实测对比｜RK1820MC0 M.2算力卡适配RK3588效果分享

一、核心硬件规格（RK3588 vs RK1820）

先明确 “主控 + 协卡” 的异构组合定位：

RK3588（主控 SoC）

NPU：6TOPS@INT8，三核架构

内存：8/16GB LPDDR4，无专用 AI 缓存

角色：系统调度、视频编解码（8K）、数据预处理、结果输出

RK1820MC0（M.2 算力卡）

NPU：20TOPS@INT8，3×RISC-V 核心，支持 INT4/FP16 混合精度

板载内存：2.5GB 3D 堆叠 DRAM（专用 AI 推理，无总线争抢）

接口：M.2 Key-M（PCIe 2.0），即插即用

角色：专职 AI 推理，卸载 RK3588 NPU 负载

二、实测环境与部署方案

硬件：Firefly Core-3588SJD4（8GB 内存）+ RK1820MC0 M.2 卡

系统：Ubuntu 22.04 + RKNN3 Toolkit（v1.5.0）

模型：

轻量：YOLOv5s（640×640）、MobileNetV2

中量：PP-YOLOE、ResNet50

大模型：Llama 2-3B（INT4 量化）

部署模式：

仅 RK3588：模型全量部署于主控 NPU

RK3588+RK1820：主控预处理→PCIe→协卡推理→回传结果

三、性能实测数据（关键结论前置）

1. 推理速度（FPS，越高越好）

2. 延迟对比（单帧，越低越好）

YOLOv5s：RK3588 35ms → 组合方案 11.2ms，降低 68%

PP-YOLOE：RK3588 81ms → 组合方案 24.1ms，降低 70%

3. 功耗与温度（稳态）

仅 RK3588：功耗 8.2W，温度 68℃

组合方案：总功耗 12.5W（协卡 4.3W），RK3588 温度 52℃（降 16℃），协卡温度 58℃

结论：协卡分担负载，主控降温明显，适合 7×24h 稳定运行

4. 大模型适配（核心优势）

RK3588 原生：最大支持 1.5B 模型（INT4），3B 及以上内存溢出

RK1820：2.5GB 专用 DRAM，原生支持 3B 模型（Llama 2、Qwen），INT4 量化下 18–22 token/s，满足边缘交互需求

四、适配体验与避坑要点

1. 兼容性

接口：RK3588 开发板 M.2 Key-M（PCIe 2.0）直接识别，无需额外供电

系统：Linux（Ubuntu/OpenWRT）适配完善；Android 需手动编译驱动，稳定性一般

框架：RKNN3 支持 PyTorch/TensorFlow 模型一键转换，INT4/INT8 量化友好

2. 协同逻辑（“1+1>2”）

RK3588：处理视频流、图像预处理、结果渲染，不占用 NPU 做重推理

RK1820：独占 20TOPS 算力 + 2.5GB 内存，批量处理推理任务，PCIe 带宽充足，无明显瓶颈

3. 避坑 3 点

供电：M.2 插槽需≥3A 电流，劣质底板会导致协卡掉盘、推理崩溃

模型量化：大模型必须 INT4 量化，否则 2.5GB 内存仍会溢出

驱动：务必更新 RKNN3 至 v1.4+，旧版本存在 PCIe 数据传输 bug

五、场景适配建议

✅ 推荐场景

工业视觉：多工位缺陷检测（高 FPS、低延迟）

智能座舱：3B 大模型语音交互（本地离线、低功耗）

边缘网关：多路视频 AI 分析（主控降温，长期稳定）

机器人：多模态感知（视觉 + 语言，模型并行）

❌ 不推荐场景

纯轻量 AI（如人脸识别）：RK3588 原生足够，加卡性价比低

Android 系统：驱动适配一般，稳定性不如 Linux

六、总结

RK1820MC0 M.2 算力卡与 RK3588 的组合，是端侧算力升级的最优解之一：

算力从 6TOPS 飙升至 26TOPS，推理速度提升2–2.4 倍

2.5GB 专用内存，原生支持 3B 大模型，填补 RK3588 空白

主控负载降低，温度下降，适合工业 / 车载等长期运行场景

即插即用、RKNN3 适配完善，开发成本低、落地快

家具维修培训