标签: RK3576

随着市场需求不断的变化，各行各业对CPU的要求越来越高，特别是近几年流行的 AIOT，为了有更好的用户体验，CPU的算力就要求更高了。 今天为大家推荐由米尔基于瑞芯微RK3576处理器推出的MYC-LR3576核心板及开发板。 关于RK3576处理器 国产CPU，是这些年的骄傲，华为手机全国产化，国人一片呼声，再也不用卡脖子了。 RK3576处理器，就是一款由国产是厂商瑞芯微，今年第二季推出的全新通用型的高性能SOC芯片，这款CPU到底有多么的高性能，下面看看它的几个特性： 8核心 6 TOPS超强算力 双千兆以太网 8K@30fps/4K@120fps 解码 ······ CPU具备4xA72@2.2Hz + 4xA53@1.8Hz，除了以上强悍的性能，还有众多通用的功能模块和外设资源，比如：PCIE、USB、SATA、DSMC/Flexbus、CANFD、UART等。 给大家看下RK3576的框图： 通过这些参数，你会发现，这款国产高性能CPU适用于工业、AIoT、边缘计算、智能移动终端以及其他多种数字多媒体等场景。 米尔基于RK3576核心板/开发板 上面介绍了这款今年新推出的国产高性能CPU，下面给大家看看米尔基于这款RK3576处理器的核心板/开发板。 1、核心板 这款核心板尺寸仅为：43x45x3.85mm，采用LGA封装，具备高可靠性，为了满足工业应用场景，核心板还带有屏蔽骨架，能有效减少工业干扰。 同时，为满足应用，核心板匹配最高内存 8GB LPDDR4X、 64GB eMMC、32KBitE2PROM等 2、开发板 为了方便用户拓展自己的外设，米尔提供了配套的开发板（底板）。 开发板提供的接口非常丰富，包括常见的通信和多媒体接口： MYC-LR3576核心板及开发板特色 1、支持三屏异显 这款开发板支持支持三屏异显，得益于处理器强大的音视频编解码能力，同时，开发板还具备HDMI/DP/MIPIDSI等图形输出的常用外设。 它最高支持4K分辨率的视频显示，还支持8K分辨率的硬解码，满足多场景多样化的显示需求。 2、支持多摄像头 由于具备强大的音视频编解码能力，然后也支持MIPI-DSI/Parallel RGB/MIPI CSI/16M Pixel ISP等市面上常见的多媒体接口。 视频输入能力： MIPI-CSI D-PHY v2.0，4 lane, 4.5Gbps/C-PHY v1.1, 3 trios, 2.5Gbps MIPI-CSI D-PHY v1.2, 2*4 lane或4*2 lane或4+2*2, 2.5Gbps DVP, 8/10/12/16-bit, BT.601/BT.656 and BT.1120 单通道ISP,16M pixels 3、赋能AIOT、边缘计算 RK3576处理器高性能8核心，具有6 TOPS的NPU加速器、3D GPU的高算力，在AIOT、边缘计算、 商用机器人、 AI 商显、 智能车载终端、 智慧电力等需要强大算力的应用也不在话下。 丰富的开发资源 MYC-LR3576系列核心板及开发板，提供 Linux 操作系统的驱动支持，并提供用户手册、PDF 原理图、外设驱动、BSP源码包、开发工具等相关资料;为开发者提供了稳定的设计参考和完善的软件开发环境。 1、操作系统镜像文件 myir-image-lr3576-debian： 提供 debian 系统，Gnome默认桌面环境， 包含完整的硬件驱动， 常用的系统工具， 调试工具等。 myir-image-linux-full： 以 buildroot 构建的全功能的镜像， weston 桌面环境， 包含所有的完整的硬件驱动， 常用的系统工具， 调试工具等。 2、丰富的软件资源 为了用户快速上手，米尔提供了丰富的软件资源，包括Bootloader、Linux 内核、设备驱动、文件系统等。

在中国半导体产业的版图中，瑞芯微作为国内SoC芯片领跑者，凭借其在处理器芯片设计领域的深厚积累和持续创新，推出很多智能应用处理器芯片，在嵌入式系统领域得到大规模的应用。RK3588和RK3576系列作为都是瑞芯微(Rockchip)高性能处理器代表，性能如何？价格如何？作为硬件产品开发的我们，这两款产品到底有什么区别呢？ CPU性能强劲 ，应用场景丰富 CPU 性能 ：RK3588采用的四核Cortex - A76+四核Cortex - A55 ，而RK3576出于成本考量选用的四核Cortex - A72+四核Cortex - A53架构，并配备ARM Cortex M0的协处理器，给相关应用带来了更多可能性。 GPU性能 ：RK3576采用ARM Mali G52 MC3，RK3588配备ARM Mali - G610MC4，都支持OpenGL ES 1.1、2.0和3.2，Vulkan 1.2，支持的图形标准上两者类似，但在OpenCL版本上RK3588更高（2.2对比2.1）。 NPU性能 ：两者都配备了6Tops的算力，都支持int4/int8/int16/FP16/BF16/TF32等数据格式，适配多样化的AI应用场景。 