3. 模型选型原则：给MCU挑个“能跑”的轻量模型
说实话，很多刚入坑嵌入式AI的朋友，第一个问题就是：“我该用哪个模型？”
我见过不少项目，模型在PC上跑得飞起，一部署到STM32上，要么Flash爆了，要么RAM不够，要么推理一次要好几秒。嗯，这就是典型的“选型翻车”。
咱们得明白一个道理：MCU不是GPU。它的Flash、RAM、算力（MIPS）都是按KB和MHz算的。所以，选模型的核心原则就一句话——在精度和资源消耗之间，找到那个最狠的平衡点。
核心选型三要素：
- Flash：模型权重和代码能塞进去吗？
- RAM：中间激活值和输入输出缓冲区够用吗？
- MIPS：每秒能处理几帧？实时性要求能满足吗？
3.1 四大轻量级模型横向对比
我个人习惯，在给STM32选模型时，会先看这四类：TinyML、MobileNetV1、DS-CNN、Temporal Convolutional Networks（TCN）。它们各有各的脾气，咱们一个一个说。
| 模型类型 | 典型参数量 | Flash占用（8bit量化后） | RAM占用（推理时） | 适用场景 |
|---|---|---|---|---|
| TinyML | 10K ~ 100K | 10KB ~ 100KB | 2KB ~ 20KB | 关键词唤醒、简单手势识别 |
| MobileNetV1 | 0.5M ~ 4.2M | 0.5MB ~ 4MB | 100KB ~ 500KB | 图像分类、目标检测（高精度需求） |
| DS-CNN | 20K ~ 500K | 20KB ~ 500KB | 10KB ~ 100KB | 音频分类、振动信号分析 |
| TCN | 50K ~ 1M | 50KB ~ 1MB | 50KB ~ 300KB | 时间序列预测、传感器数据流 |
我的经验： 别只看参数量。我遇到过MobileNetV1的0.5M版本，参数量看着不大，但深度可分离卷积的中间激活值特别多，RAM直接飙到400KB。STM32F4系列根本扛不住。所以，RAM才是真正的瓶颈。
3.2 逐个拆解：谁适合你的STM32？
3.2.1 TinyML：极致轻量，但精度有限
TinyML其实不是一个具体的模型，而是一类极简模型的统称。比如DNN（深度神经网络）或者极小的CNN。它的特点就是“小”，小到可以在Cortex-M0上跑。
我曾经在一个项目中，用TinyML做关键词唤醒。模型只有12KB，RAM只用了4KB，在STM32L4上跑一次推理只要5ms。效果嘛，唤醒率95%以上，够用了。
适合场景： 资源极度受限（Flash < 64KB，RAM < 16KB），且对精度要求不高的任务。
3.2.2 MobileNetV1：精度与资源的“妥协大师”
MobileNetV1的核心是深度可分离卷积。它把标准卷积拆成两步：先逐通道卷积，再逐点卷积。参数量和计算量直接降为原来的1/8到1/9。
但要注意，MobileNetV1的宽度乘数（α）和分辨率乘数（ρ）可以调。α=0.25时，模型只有0.5M参数，Flash占用约0.5MB。这在STM32H7系列上是可以跑的。
避坑指南： 我曾经在STM32F767上部署MobileNetV1（α=0.25），Flash勉强够，但RAM爆了。后来发现，问题出在输入分辨率上。我把输入从224x224降到160x160，RAM立刻降了40%。所以，先调分辨率，再调宽度乘数，这是省RAM的捷径。
3.2.3 DS-CNN：音频处理的“老熟人”
DS-CNN（Depthwise Separable Convolutional Neural Network）是专门为音频和振动信号设计的。它和MobileNetV1有点像，但结构更简单，层数更少。
我做过一个电机故障诊断的项目，用DS-CNN处理振动信号。模型只有80KB，RAM占用30KB，在STM32G4上跑一次推理只要2ms。效果比传统的FFT+阈值判断好太多了。
适合场景： 音频分类、振动分析、简单的一维信号处理。
3.2.4 TCN：时间序列的“新贵”
TCN（时间卷积网络）用因果卷积和空洞卷积来捕捉时间依赖。它比LSTM更轻量，而且可以并行计算，非常适合MCU。
我记得有个手势识别的项目，用TCN处理加速度计和陀螺仪的数据。模型200KB，RAM 80KB，在STM32L4上跑一次推理只要10ms。效果比LSTM好，而且不会出现梯度消失的问题。
适合场景： 传感器数据流、手势识别、心率监测等时间序列任务。
3.3 选型决策流程：一张图搞定
你想想看，面对这么多模型，怎么快速选？我一般会走这个流程：
3.4 实战选型清单：照着做就行
好了，理论说完了，咱们来点实际的。我总结了一个选型检查清单，你每次做项目前，照着过一遍就行。
- 确定任务类型：图像？音频？时间序列？还是其他？
- 测量MCU资源：Flash还剩多少？RAM还剩多少？CPU主频多少？
- 估算模型资源：用
netron看模型结构，或者用tflite_convert的--output-format参数导出资源报告。 - 对比资源余量：模型占用的Flash和RAM，不能超过MCU总资源的80%。留点余量给系统代码和堆栈。
- 评估推理速度：用
STM32Cube.AI或者TensorFlow Lite for Microcontrollers的benchmark工具，跑一次推理，看耗时。 - 如果超了：先降输入分辨率，再降宽度乘数，最后考虑量化（int8）。
- 如果还超：换更轻量的模型，比如从MobileNetV1换到TinyML。
一个小技巧： 我习惯在项目初期，先用STM32Cube.AI的--benchmark模式，直接输入模型文件，它会自动分析出Flash、RAM和MIPS的预估。这比手动算快多了。
3.5 总结：选型没有银弹
说白了，模型选型就是一场资源与精度的博弈。没有哪个模型是万能的。TinyML省资源但精度低，MobileNetV1精度高但吃RAM，DS-CNN和TCN各有专长。
我的建议是：先定任务，再定资源，最后定模型。别一上来就想着用最牛的模型，先问问你的STM32答不答应。