaac ROS (middleware de rob\u00f3tica) numa \u00fanica instala\u00e7\u00e3o de SDK. Um modelo treinado com o PyTorch \u00e9 implementado para infer\u00eancia otimizada pelo TensorRT no Jetson atrav\u00e9s de um \u00fanico comando de convers\u00e3o. Os contentores Docker pr\u00e9-constru\u00eddos para frameworks populares (Ultralytics YOLO, Hugging Face Transformers, servidor de infer\u00eancia NVIDIA Triton) s\u00e3o executados diretamente a partir do registo de contentores da NVIDIA, sem etapas de compila\u00e7\u00e3o personalizadas.\r\n<\/p>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  No que diz respeito especificamente \u00e0s aplica\u00e7\u00f5es de rob\u00f3tica, a NVIDIA\u2019s <a href=\"https:\/\/developer.nvidia.com\/blog\/solving-entry-level-edge-ai-challenges-with-nvidia-jetson-orin-nano\/\" target=\"_blank\" rel=\"noopener noreferrer\">Isaac ROS no Jetson Orin Nano<\/a> oferece n\u00f3s ROS 2 com acelera\u00e7\u00e3o por hardware, processamento de profundidade est\u00e9reo e SLAM, cuja reprodu\u00e7\u00e3o no RK3588 exigiria um desenvolvimento personalizado significativo. Se o seu produto for um rob\u00f4 ROS 2, o Jetson \u00e9 a escolha certa, a menos que as restri\u00e7\u00f5es or\u00e7amentais sejam determinantes.\r\n<\/p>\r\n \r\n<h3 style=\"font-size:1.15rem;font-weight:600;color:#1a1a2e;margin-top:1.5rem;margin-bottom:0.75rem;\">RKNN-Toolkit2: Adequado para infer\u00eancia industrial, requer mais configura\u00e7\u00e3o<\/h3>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  O percurso de infer\u00eancia do RK3588 \u2014 <a href=\"https:\/\/github.com\/rockchip-linux\/rknn-toolkit2\" target=\"_blank\" rel=\"noopener noreferrer\">RKNN-Toolkit2<\/a> \u2014 converte modelos PyTorch, TensorFlow ou ONNX para um formato RKNN quantizado que funciona na NPU. O fluxo de trabalho est\u00e1 bem documentado e o conjunto de ferramentas \u00e9 mantido ativamente, mas requer uma calibra\u00e7\u00e3o expl\u00edcita da quantiza\u00e7\u00e3o (fornecendo um conjunto de dados representativo para a calibra\u00e7\u00e3o INT8) e a valida\u00e7\u00e3o da precis\u00e3o ap\u00f3s a quantiza\u00e7\u00e3o. Trata-se de um investimento \u00fanico por modelo, de 1 a 3 dias-engenheiro, e n\u00e3o de um custo recorrente.\r\n<\/p>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  Principais pontos fortes do RKNN-Toolkit2 para implementa\u00e7\u00f5es industriais: o formato do modelo RKNN quantizado \u00e9 altamente determin\u00edstico (o mesmo resultado de infer\u00eancia em cada execu\u00e7\u00e3o, sem variabilidade no agendamento da GPU), os modelos treinados na NPU RK3568 s\u00e3o implementados de forma id\u00eantica na NPU RK3588 sem necessidade de requantiza\u00e7\u00e3o, e a API Python do RKNN integra-se perfeitamente com o OpenCV e com os SDKs de c\u00e2maras industriais.\r\n<\/p>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  A limita\u00e7\u00e3o real: o RKNN-Toolkit2 n\u00e3o suporta arquiteturas baseadas em transformadores com a mesma efici\u00eancia que o TensorRT \u2014 as opera\u00e7\u00f5es de aten\u00e7\u00e3o nos modelos ViT e LLM s\u00e3o 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 aplica\u00e7\u00e3o requer infer\u00eancia LLM na periferia ou modelos de vis\u00e3o-linguagem, a pilha CUDA + TensorRT da Jetson \u00e9 a \u00fanica op\u00e7\u00e3o vi\u00e1vel nesta gama de pre\u00e7os.\r\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-ae78958 elementor-widget elementor-widget-image\" data-id=\"ae78958\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"800\" height=\"534\" data-src=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-rknn-toolkit2-vs-jetson-tensorrt-workflow-1024x683.webp\" class=\"attachment-large size-large wp-image-10532 lazyload\" alt=\"Diagrama comparativo do fluxo de trabalho de convers\u00e3o do modelo RK3588 do RKNN-Toolkit2 em rela\u00e7\u00e3o ao pipeline de implementa\u00e7\u00e3o do TensorRT no Jetson\" data-srcset=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-rknn-toolkit2-vs-jetson-tensorrt-workflow-1024x683.webp 1024w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-rknn-toolkit2-vs-jetson-tensorrt-workflow-300x200.webp 300w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-rknn-toolkit2-vs-jetson-tensorrt-workflow-768x512.webp 768w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-rknn-toolkit2-vs-jetson-tensorrt-workflow-18x12.webp 18w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-rknn-toolkit2-vs-jetson-tensorrt-workflow.webp 1536w\" data-sizes=\"(max-width: 800px) 100vw, 800px\" src=\"data:image\/gif;base64,R0lGODlhAQABAAAAACH5BAEKAAEALAAAAAABAAEAAAICTAEAOw==\" style=\"--smush-placeholder-width: 