内存和存储 RK3576 支持32位LP DDR 4/LPDDR4X/LPDDR5，同时支持eMMC5.1， SDI O3.0和SFC以及UFS v2.0， RK3588 支持64位 LPDDR4/LPDDR4x/LPDDR5，支持eMMC5.1；搭配HS400，SDIO3.0搭配HS200，以及支持NMe和SFC。两者在内存数据位宽上不一样（64bit对比32bit），数据传输上RK3588更有优势。 超强的视频编解码能力 编码能力RK3588最高支持8K@30fps H.264/H.265，RK3576最高支持4K@60fps H.264/H.265。解码能力RK3588支持最高8K@60fps H.265，RK3576最高支持8K@30fps。两者都具备很强的视频编解码能力，在8K的视频编解码能力上RK3588更胜一筹。 支持多屏异显 两者都支持多屏异显和各种常见的显示接口。 RK3576最多支持3屏异显和最高可支持 (4K@120 + 2.5K@60 + 2K@60) ，具有HDMI v2.1/ eDP v1.3组合接口、MIPIDSI4通道、DP v1.4和USB3.0组合（Type - C）接口等多种接口。 RK3588最高可以支持 7屏异显和 支持8K ，具有双HDMI2.1/eDP V1.4组合接口、双MIPI - DSI TX 4通道以及双DP v1.3嵌入USB 3.1且带有音频和HDCP2.x。 摄像头视频输入对比 RK3576支持最高16MPixel ISP带有HDR和3DNR RK3588配备48M Pixel ISP带有HDR和3DNR，RK3588的像素ISP分辨率更高（48M对比16M） 具备丰富的接口配置 两者都配备了丰富的接口配置，PCIe/SATA/TYPE C/ USB3.0/ USB2.0/双网口/多路串口，满足不同的产品应用需求。 总结：性价比极高的RK3576 综合性能来讲，RK3588的CPU性能更强，强AI需求建议使用RK3588；但RK3576作为瑞芯微最新推出的一款高性能SOC，它可以说极具性价比， 以30%的价格获RK3588的70%的性能 ，可用于大部分AIOT、人工智能、工业应用等场景。RK3576作为瑞芯微的又一款良心大作，是您的不二之选。

本篇源自：优秀创作者 lulugl 本文将介绍基于米尔电子MYD-LR3576开发板（米尔基于瑞芯微 RK3576开发板）的人脸疲劳检测方案测试。 米尔基于RK3576核心板/开发板 【前言】 人脸疲劳检测 ：一种通过分析人脸特征来判断一个人是否处于疲劳状态的技术。其原理主要基于计算机视觉和机器学习方法。当人疲劳时，面部会出现一些特征变化，如眼睛闭合程度增加、眨眼频率变慢、打哈欠、头部姿态改变等。 例如，通过检测眼睛的状态来判断疲劳程度是一个关键部分。正常情况下，人的眨眼频率相对稳定，而当疲劳时，眨眼频率会降低，并且每次眨眼时眼睛闭合的时间可能会延长。同时，头部可能会不自觉地下垂或者摇晃，这些特征都可以作为疲劳检测的依据。米尔MYC-LR3576采用8核CPU+搭载6 TOPS的NPU加速器，3D GPU，能够非常轻松的实现这个功能，下面就如何实现这一功能分享如下： 【硬件】 1、米尔MYC-LR3576开发板 2、USB摄像头 【软件】 1、v4l2 2、openCV 3、dlib库：dlib 是一个现代化的 C++ 工具包，它包含了许多用于机器学习、图像处理、数值计算等多种任务的算法和工具。它的设计目标是提供高性能、易于使用的库，并且在开源社区中被广泛应用。 【实现步骤】 1、安装python-opencv 2、安装dlib库 3、安装v4l2库 【 代码实现】 1、引入cv2、dlib以及线程等： import cv2 import dlib import numpy as np import time from concurrent. futures import ThreadPoolExecutor import threading 2、初始化dlib的面部检测器和特征点预测器 detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor( 'shape_predictor_68_face_landmarks.dat' ) 3、定义计算眼睛纵横比的函数 def eye_aspect_ratio (eye): A = np.linalg. norm (np. array (eye ) - np. array (eye )) B = np.linalg. norm (np. array (eye ) - np. array (eye )) C = np.linalg. norm (np. array (eye ) - np. array (eye )) ear = (A + B) / ( 2.0 * C) return ear 4、定义计算头部姿势的函数 def get_head_pose ( shape ): # 定义面部特征点的三维坐标 object_points = np.array( , dtype=np.float32) image_pts = np.float32( for i in ]) size = frame.shape focal_length = size center = (size // 2, size // 2) camera_matrix = np.array( ], ], ], dtype= "double" ) dist_coeffs = np.zeros(( 4 , 1 )) (success, rotation_vector, translation_vector) = cv2.solvePnP( object_points, image_pts, camera_matrix, dist_coeffs, flags=cv2.SOLVEPNP_ITERATIVE ) rmat, _ = cv2.Rodrigues(rotation_vector) angles, _, _, _, _, _ = cv2.RQDecomp3x3(rmat) return angles 5、定义眼睛纵横比阈值和连续帧数阈值 EYE_AR_THRESH = 0.3 EYE_AR_CONSEC_FRAMES = 48 6、打开摄像头 我们先使用v4l2-ctl --list-devices来例出接在开发板上的列表信息： USB Camera: USB Camera (usb-xhci-hcd.0.auto-1.2): /dev/video60 /dev/video61 /dev/media7 在代码中填入60为摄像头的编号： cap = cv2.VideoCapture( 60 ) cap. set (cv2.CAP_PROP_FRAME_WIDTH, 480 ) # 降低分辨率 cap. set (cv2.CAP_PROP_FRAME_HEIGHT, 320 ) 7、创建多线程处理函数，实现采集与分析分离： # 多线程处理函数 def process_frame ( frame ): global COUNTER, TOTAL gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = detector(gray, 0 ) # 第二个参数为0，表示不使用upsampling for face in faces: landmarks = predictor(gray, face) shape = left_eye = shape right_eye = shape left_ear = eye_aspect_ratio(left_eye) right_ear = eye_aspect_ratio(right_eye) ear = (left_ear + right_ear) / 2.0 if ear < EYE_AR_THRESH: with lock: COUNTER += 1 else : with lock: if = EYE_AR_CONSEC_FRAMES: TOTAL += 1 COUNTER = 0 # 绘制68个特征点 for n in range ( 0 , 68 ): x, y = shape cv2.circle(frame, (x, y), 2 , ( 0 , 255 , 0 ), - 1 ) cv2.putText(frame, f"Eye AR: {ear: .2 f} " , ( 10 , 30 ), cv2.FONT_HERSHEY_SIMPLEX, font_scale, ( 0 , 0 , 255 ), 2 ) cv2.putText(frame, f"Blink Count: {TOTAL} " , ( 10 , 60 ), cv2.FONT_HERSHEY_SIMPLEX, font_scale, ( 0 , 0 , 255 ), 2 ) # 计算头部姿势 angles = get_head_pose(shape) pitch, yaw, roll = angles cv2.putText(frame, f"Pitch: {pitch: .2 f} " , ( 10 , 120 ), cv2.FONT_HERSHEY_SIMPLEX, font_scale, ( 0 , 0 , 255 ), 2 ) cv2.putText(frame, f"Yaw: {yaw: .2 f} " , ( 10 , 150 ), cv2.FONT_HERSHEY_SIMPLEX, font_scale, ( 0 , 0 , 255 ), 2 ) cv2.putText(frame, f"Roll: {roll: .2 f} " , ( 10 , 180 ), cv2.FONT_HERSHEY_SIMPLEX, font_scale, ( 0 , 0 , 255 ), 2 ) # 判断疲劳状态 if = EYE_AR_CONSEC_FRAMES or abs 30 or abs 30 or abs 30 : cv2.putText(frame, "Fatigue Detected!" , ( 10 , 210 ), cv2.FONT_HERSHEY_SIMPLEX, font_scale, ( 0 , 0 , 255 ), 2 ) return frame 8、创建图像显示线程： with ThreadPoolExecutor (max_workers= 2 ) as executor: future_to_frame = {} while True: ret, frame = cap. read () if not