在进行YOLOv3模型部署时，评估和选择最适合的硬件平台通常涉及以下几个关键因素：
1. 模型复杂度和性能需求：YOLOv3模型的复杂度较高，特别是使用更深的网络结构时。需要选择能够满足模型计算需求的硬件平台。
2. 实时性要求：对于需要实时响应的应用，如自动驾驶，应选择能够提供足够计算能力的硬件平台。
3. 能效比：考虑到边缘设备通常有能效和功耗限制，选择能效比较高的硬件平台是很重要的。
4. 成本预算：硬件成本是一个重要因素，需要根据项目预算选择性价比高的硬件。
5. 可扩展性和灵活性：硬件平台应支持模型的扩展和更新，以便未来可以升级或调整模型。
6. 开发和部署工具：硬件平台应提供易于使用的软件开发工具和库，以便于模型的移植和部署。
7. 兼容性和支持：选择得到广泛支持的硬件平台，可以减少开发和维护的难度。
8. 硬件资源：考虑到FPGA和ASIC等专用硬件加速器在特定任务上的性能优势，根据任务需求选择合适的硬件资源。
9. 模型量化和压缩：对于资源受限的硬件平台，可能需要对模型进行量化和压缩以减少计算和存储需求。
10. 实验测试：在选定硬件平台之前，进行实验测试以评估模型在该平台上的性能和资源消耗。
根据搜索结果，研究人员已经开展了在ARM+FPGA异构平台上部署YOLOv3模型的工作，通过模型剪枝、量化和硬件加速等技术，实现了在资源受限的平台上高效运行YOLOv3模型。例如，通过软硬件协同设计，使用轻量级的MobileNet网络，并提出适合硬件部署的量化方法，可以在保持较低功耗的同时，达到实时目标检测的性能。
此外，实验结果表明，该加速模块在200 MHz工作频率下，平均计算性能达到425.8 GOP/s，推理压缩模型速度达到30.3 fps，模块功耗为3.56 W，证明了该加速模块具备可配置性。
在选择硬件平台时，还需要考虑模型量化对精度的影响，以及硬件资源消耗和系统功耗等因素。
综合考虑上述因素，并结合具体的应用场景和项目需求，可以帮助评估和选择最适合的硬件平台进行YOLOv3模型的部署。