800px; --smush-placeholder-aspect-ratio: 800\/534;\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-e06e125 elementor-widget elementor-widget-html\" data-id=\"e06e125\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\r\n<h2 style=\"font-size:1.5rem;font-weight:700;color:#1a1a2e;margin-top:2.5rem;margin-bottom:1rem;\">\r\n  Custo da lista de materiais (BOM) e implementa\u00e7\u00e3o da produ\u00e7\u00e3o: a realidade comercial\r\n<\/h2>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  O contexto comercial do <strong>RK3588 vs Jetson Orin Nano<\/strong> A decis\u00e3o \u00e9 t\u00e3o importante quanto a compara\u00e7\u00e3o t\u00e9cnica, especialmente para as equipas que pretendem lan\u00e7ar produtos em vez de construir prot\u00f3tipos.\r\n<\/p>\r\n \r\n<h3 style=\"font-size:1.15rem;font-weight:600;color:#1a1a2e;margin-top:1.5rem;margin-bottom:0.75rem;\">Kit de desenvolvimento vs. componente de produ\u00e7\u00e3o<\/h3>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  O Kit de Desenvolvimento Jetson Orin Nano Super, com refer\u00eancia $249, \u00e9 explicitamente um <strong>ferramenta de desenvolvimento e prototipagem<\/strong> \u2014 A NVIDIA limita as compras a 4 unidades por conta de cliente para fins de I&amp;D. A implementa\u00e7\u00e3o em produ\u00e7\u00e3o de produtos baseados no Jetson requer a aquisi\u00e7\u00e3o do m\u00f3dulo Jetson Orin Nano (com pre\u00e7o separado, normalmente $150\u2013200 em grandes quantidades), juntamente com uma placa de suporte personalizada ou de terceiros, al\u00e9m da licen\u00e7a do JetPack para funcionalidades de software comercial. Isto acarreta custos de conce\u00e7\u00e3o, custos de desenvolvimento inicial (NRE) da placa de suporte e uma cadeia de abastecimento mais complexa, em compara\u00e7\u00e3o com a encomenda direta de volumes de produ\u00e7\u00e3o do YKR-RK3588.\r\n<\/p>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  A placa de desenvolvimento ieeker YKR-RK3588 \u00e9 um componente pronto para produ\u00e7\u00e3o, sem restri\u00e7\u00f5es quanto \u00e0 quantidade por unidade. A mesma placa utilizada na prototipagem \u00e9 a que \u00e9 fornecida na produ\u00e7\u00e3o \u2014 sem troca de m\u00f3dulos, sem redesenho da placa de suporte e sem lista de materiais (BOM) de produ\u00e7\u00e3o separada. Para programas OEM que exijam formatos personalizados, o nosso servi\u00e7o de SoM RK3588 + placa de suporte segue o mesmo processo de produ\u00e7\u00e3o que a plataforma YKR-RK3568. Consulte o nosso <a href=\"\/pt\/custom-development-board-design-guide\/\">Guia de conce\u00e7\u00e3o de placas de desenvolvimento personalizadas<\/a> para o fluxo de trabalho completo do OEM.\r\n<\/p>\r\n \r\n<h3 style=\"font-size:1.15rem;font-weight:600;color:#1a1a2e;margin-top:1.5rem;margin-bottom:0.75rem;\">Custo total do sistema com uma produ\u00e7\u00e3o de 500 unidades por ano<\/h3>\r\n \r\n<table style=\"width:100%;border-collapse:collapse;font-size:0.9rem;margin-bottom:1.5rem;\">\r\n  <thead>\r\n    <tr style=\"background:#1a1a2e;color:#fff;\">\r\n      <th style=\"padding:0.6rem 0.85rem;text-align:left;\">Rubrica de custos<\/th>\r\n      <th style=\"padding:0.6rem 0.85rem;text-align:center;\">Sistema YKR-RK3588<\/th>\r\n      <th style=\"padding:0.6rem 0.85rem;text-align:center;\">Sistema Jetson Orin Nano<\/th>\r\n    <\/tr>\r\n  <\/thead>\r\n  <tbody>\r\n    <tr style=\"background:#f8fafc;\">\r\n      <td style=\"padding:0.6rem 0.85rem;border-bottom:1px solid #e2e8f0;\">Placa de computa\u00e7\u00e3o @ 500 unidades<\/td>\r\n      <td style=\"padding:0.6rem 0.85rem;border-bottom:1px solid #e2e8f0;text-align:center;\"><strong>~$120\u2013140<\/strong><\/td>\r\n      <td style=\"padding:0.6rem 0.85rem;border-bottom:1px solid #e2e8f0;text-align:center;\">~$175\u2013200 (apenas m\u00f3dulo)<\/td>\r\n    <\/tr>\r\n    <tr>\r\n      <td style=\"padding:0.6rem 0.85rem;border-bottom:1px solid #e2e8f0;\">Placa de suporte (produ\u00e7\u00e3o)<\/td>\r\n      <td style=\"padding:0.6rem 0.85rem;border-bottom:1px solid #e2e8f0;text-align:center;\">Inclu\u00eddo<\/td>\r\n      <td style=\"padding:0.6rem 0.85rem;border-bottom:1px solid #e2e8f0;text-align:center;\">$30\u201360 adicional (de terceiros)<\/td>\r\n    <\/tr>\r\n    <tr style=\"background:#f8fafc;\">\r\n      <td style=\"padding:0.6rem 0.85rem;border-bottom:1px solid #e2e8f0;\">Arrefecimento ativo (ventilador\/dissipador de calor)<\/td>\r\n      <td style=\"padding:0.6rem 0.85rem;border-bottom:1px solid #e2e8f0;text-align:center;\"><strong>$0<\/strong> (apenas em modo passivo a \u226455 \u00b0C)<\/td>\r\n      <td style=\"padding:0.6rem 0.85rem;border-bottom:1px