ret: break # 提交当前帧到线程池 future = executor. submit (process_frame, frame. copy ()) future_to_frame = frame # 获取已完成的任务结果 for future in list (future_to_frame. keys ()): if future. done (): processed_frame = future. result () cv2. imshow ( "Frame" , processed_frame) del future_to_frame break # 计算帧数 fps_counter += 1 elapsed_time = time. time 1.0 : fps = fps_counter / elapsed_time fps_counter = 0 start_time = time. time () cv2. putText (processed_frame, f "FPS: {fps:.2f}" , ( 10 , 90 ), cv2.FONT_HERSHEY_SIMPLEX, 0.7 , ( 0 , 0 , 255 ), 2 ) if cv2. waitKey ( 1 ) & 0 xFF == ord ( 'q' ): 实现效果： 根据检测的结果，我们就可以来实现疲劳提醒等等的功能。 整体代码如下： import cv2 import dlib import numpy as np import time from concurrent.futures import ThreadPoolExecutor import threading # 初始化dlib的面部检测器和特征点预测器 detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor( 'shape_predictor_68_face_landmarks.dat' ) # 修改字体大小 font_scale = 0.5 # 原来的字体大小是0.7，现在改为0.5 # 定义计算眼睛纵横比的函数 def eye_aspect_ratio ( eye ): A = np.linalg.norm(np.array(eye ) - np.array(eye )) B = np.linalg.norm(np.array(eye ) - np.array(eye )) C = np.linalg.norm(np.array(eye ) - np.array(eye )) ear = (A + B) / ( 2.0 * C) return ear # 定义计算头部姿势的函数 def get_head_pose ( shape ): # 定义面部特征点的三维坐标 object_points = np.array( , dtype=np.float32) image_pts = np.float32( for i in ]) size = frame.shape focal_length = size center = (size // 2 , size // 2 ) camera_matrix = np.array( ], ], ], dtype= "double" ) dist_coeffs = np.zeros(( 4 , 1 )) (success, rotation_vector, translation_vector) = cv2.solvePnP( object_points, image_pts, camera_matrix, dist_coeffs, flags=cv2.SOLVEPNP_ITERATIVE ) rmat, _ = cv2.Rodrigues(rotation_vector) angles, _, _, _, _, _ = cv2.RQDecomp3x3(rmat) return angles # 定义眼睛纵横比阈值和连续帧数阈值 EYE_AR_THRESH = 0.3 EYE_AR_CONSEC_FRAMES = 48 # 初始化计数器 COUNTER = 0 TOTAL = 0 # 创建锁对象 lock = threading.Lock() # 打开摄像头 cap = cv2.VideoCapture( 60 ) cap. set (cv2.CAP_PROP_FRAME_WIDTH, 480 ) # 降低分辨率 cap. set (cv2.CAP_PROP_FRAME_HEIGHT, 320 ) # 初始化帧计数器和时间戳 fps_counter = 0 start_time = time.time() # 多线程处理函数 def process_frame ( frame ): global COUNTER, TOTAL gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = detector(gray, 0 ) # 第二个参数为0，表示不使用upsampling for face in faces: landmarks = predictor(gray, face) shape = left_eye = shape right_eye = shape left_ear = eye_aspect_ratio(left_eye) right_ear = eye_aspect_ratio(right_eye) ear = (left_ear + right_ear) / 2.0 if ear < EYE_AR_THRESH: with lock: COUNTER += 1 else : with lock: if = EYE_AR_CONSEC_FRAMES: TOTAL += 1 COUNTER = 0 # 绘制68个特征点 for n in range ( 0 , 68 ): x, y = shape cv2.circle(frame, (x, y), 2 , ( 0 , 255 , 0 ), - 1 ) cv2.putText(frame, f"Eye AR: {ear: .2 f} " , ( 10 , 30 ), cv2.FONT_HERSHEY_SIMPLEX, font_scale, ( 0 , 0 , 255 ), 2 ) cv2.putText(frame, f"Blink Count: {TOTAL} " , ( 10 , 60 ), cv2.FONT_HERSHEY_SIMPLEX, font_scale, ( 0 , 0 , 255 ), 2 ) # 计算头部姿势 angles = get_head_pose(shape) pitch, yaw, roll = angles cv2.putText(frame, f"Pitch: {pitch: .2 f} " , ( 10 , 120 ), cv2.FONT_HERSHEY_SIMPLEX, font_scale, ( 0 , 0 , 255 ), 2 ) cv2.putText(frame, f"Yaw: {yaw: .2 f} " , ( 10 , 150 ), cv2.FONT_HERSHEY_SIMPLEX, font_scale, ( 0 , 0 , 255 ), 2 ) cv2.putText(frame, f"Roll: {roll: .2 f} " , ( 10 , 180 ), cv2.FONT_HERSHEY_SIMPLEX, font_scale, ( 0 , 0 , 255 ), 2 ) # 判断疲劳状态 if = EYE_AR_CONSEC_FRAMES or abs 30 or abs 30 or abs 30 : cv2.putText(frame, "Fatigue Detected!" , ( 10 , 210 ), cv2.FONT_HERSHEY_SIMPLEX, font_scale, ( 0 , 0 , 255 ), 2 ) return frame with ThreadPoolExecutor(max_workers= 2 ) as executor: future_to_frame = {} while True : ret, frame = cap.read() if not ret: break # 提交当前帧到线程池 future = executor.submit(process_frame, frame.copy()) future_to_frame = frame # 获取已完成的任务结果 for future in list (future_to_frame.keys()): if future.done(): processed_frame = future.result() cv2.imshow( "Frame" , processed_frame) del future_to_frame break # 计算帧数 fps_counter += 1 elapsed_time = time.time() - start_time if 1.0 : fps = fps_counter / elapsed_time fps_counter = 0 start_time = time.time() cv2.putText(processed_frame, f"FPS: {fps: .2 f} " , ( 10 , 90 ), cv2.FONT_HERSHEY_SIMPLEX, 0.7 , ( 0 , 0 , 255 ), 2 ) if cv2.waitKey( 1 ) & 0xFF == ord ( 'q' ): break # 释放摄像头并关闭所有窗口 cap.release() cv2.destroyAllWindows() 【总结】 【米尔MYC-LR3576核心板及开发板】 这块开发板性能强大，能轻松实现对人脸的疲劳检测，通过计算结果后进入非常多的工业、人工智能等等的实用功能。

