📚 课程目录第3章 Edge Impulse项目回顾

3、Edge Impulse项目回顾：导出训练好的模型，理解模型类型（分类/回归）与部署选项

在完成Edge Impulse平台上的数据采集、特征工程与模型训练之后，我们面对的核心任务是将训练产物转化为能够在STM32上高效运行的嵌入式代码。这一过程并非简单的“一键导出”，而是需要工程师对模型类型、部署目标与资源约束有清晰的认知。本章将系统梳理Edge Impulse项目导出的完整流程，深入剖析分类与回归模型的本质差异，并详细解读不同部署选项（C++ SDK、库文件、EON Tuner优化）的适用场景与操作路径，为后续在STM32上的集成打下坚实基础。

3.1 模型类型深度解析：分类与回归的本质差异

Edge Impulse支持两大类监督学习任务：分类（Classification）与回归（Regression）。两者的根本区别在于输出空间的数学性质。分类模型的输出是离散的类别标签，通常通过Softmax层产生概率分布，所有类别的概率之和为1。例如，在工业设备故障诊断中，模型需要判断当前振动信号属于“正常”、“轴承磨损”还是“齿轮断裂”，输出为三个概率值，取最大者作为预测类别。而回归模型的输出是连续数值，没有类别边界，常用于预测温度、压力、位移等物理量。例如，基于电流信号预测电机绕组温度，输出是一个浮点数。

从模型架构角度看，分类模型通常在最后一层使用Softmax激活函数，配合交叉熵损失函数进行训练；回归模型则使用线性激活（或无激活），配合均方误差（MSE）或平均误差（MAE）损失函数。这一差异直接影响了部署后的后处理逻辑：分类模型需要解析概率向量并取argmax，回归模型则直接读取输出张量的数值。

对比维度	分类模型	回归模型
输出形式	离散标签 + 概率分布	连续数值
激活函数	Softmax	Linear / None
损失函数	交叉熵（Categorical Cross-Entropy）	MSE / MAE
评估指标	Accuracy, F1-Score, Confusion Matrix	MSE, MAE, R²
STM32后处理	argmax + 阈值判断	直接数值转换（如ADC标定）
典型应用	手势识别、语音命令、异常检测	温度预测、负载估算、位置估算

在Edge Impulse的“Model Testing”页面，分类模型会展示混淆矩阵和每个类别的精确率/召回率，而回归模型则展示预测值与真实值的散点图以及R²值。工程师在导出前必须明确自己的任务类型，因为部署代码的接口函数不同：分类模型调用run_classifier()，返回结构体包含classification数组；回归模型调用run_regressor()，返回结构体包含value数组。

经验提示：在Edge Impulse中，如果误将回归任务配置为分类（例如将温度值离散化为多个区间），会导致模型精度下降且部署后输出不直观。建议在“Create Impulse”阶段就明确任务类型，并检查“Label”设置是否为数值型。

3.2 模型导出流程：从训练完成到可部署文件

当模型训练完成且验证精度达标后，进入导出阶段。Edge Impulse提供多种导出格式，针对STM32部署，最常用的是“C++ Library”和“EON Tuner”两种路径。导出操作位于项目的“Deployment”页面，选择目标平台为“STM32”或“Generic C++”，系统会生成一个压缩包，包含完整的源代码、头文件、模型权重以及示例工程。

导出前必须进行模型量化（Quantization）。Edge Impulse默认支持int8量化，将浮点权重转换为8位整数，大幅减少Flash占用和RAM消耗。量化方式有两种：全整型量化（Full Integer Quantization）和浮点回退量化（Float Fallback Quantization）。前者将所有算子转为整型，推理速度最快但可能损失少量精度；后者保留部分浮点算子，精度更高但资源占用略大。对于STM32F4系列（Cortex-M4，无FPU），建议使用全整型量化；对于STM32H7系列（Cortex-M7，带FPU），可尝试浮点回退量化。

// 导出后的典型文件结构（解压后）
project-name/
├── edge-impulse-sdk/
│   ├── classifier/
│   │   ├── ei_classifier.h
│   │   └── ei_classifier.cpp
│   ├── model/
│   │   ├── ei_model.h
│   │   └── ei_model.cpp
│   └── tflite-model/
│       └── model_quantized.tflite
├── features/
│   └── ei_features.h
├── CMakeLists.txt
├── Makefile
└── README.md

导出时还需注意“EON Compiler”选项。EON（Edge Optimized Neural）编译器是Edge Impulse的专有优化技术，能将模型进一步压缩，减少RAM占用。对于资源受限的STM32，强烈建议勾选EON Compiler。根据官方数据，EON可将模型RAM占用降低40%-60%，Flash占用降低20%-30%，且推理速度提升10%-20%。

3.3 部署选项对比：C++ SDK vs 预编译库 vs EON Tuner

Edge Impulse为STM32提供三种主要部署方式，每种方式在集成难度、灵活性和性能上有显著差异。

部署方式	集成方式	优点	缺点	适用场景
C++ SDK（源码）	将全部源码加入STM32工程编译	完全可定制，可调试底层，无黑盒	编译时间长，需手动管理依赖	需要深度优化或定制推理逻辑
预编译静态库（.a）	链接预编译的libei.a文件	编译快，集成简单	无法修改内部实现，调试受限	快速原型验证，标准部署
EON Tuner（自动优化）	在云端自动搜索最优模型配置	自动平衡精度/内存/延迟，无需手动调参	需要联网运行，耗时较长	对RAM/Flash有严格限制的MCU