solid #e2e8f0;text-align:center;\">$8\u201315 (necess\u00e1rio a 25 W)<\/td>\r\n    <\/tr>\r\n    <tr>\r\n      <td style=\"padding:0.6rem 0.85rem;border-bottom:1px solid #e2e8f0;\">Fonte de alimenta\u00e7\u00e3o (trilho DIN industrial)<\/td>\r\n      <td style=\"padding:0.6rem 0.85rem;border-bottom:1px solid #e2e8f0;text-align:center;\"><strong>$12\u201318<\/strong> (12 V\/1,5 A)<\/td>\r\n      <td style=\"padding:0.6rem 0.85rem;border-bottom:1px solid #e2e8f0;text-align:center;\">$20\u201328 (12 V\/2,5 A+)<\/td>\r\n    <\/tr>\r\n    <tr style=\"background:#f8fafc;\">\r\n      <td style=\"padding:0.6rem 0.85rem;border-bottom:1px solid #e2e8f0;\"><strong>Total estimado do sistema<\/strong><\/td>\r\n      <td style=\"padding:0.6rem 0.85rem;border-bottom:1px solid #e2e8f0;text-align:center;\"><strong>~$132\u2013158<\/strong><\/td>\r\n      <td style=\"padding:0.6rem 0.85rem;border-bottom:1px solid #e2e8f0;text-align:center;\">~$233\u2013303<\/td>\r\n    <\/tr>\r\n    <tr>\r\n      <td style=\"padding:0.6rem 0.85rem;\"><strong>Delta por unidade a 500\/ano<\/strong><\/td>\r\n      <td style=\"padding:0.6rem 0.85rem;text-align:center;\" colspan=\"2\"><strong>Poupan\u00e7a de $75\u2013145 com o RK3588 \u2014 $37 500\u201372 500\/ano<\/strong><\/td>\r\n    <\/tr>\r\n  <\/tbody>\r\n<\/table>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-8d8a3e5 elementor-widget elementor-widget-html\" data-id=\"8d8a3e5\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t \r\n<h2 style=\"font-size:1.5rem;font-weight:700;color:#1a1a2e;margin-top:2.5rem;margin-bottom:1rem;\">\r\n  RK3588 vs Jetson Orin Nano: O guia para a escolha\r\n<\/h2>\r\n \r\n<h3 style=\"font-size:1.15rem;font-weight:600;color:#1a1a2e;margin-top:1.5rem;margin-bottom:0.75rem;\">Escolha o ieeker YKR-RK3588 se:<\/h3>\r\n<ul style=\"padding-left:1.25rem;color:#374151;font-size:1rem;line-height:1.9;margin-bottom:1.25rem;\">\r\n  <li>A sua carga de trabalho de IA \u00e9 <strong>Detec\u00e7\u00e3o ou classifica\u00e7\u00e3o de classes com o YOLOv5\/v8<\/strong> a \u226430 fps \u2014 6 TOPS \u00e9 suficiente e o RKNN-Toolkit2 permite uma migra\u00e7\u00e3o \u00fanica e exequ\u00edvel<\/li>\r\n  <li>A sua implementa\u00e7\u00e3o requer <strong>arrefecimento passivo<\/strong> \u2014 caixas seladas para calhas DIN, quiosques exteriores ou qualquer ambiente em que um ventilador represente um risco de manuten\u00e7\u00e3o<\/li>\r\n  <li>As necessidades do seu produto <strong>interfaces industriais de forma nativa<\/strong>: duas portas GbE, barramento CAN, RS-485, SATA, v\u00e1rias sa\u00eddas de ecr\u00e3 \u2014 a integra\u00e7\u00e3o destas funcionalidades no Jetson atrav\u00e9s de adaptadores USB acarreta riscos em termos de fiabilidade e lat\u00eancia<\/li>\r\n  <li>O seu <strong>O pre\u00e7o-alvo da BOM \u00e9 inferior a $160 por unidade<\/strong> em volumes iguais ou inferiores a 1 000 unidades, ou se a poupan\u00e7a de $75\u2013145 por unidade afetar significativamente a margem do seu produto<\/li>\r\n  <li>Precisas de <strong>quantidades de produ\u00e7\u00e3o sem restri\u00e7\u00f5es de aloca\u00e7\u00e3o<\/strong> \u2014 o limite de 4 unidades do kit de desenvolvimento do Jetson significa que a produ\u00e7\u00e3o requer um processo de aquisi\u00e7\u00e3o distinto<\/li>\r\n  <li>Os requisitos do seu sistema operativo incluem <strong>Android<\/strong> ou uma distribui\u00e7\u00e3o Linux que n\u00e3o seja JetPack \u2014 o YKR-RK3588 vem equipado com imagens do Android 12, Debian, Ubuntu e Buildroot<\/li>\r\n<\/ul>\r\n \r\n<h3 style=\"font-size:1.15rem;font-weight:600;color:#1a1a2e;margin-top:1.5rem;margin-bottom:0.75rem;\">Escolha o Jetson Orin Nano Super se:<\/h3>\r\n<ul style=\"padding-left:1.25rem;color:#374151;font-size:1rem;line-height:1.9;margin-bottom:1.25rem;\">\r\n  <li>A sua candidatura requer <strong>IA generativa na periferia<\/strong> \u2014 execu\u00e7\u00e3o de LLMs (Llama 3 8B), VLMs (LLaVA) ou transformadores de vis\u00e3o que requerem 67 TOPS e CUDA para um rendimento vi\u00e1vel<\/li>\r\n  <li>A vossa equipa \u00e9 <strong>j\u00e1 no ecossistema da NVIDIA<\/strong> \u2014 Pipelines do TensorRT, an\u00e1lise multic\u00e2mara do DeepStream ou o middleware de rob\u00f3tica Isaac ROS j\u00e1 em produ\u00e7\u00e3o<\/li>\r\n  <li>Precisas de <strong>ROS 2 com perce\u00e7\u00e3o acelerada por hardware<\/strong> \u2014 O Isaac ROS no Jetson disponibiliza n\u00f3s de SLAM, profundidade est\u00e9reo e dete\u00e7\u00e3o de objetos que exigiriam um trabalho de personaliza\u00e7\u00e3o significativo no RK3588<\/li>\r\n  <li>A sua carga de trabalho de infer\u00eancia requer <strong>4 ou mais transmiss\u00f5es simult\u00e2neas