📚 课程目录第2章 TinyML基础回顾

2、TinyML基础回顾：掌握TinyML核心概念、Arduino平台上的模型部署流程、常用开发板与传感器选型

TinyML是机器学习与嵌入式系统交叉领域中最具工程落地价值的分支，其核心目标是在功耗受限、计算资源有限的微控制器（MCU）上运行推理模型。与云端AI不同，TinyML强调本地化数据处理、低延迟响应和隐私保护。在Arduino生态中部署TinyML，意味着我们需要将训练好的模型转换为C++字节数组，并通过解释器在MCU上执行推理。本章将系统梳理TinyML的核心概念、Arduino平台上的标准部署流程，以及常用开发板与传感器的选型逻辑，为后续章节的项目封装打下坚实基础。

2.1 TinyML核心概念与工程约束

TinyML的本质是模型压缩与高效推理。在Arduino Uno这类仅有2KB SRAM和32KB Flash的平台上，传统深度学习模型几乎无法运行，因此需要采用量化（Quantization）、剪枝（Pruning）和知识蒸馏（Knowledge Distillation）等技术。其中，8位整数量化是最常用的手段，它将浮点权重映射到-128到127的整数范围，模型体积缩小4倍，推理速度提升2-3倍，而精度损失通常控制在1%-3%以内。

核心原理：TinyML的推理过程本质上是矩阵乘法和激活函数的反复执行。量化后的模型使用整数运算替代浮点运算，大幅降低了对MCU算力的要求。例如，一个用于手势识别的CNN模型，在TensorFlow中训练后为2.3MB，经int8量化后仅剩580KB，可以轻松放入ESP32的Flash中。

工程上，TinyML项目必须关注三个关键指标：模型体积（Flash占用）、峰值内存（RAM占用）和单次推理延迟。以Arduino Nano 33 BLE Sense为例，其配备Cortex-M4F内核（64MHz）、256KB RAM和1MB Flash，能够运行中等复杂度的MobileNetV1模型（约300KB量化后），但需要谨慎管理Tensor Arena（推理时的工作缓冲区）的大小。

平台	Flash	RAM	CPU频率	典型模型大小	适用场景
Arduino Uno	32KB	2KB	16MHz	<10KB	简单分类（如按键识别）
Arduino Nano 33 BLE	1MB	256KB	64MHz	100-400KB	语音关键词、姿态识别
ESP32	4MB	520KB	240MHz	200-800KB	图像分类、多传感器融合
Raspberry Pi Pico	2MB	264KB	133MHz	100-500KB	振动分析、异常检测

2.2 Arduino平台模型部署标准流程

在Arduino上部署TinyML模型遵循一套标准化的五步流程。第一步是模型训练与导出，通常使用TensorFlow或Edge Impulse完成；第二步是模型转换，将SavedModel或H5文件转换为TensorFlow Lite格式；第三步是生成C数组，利用xxd或在线工具将.tflite文件转为C语言头文件；第四步是编写推理代码，在Arduino IDE中调用TensorFlowLite库；第五步是验证与调优，通过串口输出结果并调整阈值。

// 典型Arduino TinyML推理代码结构
#include <TensorFlowLite.h>
#include "model.h"  // 量化后的模型字节数组

// 创建解释器和张量
tflite::MicroInterpreter interpreter(
  model_data, resolver, tensor_arena, kTensorArenaSize);

// 获取输入输出张量
TfLiteTensor* input = interpreter.input(0);
TfLiteTensor* output = interpreter.output(0);

// 填充输入数据（例如传感器读数归一化）
input->data.f[0] = (sensorValue - mean) / stddev;

// 执行推理
interpreter.Invoke();

// 解析输出
float confidence = output->data.f[0];

在部署过程中，Tensor Arena的大小设置是常见难点。它需要根据模型结构动态计算，通常建议设置为模型大小的10-20倍。如果设置过小，解释器会返回错误；设置过大则浪费RAM。一个实用的方法是先设为8KB，逐步增加直到推理成功。

经验提醒：使用Edge Impulse时，可以直接导出Arduino库，它已经封装好了特征提取和推理逻辑，只需调用ei_classifier_infer()函数即可。这比手动编写TensorFlow Lite代码更高效，适合快速原型验证。

