1、课程导入：学习目标、课程结构、所需软硬件环境与前置知识

TinyML（微型机器学习）正在将人工智能从云端数据中心推向数十亿个微控制器（MCU）节点。在众多落地场景中，人像检测（Person Detection）是最具代表性、也最贴近实际产品需求的应用之一——从智能门锁、安防摄像头到儿童看护设备，人像检测都扮演着核心角色。本课程以乐鑫ESP32-S3与OV2640摄像头模组为硬件载体，以TensorFlow Lite for Microcontrollers（TFLM）为推理引擎，带领学员完成一个从官方示例到自定义工程改造的完整闭环。本章作为课程的第一讲，将明确学习目标、梳理课程结构、说明软硬件环境要求，并帮助学员自查前置知识，确保后续章节的实操环节能够顺利推进。

1.1 学习目标：从“跑通示例”到“自主改造”

本课程的核心目标不是简单地下载并烧录一个官方示例，而是帮助学员建立对TinyML人像检测工程全链路的深度理解与改造能力。具体而言，完成本课程后，学员应达到以下四个层次的能力：

课程特别强调“工程改造”而非“从零训练”。这是因为在MCU上部署模型时，80%的工作量集中在模型转换、内存优化、外设适配和性能调优上，而非模型训练本身。因此，本课程将重点训练学员在有限资源下进行系统级调试与优化的能力。

1.2 课程结构：四阶段递进式学习路径

本课程共30章，按照“基础准备→示例拆解→改造实战→综合创新”四个阶段组织，每个阶段之间具有严格的逻辑递进关系。学员需要按照顺序学习，因为后续章节会频繁引用前面章节建立的代码工程和调试方法。

• 阶段一（第1-5章）：基础与准备。涵盖TinyML概念、ESP32-S3硬件架构、开发环境搭建、TFLM框架原理。这一阶段的目标是让学员具备必要的知识储备和工具链。
• 阶段二（第6-12章）：示例工程深度拆解。逐行分析官方Person Detection示例的代码结构、数据流、内存分配和推理调用链。这一阶段会引入大量调试技巧和日志分析方法。
• 阶段三（第13-20章）：工程改造实战。这是课程的核心部分，包括修改输入分辨率、更换模型文件、调整检测阈值、优化帧率、降低功耗等具体改造任务。每个任务都配有完整的代码修改示例和验证方法。
• 阶段四（第21-30章）：优化与综合项目。涉及更高级的主题，如模型量化感知训练、算子替换、多目标检测、以及一个完整的“智能门锁人像检测”综合项目。

每个章节都遵循“原理讲解→代码实现→调试验证→常见误区”的闭环结构，确保学员不仅知道“怎么做”，更理解“为什么这样做”。

1.3 所需软硬件环境：精确到版本与配置

为了确保课程中的每一个示例都能在学员自己的环境中复现，本节列出经过验证的软硬件配置。请学员务必在开始第2章之前，按照下表准备并验证环境。

1.4 前置知识自查：三个必备基础

在开始本课程之前，学员需要具备以下三个方面的基础知识。如果某些方面存在欠缺，建议先通过在线资源补齐，否则在课程进行到第10章之后可能会遇到理解障碍。

1. C/C++编程基础：需要熟悉指针操作、内存管理（malloc/free）、结构体、函数指针等概念。TFLM的代码大量使用C++模板和回调函数，如果对C++的类继承和虚函数不熟悉，建议先复习《C++ Primer》前6章。
2. 嵌入式系统基础：理解GPIO、I2C、SPI、UART等外设的基本工作原理，知道什么是中断、DMA、看门狗。特别是I2C和DMA，因为OV2640的初始化配置通过I2C完成，图像数据传输通过DMA搬运。
3. 机器学习基础概念：不需要会训练模型，但需要理解卷积神经网络（CNN）的基本结构（卷积层、池化层、全连接层）、输入张量的形状（height × width × channels）、以及量化（int8）与浮点（float32）的区别。这些概念在模型转换和内存分配章节会频繁使用。

1.5 案例拆解：一个典型的TinyML工程改造场景

为了帮助学员直观理解本课程将要解决的问题类型，这里展示一个典型的工程改造场景。假设我们有一个智能猫眼产品，最初使用官方Person Detection示例，但存在三个问题：（1）检测距离太近（官方模型对2米以外的人像不敏感）；（2）误报率高（宠物经过时经常触发）；（3）功耗过高（设备使用电池供电，官方示例的连续检测模式导致电池3天耗尽）。

针对这三个问题，本课程将引导学员进行如下改造：

• 问题1分析：官方模型输入尺寸为96×96像素，对于远距离人像，面部特征在降采样后丢失严重。改造方案：将输入尺寸调整为160×120，并重新训练一个针对远距离的模型（第15章）。
• 问题2分析：官方模型使用COCO数据集训练，包含“person”类别，但未针对宠物干扰进行优化。改造方案：收集包含宠物误触发的负样本，进行迁移学习（第18章）。
• 问题3分析：官方示例使用连续检测模式，CPU全速运行。改造方案：引入运动传感器（PIR）唤醒机制，仅在检测到运动时启动摄像头和推理（第24章）。

这个案例贯穿课程始终，每个章节的技术点都会映射到这个实际场景中。学员在完成课程后，将能够独立完成上述所有改造，并理解每个改动背后的性能权衡。

1.6 常见误区与学习建议

根据过往教学经验，学员在学习本课程时容易陷入以下几个误区，这里提前指出并给出规避建议：