de c\u00e2mara<\/strong> com uma estrutura principal ResNet-50 ou superior \u2014 o rendimento paralelo da GPU CUDA lida com isto de forma eficiente, enquanto o RKNN exigiria uma reparti\u00e7\u00e3o cuidadosa dos recursos<\/li>\r\n  <li>O or\u00e7amento \u00e9 <strong>n\u00e3o \u00e9 a principal restri\u00e7\u00e3o<\/strong> e a prioridade \u00e9 obter uma demonstra\u00e7\u00e3o funcional o mais rapidamente poss\u00edvel \u2014 o ecossistema de contentores pr\u00e9-constru\u00eddos do JetPack permite-lhe come\u00e7ar a trabalhar mais rapidamente do que a configura\u00e7\u00e3o do RKNN<\/li>\r\n<\/ul>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-6863b8c elementor-widget elementor-widget-html\" data-id=\"6863b8c\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\r\n<h2 style=\"font-size:1.5rem;font-weight:700;color:#1a1a2e;margin-top:2.5rem;margin-bottom:1rem;\">\r\n  IEEKER YKR-RK3588 para IA de ponta industrial\r\n<\/h2>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  O ieeker <a href=\"https:\/\/ieeker.com\/pt\/products\/yky-3588s-rk3588s-8k-ai-sbc\/\">Placa de desenvolvimento YKR-RK3588<\/a> trata-se da plataforma RK3588 da ieeker, pronta para produ\u00e7\u00e3o \u2014 fabrico SMT interno, BSP validados (Debian 11, Ubuntu 22.04, Android 12, Buildroot), documenta\u00e7\u00e3o do SDK RKNN-Toolkit2 e apoio t\u00e9cnico direto para quest\u00f5es relacionadas com a migra\u00e7\u00e3o de modelos. Para as equipas que est\u00e3o a avaliar o <strong>RK3588 vs Jetson Orin Nano<\/strong> Decis\u00e3o: fornecemos placas de avalia\u00e7\u00e3o individuais com acesso total ao SDK e podemos oferecer apoio na convers\u00e3o de modelos RKNN para a sua carga de trabalho de infer\u00eancia espec\u00edfica.\r\n<\/p>\r\n \r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  Para projetos em que 6 TOPS s\u00e3o realmente insuficientes e o custo do $249 + placa de suporte do Jetson Orin Nano \u00e9 aceit\u00e1vel \u2014 nomeadamente em IA generativa ou an\u00e1lises intensivas com m\u00faltiplos fluxos \u2014, a plataforma Jetson \u00e9 a resposta certa e n\u00e3o hesitaremos em afirm\u00e1-lo. No entanto, para a maioria das aplica\u00e7\u00f5es de vis\u00e3o artificial industrial, infer\u00eancia na periferia e gateways de IoT, o YKR-RK3588 oferece o equil\u00edbrio certo entre capacidade de IA, cobertura de interfaces industriais, consumo energ\u00e9tico e custo de implementa\u00e7\u00e3o.\r\n<\/p>\r\n \r\n<div style=\"background:#1a1a2e;border-radius:8px;padding:1.5rem;margin:1.5rem 0;text-align:center;\">\r\n  <p style=\"color:#fff;font-size:1.05rem;font-weight:600;margin-bottom:0.5rem;\">Est\u00e1 a comparar o RK3588 com o Jetson Orin Nano para a sua aplica\u00e7\u00e3o?<\/p>\r\n  <p style=\"color:#a5b4fc;font-size:0.95rem;margin-bottom:1.25rem;\">Partilhe o seu modelo de infer\u00eancia e o seu ambiente de implementa\u00e7\u00e3o \u2014 iremos realizar uma r\u00e1pida avalia\u00e7\u00e3o de viabilidade do RKNN e dizer-lhe com toda a franqueza se os 6 TOPS do RK3588 s\u00e3o suficientes para a sua carga de trabalho.<\/p>\r\n  <a href=\"\/pt\/contact\/\" style=\"display:inline-block;background:#3b5bdb;color:#fff;font-weight:600;padding:0.75rem 1.75rem;border-radius:6px;text-decoration:none;font-size:0.97rem;\">\u2192 Solicitar a placa de avalia\u00e7\u00e3o YKR-RK3588 \u2192<\/a>\r\n<\/div>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-dd7b024 elementor-widget elementor-widget-html\" data-id=\"dd7b024\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\r\n<h2 style=\"font-size:1.5rem;font-weight:700;color:#1a1a2e;margin-top:2.5rem;margin-bottom:1rem;\">\r\n  Perguntas mais frequentes\r\n<\/h2>\r\n \r\n<h3 style=\"font-size:1.1rem;font-weight:600;color:#1a1a2e;margin-top:1.25rem;margin-bottom:0.5rem;\">\r\n  O RK3588 \u00e9 melhor do que o Jetson Orin Nano para aplica\u00e7\u00f5es industriais?\r\n<\/h3>\r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  Para a maioria das aplica\u00e7\u00f5es industriais \u2014 vis\u00e3o artificial a taxas de fotogramas padr\u00e3o, gateways de IoT, pain\u00e9is HMI e sistemas de controlo incorporados \u2014 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 refrigera\u00e7\u00e3o passiva e um custo de lista de materiais (BOM) do sistema 40\u201350% mais baixo. O Jetson Orin Nano Super \u00e9 mais adequado para cargas de trabalho de IA generativa (LLMs, VLMs) e rob\u00f3tica com ROS 2, onde o ecossistema CUDA da NVIDIA oferece vantagens decisivas em termos de velocidade de implementa\u00e7\u00e3o.\r\n<\/p>\r\n \r\n<h3 style=\"font-size:1.1rem;font-weight:600;color:#1a1a2e;margin-top:1.25rem;margin-bottom:0.5rem;\">\r\n  Posso executar o YOLO no RK3588?