3. 模型选型：适合MCU的轻量级模型
模型选型这事儿，说白了就是给MCU找个合适的“脑子”。
我见过不少新手，一上来就选ResNet-50，结果发现MCU连模型参数都装不下。嗯，这其实是个很常见的误区——总以为模型越大越准。但在嵌入式世界里，能跑起来的模型才是好模型。
3.1 轻量级模型的核心指标
选模型之前，先搞清楚几个关键指标。我个人习惯用这三个维度来卡：
| 指标 | 含义 | MCU关注点 |
|---|---|---|
| 参数量（Params） | 模型权重总数 | 决定Flash占用，一般不超过1MB |
| 乘加运算量（MACs） | 每次推理的运算次数 | 决定推理速度，MCU通常< 100M MACs |
| 模型体积（Model Size） | 量化后的二进制文件大小 | 直接影响固件烧录和OTA升级 |
我的经验： 选型时先看RAM和Flash的余量。我曾经在一个只有256KB Flash的STM32F4上硬塞了一个300KB的模型，结果连RTOS都跑不起来。后来学乖了，留出至少30%的资源给系统栈和中间件。
3.2 MobileNetV1：MCU上的常青树
MobileNetV1为什么适合MCU？核心就一招——深度可分离卷积。
你想想看，普通卷积的计算量是：
DK × DK × M × N × DF × DF
而深度可分离卷积把它拆成两步：
DK × DK × M × DF × DF（深度卷积）
1 × 1 × M × N × DF × DF（逐点卷积）
算下来，计算量直接降到原来的 1/N + 1/DK²。说白了，就是用更少的运算干同样的活。
MobileNetV1典型配置（α=0.25）：
- 参数量：0.47M
- MACs：41M
- 模型大小（INT8量化后）：约470KB
- 在Cortex-M4上推理：约200-400ms/帧
我在一个智能门锁项目里用过这个配置。当时MCU是STM32L4，Flash 512KB，RAM 128KB。量化后模型刚好塞进去，推理一次大概350ms，完全满足门锁的人脸识别需求。
3.3 TinyMLPerf基准：选型的“体检报告”
TinyMLPerf是Google和MLCommons推出的嵌入式ML基准测试。它不只是一个跑分工具，更是一张选型地图。
我建议你重点关注这几个基准模型：
| 基准模型 | 任务 | 典型MCU | 推理时间 |
|---|---|---|---|
| MobileNetV1 0.25 | 图像分类 | Cortex-M4 @ 80MHz | ~300ms |
| DS-CNN | 关键词唤醒 | Cortex-M7 @ 400MHz | ~50ms |
| Anomaly Detection | 异常检测 | Cortex-M0+ @ 48MHz | ~100ms |
| ResNet-8 | 视觉唤醒 | Cortex-M4 @ 200MHz | ~150ms |
避坑指南： 我曾经直接拿TinyMLPerf的公开数据来估算自己的项目，结果发现实际推理时间比基准慢了2倍。为什么？因为基准测试用的是理想条件——连续推理、无中断、DMA全开。你的项目里还有传感器采集、通信协议栈、看门狗……这些都会抢CPU时间。所以，基准数据只能做参考，最终一定要在自己的板子上实测。
3.4 模型复杂度与硬件资源的匹配法则
怎么判断一个模型能不能跑在你的MCU上？我总结了一个“三步匹配法”：
- Flash匹配： 模型体积 ≤ Flash总容量 × 70%
- RAM匹配： 激活值缓冲区 + 权重缓冲区 ≤ RAM总容量 × 60%
- 算力匹配： MACs ÷ 主频 ÷ 2（MAC/cycle） ≤ 目标推理时间
举个例子。假设你有个Cortex-M4，主频100MHz，Flash 512KB，RAM 128KB。你想跑MobileNetV1 0.25（41M MACs，470KB模型）。
- Flash：470KB ≤ 512KB × 70% = 358KB？不满足！
- RAM：激活值约200KB（假设输入224×224×3）≤ 128KB × 60% = 76.8KB？严重不满足！
所以这个配置根本跑不了。怎么办？两个方向：
- 降输入分辨率： 从224×224降到96×96，激活值从200KB降到约37KB
- 剪枝+量化： 模型体积从470KB压到200KB以内
嗯，这就是我们后面几章要讲的内容了。
3.5 选型决策流程图
下面这张图是我自己项目里常用的选型流程，你可以直接拿来用：
3.6 我的选型清单
最后，分享一份我常用的选型清单。每次开始新项目，我都会对着它过一遍：
- 任务需求： 分类、检测、唤醒？精度要求多少？
- 硬件约束： Flash/RAM余量、主频、外设带宽
- 模型候选： MobileNetV1、DS-CNN、TinyMLPerf基准模型
- 量化策略： INT8还是FP16？是否需要混合精度？
- 推理框架： TensorFlow Lite Micro、CMSIS-NN、自家引擎？
- 实测验证： 在目标板子上跑一遍，记录真实推理时间和内存占用
一句话总结： 模型选型不是找“最好的”，而是找“最合适的”。MobileNetV1是MCU上的万金油，TinyMLPerf是选型的导航仪，而你的硬件资源就是最终裁判。别贪大，能跑起来才是硬道理。