深圳触觉智能 SOM7608核心板 现已上市，搭载瑞芯微RK3576/RK3576J高性能AIoT芯片平台，通过高速B2B连接器引出瑞芯微RK3576全部引脚资源，支持UFS2.0与eMMC5.1存储，支持全国产化。 RK3576集成了四核Cortex-A72和四核Cortex-A53处理器及独立NEON协处理器，6T超高算力NPU，支持4K120FPS高帧率视频解码及16M像素ISP的强大视频图像处理性能。 国产中高端AIoT平台 SOM7608核心板采用瑞芯微第二代8nm高性能AIoT芯片平台RK3576设计，集成四核Cortex-A72和四核Cortex-A53处理器，6Tops算力NPU，Mali G52 MC3 GPU，无论是语音识别、图像识别还是深度学习算法，都能实现快速响应和精准处理，为用户带来快速流畅的使用体验。 丰富接口拓展 SOM7608核心板拥有丰富的音视频拓展接口，支持FlexBus灵活的并行总线接口，可模拟不规则或者标准的协议，具有CAN-FD、UART、PCle2.1、SATA3.0、USB3.2、SAI、I3C等丰富的总线传输接口，为多种应用场景提供了强有力的支持。核心板模块逻辑框图，如下图所示： ​ 严苛品质 SOM7608核心板进行了严格的电源完整性和信号完整性仿真设计，通过各项电磁兼容、温度冲击、高温高湿老化、长时间存储压力等测试，稳定可靠，批量供货。采用高速B to B连接器封装，多层高密板沉金工艺，尺寸仅40x60mm。 ​ 强大AI算力 SOM7608核心板内置6Tops AI算力NPU，支持INT4/INT8/INT16/FP16混合运算，具有轻松转换TensorFlow/MXNet/PyTorch/Caffe等一系列框架模型的强大兼容性能，满足大多数行业人工智能模型的算力需求。 ​ 多媒体性能革新 SOM7608核心板支持HDMI2.1/eDP1.3、DP1.4、MIPI DSI等多个显示接口，可实现4K@120FPS高帧率视频解码与4K@60FPS编码，内置专门的图像预处理器和后处理器，内置3D GPU，能够完全兼容OpenGL ES1.1/2.0/3.2、OpenCL 2.0和Vulkan1.1以及最高16M像素ISP性能的图像信号处理器。 赋能多个行业应用 SOM7608核心板搭载瑞芯微RK3576高性能AIoT芯片平台，率先支持Android14与Linux等多操作系统，软硬件相结合进一步提升了资源利用率，使得设备在多任务处理、深度学习算法时更加游刃有余。广泛应用于AIoT、工业网关、HMI、工控、边缘计算、智慧商显、汽车电子等行业领域。 ​

在今年3月举办的RKDC2024大会上，飞凌嵌入式FET3576-C核心板作为瑞芯微RK3576处理器的行业首秀方案重磅亮相，并于今年6月率先量产发货，为客户持续稳定地供应，得到了众多合作伙伴的认可。 FET3576-C核心板此前已提供了Linux 6.1.57系统，为了满足更多客户的需求，飞凌嵌入式近日又为其成功适配了Android 14系统——硬件性能卓越的核心板与Android 14的深度组合，将为用户带来更加流畅、开放、智能的使用体验。 1、高性能处理器与高效系统架构 （1）RK3576处理器加持 FET3576-C核心板搭载了Rockchip RK3576处理器，拥有高性能的ARM Cortex-A72和Cortex-A53核心组合，确保了系统在处理复杂任务时的流畅度。Android 14操作系统对底层架构进行了优化，进一步提升了资源利用率，两者结合，使得设备在运行大型应用或进行多任务处理时更加游刃有余。 （2）高效能NPU与AI优化 FET3576-C内置的6TOPS超强算力NPU，与Android 14的AI加速功能相得益彰，无论是语音识别、图像识别还是深度学习算法，都能实现快速响应和精准处理，为用户带来更加智能的使用体验。 2、内存管理与存储优化 （1）大容量内存与高效管理 FET3576-C核心板支持最高4GB LPDDR4内存，配合Android 14的高效内存管理机制，有效减少了内存碎片，提升了应用启动速度和系统响应速度，即使在资源紧张的情况下也能保持流畅运行。 （2）快速存储与数据安全 32GB eMMC提供了充足的存储空间，Android 14的存储优化技术则进一步提升了数据读写速度，同时增强了数据保护措施，确保用户数据的安全与隐私。 3、界面优化与视觉享受 （1）高清显示与多屏异显 FET3576-C核心板支持多种显示接口，包括HDMI、MIPI DSI等，能够驱动高分辨率显示屏，还可以对图像进行AI智能修复；再配合Android 14的UI优化，能够带来更加细腻、清晰的视觉体验。三屏异显功能更是让设备在多媒体处理和多任务展示上更加灵活。 （2）智能交互与用户体验 Android 14在用户界面和交互设计上进行了全面升级，结合FET3576-C核心板的强大算力，使得设备的触控响应更加灵敏，语音助手和手势识别更加精准，为用户提供了更加自然、流畅的交互体验。 4、安全与隐私保护 FET3576-C核心板内置的RK Firewall技术，能实现真正的硬件资源隔离，通过硬件层面的安全隔离和管理，有效防止了恶意软件的攻击。 除此之外，Android 14系统也进一步加强了隐私保护功能，提供了更加严格的权限管理和数据加密措施。 总结来说，飞凌嵌入式FET3576-C核心板与Android14操作系统的深度适配，不仅充分发挥了核心板硬件的卓越性能，还通过系统的优化与升级，为用户带来了更加流畅、智能、安全的使用体验。对于工业、AIoT、边缘计算、智能移动终端以及其他多种数字多媒体相关的应用领域的专业用户而言，飞凌嵌入式FET3576-C核心板都是一个值得信赖的选择。