\r\n<\/h3>\r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  Sim. O YOLOv5s, o YOLOv5m, o YOLOv8n e o YOLOv8s foram todos validados na NPU RK3588 atrav\u00e9s do RKNN-Toolkit2 com quantiza\u00e7\u00e3o INT8. O YOLOv5s atinge aproximadamente 45 ms por fotograma (22 fps) apenas na NPU. O YOLOv5m funciona a aproximadamente 65\u201380 ms por fotograma (12\u201315 fps). Para a dete\u00e7\u00e3o de defeitos, o reconhecimento facial e a dete\u00e7\u00e3o geral de objetos industriais a taxas de fotogramas industriais padr\u00e3o, estas velocidades s\u00e3o suficientes.\r\n<\/p>\r\n \r\n<h3 style=\"font-size:1.1rem;font-weight:600;color:#1a1a2e;margin-top:1.25rem;margin-bottom:0.5rem;\">\r\n  Qual \u00e9 a diferen\u00e7a de consumo energ\u00e9tico entre o RK3588 e o Jetson Orin Nano na utiliza\u00e7\u00e3o pr\u00e1tica?\r\n<\/h3>\r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  Em cargas de trabalho t\u00edpicas de infer\u00eancia de IA na periferia (NPU com 70% de utiliza\u00e7\u00e3o, duas interfaces GbE ativas, servi\u00e7os do sistema operativo Linux), o RK3588 consome entre 5 e 8 W de pot\u00eancia total do sistema. O Jetson Orin Nano Super, no modo padr\u00e3o de 15 W, consome 15 W; no modo MAXN Super, consome at\u00e9 25 W. Em termos pr\u00e1ticos: o RK3588 pode ser arrefecido passivamente num inv\u00f3lucro industrial at\u00e9 uma temperatura ambiente de 55 \u00b0C; o Jetson Orin Nano requer arrefecimento ativo acima de aproximadamente 35 \u00b0C num inv\u00f3lucro.\r\n<\/p>\r\n \r\n<h3 style=\"font-size:1.1rem;font-weight:600;color:#1a1a2e;margin-top:1.25rem;margin-bottom:0.5rem;\">\r\n  O Jetson Orin Nano funciona sem o JetPack?\r\n<\/h3>\r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  Tecnicamente, sim \u2014 o Ubuntu padr\u00e3o 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 espec\u00edficas 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 padr\u00e3o sem depend\u00eancias da NVIDIA, o RK3588 com Debian ou Ubuntu oferece uma solu\u00e7\u00e3o mais simples e econ\u00f3mica.\r\n<\/p>\r\n \r\n<h3 style=\"font-size:1.1rem;font-weight:600;color:#1a1a2e;margin-top:1.25rem;margin-bottom:0.5rem;\">\r\n  Quanto tempo demora a convers\u00e3o do modelo RKNN?\r\n<\/h3>\r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  O processo de convers\u00e3o do RKNN-Toolkit2 para um modelo YOLOv5 ou YOLOv8 padr\u00e3o demora aproximadamente 1 a 3 dias-engenheiro, incluindo: exporta\u00e7\u00e3o para ONNX a partir do PyTorch (~1 hora), calibra\u00e7\u00e3o da quantiza\u00e7\u00e3o do RKNN com um conjunto de dados representativo (~4 a 8 horas, dependendo do tamanho do conjunto de dados), valida\u00e7\u00e3o da precis\u00e3o entre os modelos FP32 e INT8 (~4 horas) e integra\u00e7\u00e3o no pipeline de infer\u00eancia de produ\u00e7\u00e3o (~1 dia). Trata-se de um custo \u00fanico por modelo; as implementa\u00e7\u00f5es subsequentes do mesmo modelo n\u00e3o requerem nova convers\u00e3o.\r\n<\/p>\r\n \r\n<h3 style=\"font-size:1.1rem;font-weight:600;color:#1a1a2e;margin-top:1.25rem;margin-bottom:0.5rem;\">\r\n  O RK3588 consegue executar modelos de linguagem de grande dimens\u00e3o?\r\n<\/h3>\r\n<p style=\"font-size:1rem;line-height:1.8;color:#374151;margin-bottom:1rem;\">\r\n  Os modelos de linguagem quantizados de pequena dimens\u00e3o (1\u20133 mil milh\u00f5es de par\u00e2metros, quantizados a 4 bits) podem ser executados no RK3588 utilizando o llama.cpp com infer\u00eancia na CPU \u2014 normalmente a uma velocidade de 2\u20135 tokens por segundo, o que \u00e9 vi\u00e1vel para a extra\u00e7\u00e3o de palavras-chave offline ou para perguntas e respostas simples, mas demasiado lento para aplica\u00e7\u00f5es interativas. A NPU de 6 TOPS n\u00e3o acelera as camadas de aten\u00e7\u00e3o do Transformer de forma eficiente. Para a implementa\u00e7\u00e3o de LLM em ambiente de produ\u00e7\u00e3o na periferia, o <a href=\"https:\/\/en.wikipedia.org\/wiki\/Large_language_model\" target=\"_blank\" rel=\"noopener noreferrer\">Os 67 TOPS do Jetson Orin Nano Super com otimiza\u00e7\u00e3o TensorRT-LLM<\/a> \u00e9 a plataforma adequada nesta gama de pre\u00e7os.\r\n<\/p>\r\n \r\n<!