02 — 技術架構與硬體選型

系統架構

flowchart LR
    subgraph 店內 Edge
        CAM[2-4 路 RTSP 攝影機] --> DS[DeepStream Pipeline]
        DS --> DET["行人偵測(YOLO, TensorRT engine)"]
        DET --> TRK[ByteTrack 多目標追蹤]
        TRK --> AGG["統計聚合(計數/熱區/停留)"]
    end
    AGG -->|"MQTT, 僅統計值"| CLOUD[雲端 Ingest]
    CLOUD --> DB[(時序資料庫)]
    DB --> DASH[Dashboard：漏斗/熱區/留存]

關鍵：影像處理全部在裝置內完成，網路上只有 JSON 統計訊息（每分鐘 < 10KB）。

Jetson 選型對比

  Orin Nano 8GB Orin NX 16GB 備註
AI 算力 ~40 TOPS ~100 TOPS  
同時視訊路數（1080p 偵測+追蹤） 2–4 路 6–8 路 DeepStream 實測依模型大小
模組價位帶 低 中 單店 vs 大店分級出貨
功耗 7–15W 10–25W 全天運轉電費可忽略

決策：Orin Nano 8GB 起步。 目標客群（中小門市）多為 2–3 路攝影機；NX 留給旗艦店 SKU。供應鏈觀點：Jetson 模組生命週期承諾長（工控等級），比消費級 GPU 適合硬體產品。

推論 Pipeline 設計

  1. 偵測：YOLO 系列行人偵測，TensorRT FP16 engine（INT8 校準為 Phase 2 優化項）
  2. 追蹤：ByteTrack — CPU 輕量、對遮擋穩健，適合門市俯視角
  3. 業務邏輯：虛擬線（進出計數）、多邊形區域（熱區停留）、軌跡分段（動線漏斗）
  4. 匿名回訪：外觀特徵向量 hash、僅存 24h、不可逆 — 支撐「當日回訪」指標而不建立個體檔案

BOM 估算（單店，量產 100 台級）

項目 佔比估
Jetson Orin Nano 模組 + 載板 ~55%
外殼/散熱/電源 ~15%
認證（NCC/CE）攤提 ~10%
組裝測試 ~10%
緩衝 ~10%

採購背景備註：Jetson 模組走工控代理通路，交期波動大於消費品 — 提前鎖定季度 forecast 是營運重點（供應鏈經驗直接適用）。

為什麼不用雲端 GPU / 不用樹莓派