2.3 常用开发板与传感器选型策略

开发板选型需要综合考虑算力、内存、外设接口和功耗。对于初学者，推荐Arduino Nano 33 BLE Sense，它板载麦克风、加速度计、陀螺仪、磁力计和环境光传感器，几乎覆盖了TinyML的典型应用场景。对于需要Wi-Fi或蓝牙传输的项目，ESP32是更经济的选择，其双核240MHz处理器和4MB Flash提供了充足的资源。

传感器选型则取决于物理量类型和采样频率。加速度计（如MPU6050）适合姿态识别，麦克风（如INMP441）用于语音关键词检测，温湿度传感器（如DHT22）适合环境监测。关键参数包括：采样率（Nyquist定理要求至少2倍信号频率）、分辨率（12位以上为佳）、接口类型（I2C/SPI/模拟输出）。

应用场景	推荐传感器	关键参数	推荐开发板	注意事项
手势识别	MPU6050（6轴IMU）	采样率≥100Hz	Nano 33 BLE	需校准零漂
语音唤醒	INMP441（I2S麦克风）	16kHz采样	ESP32	需做FFT预处理
异常振动检测	ADXL345（加速度计）	±16g量程	Arduino Uno	注意低频噪声
图像分类	OV7670（摄像头）	QVGA 30fps	ESP32-CAM	需外部PSRAM

2.4 案例拆解：基于Arduino Nano的振动异常检测

我们以一个工业设备振动监测项目为例，完整展示TinyML的部署闭环。项目背景：某工厂需要对电机轴承进行实时异常检测，传统阈值法误报率高，需要识别"正常"、"不平衡"和"轴承磨损"三种状态。约束条件：使用Arduino Nano 33 BLE Sense，电池供电，要求连续工作24小时以上，推理延迟小于100ms。

初始方案：使用板载加速度计以800Hz采样率采集振动数据，每256个样本为一个窗口（约0.32秒），提取时域特征（RMS、峰值、方差）和频域特征（FFT主频、频谱质心）。在Edge Impulse平台上训练一个2层全连接神经网络（输入层16个特征，隐藏层32个神经元，输出层3类）。

关键参数与调试过程：模型量化后大小为12.8KB，Tensor Arena设为4KB。首次部署时发现推理结果不稳定，经排查是传感器数据未进行归一化——加速度计原始值范围在±2g，而模型输入期望0-1范围。添加归一化代码后，准确率从82%提升至94%。

// 归一化处理
float norm_x = (accel_x + 2.0) / 4.0;  // 将-2g~2g映射到0~1
float norm_y = (accel_y + 2.0) / 4.0;
float norm_z = (accel_z + 2.0) / 4.0;

结果对比：部署后系统在测试集上达到93.7%的准确率，单次推理耗时38ms，平均功耗45mA（3.7V锂电池可工作约30小时）。相比传统阈值法（误报率15%），TinyML方案将误报率降低至2.3%。

风险提示：在项目中发现，当设备温度升高时，加速度计零漂增大，导致模型输入分布偏移。解决方案是每10分钟自动校准一次零偏值，或者使用温度补偿算法。这提醒我们，TinyML模型在真实环境中需要持续监控输入分布。

2.5 常见误区与总结复盘

在TinyML项目实践中，开发者常陷入以下误区：误区一：认为模型越小越好，忽略了特征工程的重要性。实际上，精心设计的特征提取往往比复杂的模型结构更有效。误区二：忽视RAM限制，在代码中声明大数组导致内存溢出。建议使用static关键字和内存池管理。误区三：直接使用浮点模型而不量化，导致Flash不足或推理过慢。

总结复盘：成功的TinyML项目遵循"数据优先、特征为王、量化保障、分层封装"的原则。在Arduino平台上，务必先确认模型体积和内存预算，再选择开发板。传感器选型时，要关注信噪比和采样率，而非单纯追求高精度。最后，建议将传感器驱动、模型推理和应用逻辑分离为三个独立模块，便于后续维护和复用。

通过本章的回顾，我们建立了TinyML从训练到部署的完整认知框架。下一阶段，我们将深入探讨如何将传感器数据采集、模型推理和业务逻辑进行分层封装，这正是本课程的核心主题——构建可维护、可扩展的Arduino TinyML项目架构。