-- References -->\r\n<div style=\"margin-top:2.5rem;padding-top:1.5rem;border-top:1px solid #e2e8f0;\">\r\n  <p style=\"font-size:0.9rem;font-weight:700;color:#374151;margin-bottom:0.75rem;\">Fontes e refer\u00eancias<\/p>\r\n  <ol style=\"font-size:0.87rem;line-height:1.9;color:#6b7280;padding-left:1.25rem;\">\r\n    <li><a href=\"https:\/\/www.nvidia.com\/en-us\/autonomous-machines\/embedded-systems\/jetson-orin\/nano-super-developer-kit\/\" target=\"_blank\" rel=\"noopener noreferrer\">Kit de Desenvolvimento Super NVIDIA Jetson Orin Nano \u2014 NVIDIA Oficial<\/a><\/li>\r\n    <li><a href=\"https:\/\/developer.nvidia.com\/blog\/nvidia-jetson-orin-nano-developer-kit-gets-a-super-boost\/\" target=\"_blank\" rel=\"noopener noreferrer\">Aumento de desempenho do Jetson Orin Nano \u2014 Blog dos Desenvolvedores da NVIDIA<\/a><\/li>\r\n    <li><a href=\"https:\/\/developer.nvidia.com\/blog\/solving-entry-level-edge-ai-challenges-with-nvidia-jetson-orin-nano\/\" target=\"_blank\" rel=\"noopener noreferrer\">Resolver os desafios da IA de ponta para principiantes com o Jetson Orin Nano \u2014 NVIDIA<\/a><\/li>\r\n    <li><a href=\"https:\/\/dev.to\/dongpei_liao_8092a14d7c50\/rk3588-vs-jetson-orin-nano-real-world-comparison-47j7\" target=\"_blank\" rel=\"noopener noreferrer\">Compara\u00e7\u00e3o pr\u00e1tica entre o RK3588 e o Jetson Orin Nano \u2014 Comunidade DEV<\/a><\/li>\r\n    <li><a href=\"https:\/\/github.com\/rockchip-linux\/rknn-toolkit2\" target=\"_blank\" rel=\"noopener noreferrer\">RKNN-Toolkit2 \u2014 SDK de infer\u00eancia da NPU da Rockchip \u2014 GitHub<\/a><\/li>\r\n    <li><a href=\"https:\/\/en.wikipedia.org\/wiki\/Large_language_model\" target=\"_blank\" rel=\"noopener noreferrer\">Modelo de Linguagem de Grande Dimens\u00e3o \u2014 Wikip\u00e9dia<\/a><\/li>\r\n  <\/ol>\r\n<\/div>\r\n \r\n<\/div><!-- end .iek-wrap -->\r\n<\/body>\r\n<\/html>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"<p>Short answer: The RK3588 vs Jetson Orin Nano decision comes down to three factors \u2014 budget, software ecosystem, and deployment environment. The ieeker YKR-RK3588 development board costs 40\u201350% less than a Jetson Orin Nano system, runs cooler at 5\u20138W versus Jetson&#8217;s 15\u201325W, and covers every industrial interface without add-on hardware. The Jetson Orin Nano Super [&hellip;]<\/p>","protected":false},"author":2,"featured_media":10530,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-10528","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v26.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>RK3588 vs Jetson Orin Nano: Edge AI Board Comparison [2026]<\/title>\n<meta name=\"description\" content=\"RK3588 vs Jetson Orin Nano compared: 6 TOPS vs 67 TOPS, 5W vs 25W, industrial interfaces, BOM cost, and deployment ecosystem. Find out which edge AI board fits your project.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/ieeker.com\/pt\/rk3588-vs-jetson-orin-nano\/\" \/>\n<meta property=\"og:locale\" content=\"pt_PT\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"RK3588 vs Jetson Orin Nano: Edge AI Board Comparison [2026]\" \/>\n<meta property=\"og:description\" content=\"RK3588 vs Jetson Orin Nano compared: 6 TOPS vs 67 TOPS, 5W vs 25W, industrial interfaces, BOM cost, and deployment ecosystem. Find out which edge AI board fits your project.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/ieeker.com\/pt\/rk3588-vs-jetson-orin-nano\/\" \/>\n<meta property=\"article:published_time\" content=\"2026-06-11T07:19:30+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-06-11T07:23:10+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-vs-jetson-orin-nano-edge-ai-comparison-cover.webp\" \/>\n\t<meta property=\"og:image:width\" content=\"1536\" \/>\n\t<meta property=\"og:image:height\" content=\"1024\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/webp\" \/>\n<meta name=\"author\" content=\"Ieeker\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Ieeker\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"17 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/\"},\"author\":{\"name\":\"Ieeker\",\"@id\":\"https:\/\/ieeker.com\/#\/schema\/person\/8c84cbebc78c3b57cc5d39e73de3eadb\"},\"headline\":\"RK3588 vs Jetson Orin Nano: Edge AI Development Board Comparison for Industrial Buyers\",\"datePublished\":\"2026-06-11T07:19:30+00:00\",\"dateModified\":\"2026-06-11T07:23:10+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/\"},\"wordCount\":3320,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/ieeker.com\/#organization\"},\"image\":{\"@id\":\"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-vs-jetson-orin-nano-edge-ai-comparison-cover.webp\",\"articleSection\":[\"News\"],\"inLanguage\":\"pt-PT\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/\",\"url\":\"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/\",\"name\":\"RK3588 vs Jetson Orin Nano: Edge AI Board Comparison [2026]\",\"isPartOf\":{\"@id\":\"https:\/\/ieeker.com\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-vs-jetson-orin-nano-edge-ai-comparison-cover.webp\",\"datePublished\":\"2026-06-11T07:19:30+00:00\",\"dateModified\":\"2026-06-11T07:23:10+00:00\",\"description\":\"RK3588 vs Jetson Orin Nano compared: 6 TOPS vs 67 TOPS, 5W vs 25W, industrial interfaces, BOM cost, and deployment ecosystem. Find out which edge AI board fits your project.