对于STM32系列，C++ SDK是最常用的方式。它提供了ei_classifier.h头文件，其中定义了EI_CLASSIFIER_INPUT_SIZE、EI_CLASSIFIFFER_OUTPUT_SIZE等宏，以及ei_impulse_result_t结构体。集成时，工程师需要将SDK文件夹复制到STM32工程目录，并在IDE（如STM32CubeIDE、Keil MDK）中添加头文件路径和源文件路径。同时，需要确保C++编译器已启用（STM32CubeIDE默认支持），并设置正确的堆栈大小（建议Heap≥8KB，Stack≥4KB）。

关键操作流程（C++ SDK集成到STM32CubeIDE）：
在Edge Impulse Deployment页面选择“C++ Library”，点击“Build”生成下载包。
解压后将edge-impulse-sdk和features文件夹复制到STM32工程根目录。
在STM32CubeIDE中右键工程 → Properties → C/C++ General → Paths and Symbols，添加edge-impulse-sdk、edge-impulse-sdk/classifier、features等路径。
在链接器设置中添加-u _printf_float（若使用浮点打印）和--specs=nano.specs（若使用精简库）。
在main.cpp中包含ei_classifier.h，并调用ei_impulse_init()进行初始化。

3.4 实战案例：振动信号分类模型导出与STM32资源预检

我们以一个工业电机振动监测项目为例。目标是在STM32F407VET6（Cortex-M4, 168MHz, 192KB RAM, 512KB Flash）上部署一个三分类模型（正常/不平衡/轴承故障）。训练数据来自加速度计采样，采样率2kHz，窗口大小256点，特征使用FFT频谱。

初始状态：模型在Edge Impulse上训练后，未量化版本精度为94.2%，模型文件大小约180KB。直接导出C++ SDK后，编译生成的固件显示Flash占用约420KB，RAM占用约85KB。这已经接近STM32F407的资源上限（Flash 512KB，RAM 192KB），且没有预留足够的空间给RTOS或通信协议栈。

分析过程：我们首先检查了模型结构，发现使用了Dense层（全连接层）作为分类器，参数量较大。接着，我们启用了EON Compiler和int8量化，重新导出。量化后模型精度降至92.8%（下降1.4%，在可接受范围内），但模型文件大小降至45KB。重新编译后，Flash占用降至约280KB，RAM占用降至约38KB。

操作步骤：

在Edge Impulse的Deployment页面，选择“STM32”作为目标，勾选“EON Compiler”和“int8 quantization”。
下载新的SDK包，替换工程中的旧文件。
在STM32CubeMX中确认时钟配置：使用外部晶振25MHz，PLL倍频至168MHz，APB1=42MHz，APB2=84MHz。
在main.c中增加堆栈大小：Heap_Size = 0x2000（8KB），Stack_Size = 0x1000（4KB）。
使用串口打印ei_impulse_result_t中的分类结果，验证推理正确性。

结果对比：优化前推理耗时约85ms/次，优化后降至42ms/次，满足50ms实时性要求。Flash和RAM占用均降至安全范围，为后续添加Wi-Fi模块（ESP8266）和MQTT协议栈留出了空间。

风险提示：int8量化在极端情况下可能导致精度骤降（超过5%）。在导出前，务必在Edge Impulse的“Model Testing”页面使用“Quantized (int8)”选项进行测试，对比量化前后的混淆矩阵。如果精度损失过大，可尝试“float fallback”模式，或增加训练数据量。

3.5 常见误区与复盘总结

误区一：忽略模型输入尺寸与传感器数据的匹配。Edge Impulse导出的SDK中，EI_CLASSIFIER_DSP_INPUT_FRAME_SIZE定义了每次推理所需的原始数据点数。如果STM32的ADC采样率或DMA缓冲区大小与此不匹配，会导致数据错位。例如，模型期望256点，但DMA配置为128点，则推理结果完全错误。解决方法是使用环形缓冲区，在DMA半满/全满中断中拼接数据。

误区二：在STM32上使用浮点运算但未启用FPU。STM32F4系列自带FPU，但需要在编译选项中启用-mfloat-abi=hard -mfpu=fpv4-sp-d16。如果未启用，浮点运算将调用软件库，推理速度下降5-10倍。在STM32CubeIDE中，可以在工程属性 → C/C++ Build → Settings → MCU Settings中勾选“Use Floating Point Unit”。

误区三：混淆分类与回归的API调用。分类模型使用run_classifier()，返回ei_impulse_result_t中的classification数组；回归模型使用run_regressor()，返回value数组。如果调用错误，编译会报错或运行时崩溃。

误区四：忽视内存对齐问题。Edge Impulse的模型权重使用alignas(16)声明，确保在Cortex-M4上使用SIMD指令时内存对齐。如果工程师在自定义内存池中分配缓冲区，必须保证16字节对齐，否则会触发HardFault。

复盘总结：模型导出不是终点，而是嵌入式集成的起点。工程师必须建立“资源预算”意识：在导出前预估Flash/RAM占用，在集成后实测推理延迟和功耗。建议在项目初期就使用EON Tuner进行多轮自动搜索，找到精度与资源的最佳平衡点。同时，保留量化前后的模型版本，以便在调试时对比行为差异。最后，务必在目标硬件上运行完整的端到端测试（传感器采集→预处理→推理→输出），因为仿真环境无法暴露真实时序和中断优先级问题。