\",\"breadcrumb\":{\"@id\":\"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/#breadcrumb\"},\"inLanguage\":\"pt-PT\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-PT\",\"@id\":\"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/#primaryimage\",\"url\":\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-vs-jetson-orin-nano-edge-ai-comparison-cover.webp\",\"contentUrl\":\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-vs-jetson-orin-nano-edge-ai-comparison-cover.webp\",\"width\":1536,\"height\":1024,\"caption\":\"The RK3588 vs Jetson Orin Nano decision separates into two clear camps: cost-efficient industrial deployment (RK3588, 6 TOPS, 5\u20138W, $80\u2013120) vs. CUDA-accelerated generative AI at the edge (Jetson Orin Nano Super, 67 TOPS, 25W, $249 dev kit + carrier).\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/ieeker.com\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"RK3588 vs Jetson Orin Nano: Edge AI Development Board Comparison for Industrial Buyers\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/ieeker.com\/#website\",\"url\":\"https:\/\/ieeker.com\/\",\"name\":\"ieeker.com\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\/\/ieeker.com\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/ieeker.com\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"pt-PT\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/ieeker.com\/#organization\",\"name\":\"ieeker\",\"url\":\"https:\/\/ieeker.com\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-PT\",\"@id\":\"https:\/\/ieeker.com\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/ieeker.com\/wp-content\/uploads\/2023\/02\/Ieeker-develoment-board-logo-scaled-e1782367781709.webp\",\"contentUrl\":\"https:\/\/ieeker.com\/wp-content\/uploads\/2023\/02\/Ieeker-develoment-board-logo-scaled-e1782367781709.webp\",\"width\":2160,\"height\":388,\"caption\":\"ieeker\"},\"image\":{\"@id\":\"https:\/\/ieeker.com\/#\/schema\/logo\/image\/\"}},{\"@type\":\"Person\",\"@id\":\"https:\/\/ieeker.com\/#\/schema\/person\/8c84cbebc78c3b57cc5d39e73de3eadb\",\"name\":\"Ieeker\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-PT\",\"@id\":\"https:\/\/ieeker.com\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/ieeker.com\/wp-content\/litespeed\/avatar\/9b2208ea44759888946102da78e30511.jpg?ver=1785927781\",\"contentUrl\":\"https:\/\/ieeker.com\/wp-content\/litespeed\/avatar\/9b2208ea44759888946102da78e30511.jpg?ver=1785927781\",\"caption\":\"Ieeker\"},\"sameAs\":[\"http:\/\/www.ieeker.com\"],\"url\":\"https:\/\/ieeker.com\/pt\/author\/ieeker\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"RK3588 vs Jetson Orin Nano: Edge AI Board Comparison [2026]","description":"RK3588 vs Jetson Orin Nano compared: 6 TOPS vs 67 TOPS, 5W vs 25W, industrial interfaces, BOM cost, and deployment ecosystem. Find out which edge AI board fits your project.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/ieeker.com\/pt\/rk3588-vs-jetson-orin-nano\/","og_locale":"pt_PT","og_type":"article","og_title":"RK3588 vs Jetson Orin Nano: Edge AI Board Comparison [2026]","og_description":"RK3588 vs Jetson Orin Nano compared: 6 TOPS vs 67 TOPS, 5W vs 25W, industrial interfaces, BOM cost, and deployment ecosystem. Find out which edge AI board fits your project.","og_url":"https:\/\/ieeker.com\/pt\/rk3588-vs-jetson-orin-nano\/","article_published_time":"2026-06-11T07:19:30+00:00","article_modified_time":"2026-06-11T07:23:10+00:00","og_image":[{"width":1536,"height":1024,"url":"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-vs-jetson-orin-nano-edge-ai-comparison-cover.webp","type":"image\/webp"}],"author":"Ieeker","twitter_card":"summary_large_image","twitter_misc":{"Written by":"Ieeker","Est. reading time":"17 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/#article","isPartOf":{"@id":"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/"},"author":{"name":"Ieeker","@id":"https:\/\/ieeker.com\/#\/schema\/person\/8c84cbebc78c3b57cc5d39e73de3eadb"},"headline":"RK3588 vs Jetson Orin Nano: Edge AI Development Board Comparison for Industrial Buyers","datePublished":"2026-06-11T07:19:30+00:00","dateModified":"2026-06-11T07:23:10+00:00","mainEntityOfPage":{"@id":"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/"},"wordCount":3320,"commentCount":0,"publisher":{"@id":"https:\/\/ieeker.com\/#organization"},"image":{"@id":"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/#primaryimage"},"thumbnailUrl":"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-vs-jetson-orin-nano-edge-ai-comparison-cover.webp","articleSection":["News"],"inLanguage":"pt-PT","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/","url":"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/","name":"RK3588 vs Jetson Orin Nano: Edge AI Board Comparison [2026]","isPartOf":{"@id":"https:\/\/ieeker.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/#primaryimage"},"image":{"@id":"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/#primaryimage"},"thumbnailUrl":"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-vs-jetson-orin-nano-edge-ai-comparison-cover.webp","datePublished":"2026-06-11T07:19:30+00:00","dateModified":"2026-06-11T07:23:10+00:00","description":"RK3588 vs Jetson Orin Nano compared: 6 TOPS vs 67 TOPS, 5W vs 25W, industrial interfaces, BOM cost, and deployment ecosystem. Find out which edge AI board fits your project.","breadcrumb":{"@id":"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/#breadcrumb"},"inLanguage":"pt-PT","potentialAction":[{"@type":"ReadAction","target":["https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/"]}]},{"@type":"ImageObject","inLanguage":"pt-PT","@id":"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/#primaryimage","url":"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-vs-jetson-orin-nano-edge-ai-comparison-cover.webp","contentUrl":"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/06\/rk3588-vs-jetson-orin-nano-edge-ai-comparison-cover.webp","width":1536,"height":1024,"caption":"The RK3588 vs Jetson Orin Nano decision separates into two clear camps: cost-efficient industrial deployment (RK3588, 6 TOPS, 5\u20138W, $80\u2013120) vs. CUDA-accelerated generative AI at the edge (Jetson Orin Nano Super, 67 TOPS, 25W, $249 dev kit + carrier)."},{"@type":"BreadcrumbList","@id":"https:\/\/ieeker.com\/rk3588-vs-jetson-orin-nano\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/ieeker.com\/"},{"@type":"ListItem","position":2,"name":"RK3588 vs Jetson Orin Nano: Edge AI Development Board Comparison for Industrial Buyers"}]},{"@type":"WebSite","@id":"https:\/\/ieeker.com\/#website","url":"https:\/\/ieeker.com\/","name":"ieeker.com","description":"","publisher":{"@id":"https:\/\/ieeker.com\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/ieeker.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"pt-PT"},{"@type":"Organization","@id":"https:\/\/ieeker.com\/#organization","name":"ieeker","url":"https:\/\/ieeker.com\/","logo":{"@type":"ImageObject","inLanguage":"pt-PT","@id":"https:\/\/ieeker.com\/#\/schema\/logo\/image\/","url":"https:\/\/ieeker.com\/wp-content\/uploads\/2023\/02\/Ieeker-develoment-board-logo-scaled-e1782367781709.webp","contentUrl":"https:\/\/ieeker.com\/wp-content\/uploads\/2023\/02\/Ieeker-develoment-board-logo-scaled-e1782367781709.webp","width":2160,"height":388,"caption":"ieeker"},"image":{"@id":"https:\/\/ieeker.com\/#\/schema\/logo\/image\/"}},{"@type":"Person","@id":"https:\/\/ieeker.com\/#\/schema\/person\/8c84cbebc78c3b57cc5d39e73de3eadb","name":"Ieeker","image":{"@type":"ImageObject","inLanguage":"pt-PT","@id":"https:\/\/ieeker.com\/#\/schema\/person\/image\/","url":"https:\/\/ieeker.com\/wp-content\/litespeed\/avatar\/9b2208ea44759888946102da78e30511.jpg?ver=1785927781","contentUrl":"https:\/\/ieeker.com\/wp-content\/litespeed\/avatar\/9b2208ea44759888946102da78e30511.jpg?ver=1785927781","caption":"Ieeker"},"sameAs":["http:\/\/www.ieeker.com"],"url":"https:\/\/ieeker.com\/pt\/author\/ieeker\/"}]}},"_links":{"self":[{"href":"https:\/\/ieeker.com\/pt\/wp-json\/wp\/v2\/posts\/10528","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ieeker.com\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ieeker.com\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ieeker.com\/pt\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/ieeker.com\/pt\/wp-json\/wp\/v2\/comments?post=10528"}],"version-history":[{"count":4,"href":"https:\/\/ieeker.com\/pt\/wp-json\/wp\/v2\/posts\/10528\/revisions"}],"predecessor-version":[{"id":10535,"href":"https:\/\/ieeker.com\/pt\/wp-json\/wp\/v2\/posts\/10528\/revisions\/10535"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ieeker.com\/pt\/wp-json\/wp\/v2\/media\/10530"}],"wp:attachment":[{"href":"https:\/\/ieeker.com\/pt\/wp-json\/wp\/v2\/media?parent=10528"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ieeker.com\/pt\/wp-json\/wp\/v2\/categories?post=10528"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ieeker.com\/pt\/wp-json\/wp\/v2\/tags?post=10528"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}