2、基础知识：TinyML模型输出的原始形式（分类概率、回归值、检测框等）与常见后处理目标
TinyML模型在MCU、DSP或低功耗NPU上完成推理后，产生的只是一组张量（Tensor）数据。这些数据是模型对输入样本的数学映射结果，尚未形成可供业务系统直接使用的决策指令。理解模型输出的原始形式及其物理含义，是设计后处理流程的前提。本章将系统梳理分类、回归、检测、分割等常见任务的输出结构，并明确后处理的核心目标——将“数值”转化为“动作”。
2.1 分类任务的输出：概率向量与logits
核心原理：图像分类、关键词识别（KWS）、异常检测等任务，模型最后一层通常输出一个长度为N的向量（N为类别数）。若经过Softmax激活，每个元素取值范围为[0,1]且总和为1，代表模型对输入属于各类别的置信度。若输出层为全连接层且未加激活（即logits），数值范围可为任意实数，需配合Softmax或Argmax使用。
判断方法：在TinyML场景中，由于MCU浮点能力有限，常使用量化后的int8或uint8输出。此时需要记录零点（zero_point）和缩放系数（scale），将量化值反量化为浮点概率。例如TensorFlow Lite Micro的输出张量，其q参数存储在tensor.quantization_params中。
// 伪代码：反量化分类概率
float dequantize(uint8_t q_val, float scale, int zero_point) {
return ( (float)q_val - (float)zero_point ) * scale;
}
// 取最大概率类别
uint8_t class_id = argmax(output_tensor, num_classes);案例拆解：以关键词识别“是/否/静音”三分类为例，模型输出为3个int8值。若反量化后得到[0.2, 0.7, 0.1]，则最大概率为“是”。但若阈值设为0.6，则0.7通过；若环境噪声导致输出[0.4, 0.45, 0.15]，则最大概率不足阈值，应判定为“不确定”，避免误触发。
2.2 回归任务的输出：连续数值与多维坐标
核心原理：回归任务输出一个或多个连续值，例如温度预测、距离估计、人体关键点坐标（x,y）、电机转速等。输出层通常为线性激活（无激活函数），数值范围取决于数据归一化方式。常见做法是输出归一化到[0,1]或[-1,1]的值，后处理时再映射到实际物理范围。
操作流程：
- 确认输出张量的维度（如1x2表示两个坐标值）。
- 反量化（若模型为量化模型）。
- 乘以缩放系数并加上偏移量，还原为物理值。
- 应用限幅（clamp），防止超出合理范围。
| 任务类型 | 输出维度 | 典型后处理 | 示例 |
|---|---|---|---|
| 温度预测 | 1 | 限幅、EMA平滑 | 输出0.65 → 映射为65°C |
| 人体关键点 | 17x2 | 坐标缩放、连接线绘制 | 输出(0.3,0.8) → 像素(96,256) |
| 距离估计 | 1 | 中值滤波、阈值判断 | 输出0.42 → 距离0.42m |
常见误区：忽略输出值的归一化基准。例如训练时若将温度除以100进行归一化，则推理输出0.65需乘以100才能得到65°C。若忘记反归一化，后续所有阈值判断将完全失效。
2.3 目标检测输出：检测框、类别与置信度
核心原理：检测模型（如MobileNet SSD、YOLO-Tiny）输出多个候选框，每个框包含：边界框坐标（x,y,w,h）、类别概率、置信度分数。在TinyML中，输出张量通常被展平为一维数组，需要按固定步长解析。例如SSD输出格式为：[num_detections, (y1,x1,y2,x2, class_id, score)]。
判断方法：解析检测框时需注意坐标系的归一化方式。常见两种：中心点坐标（cx,cy,w,h）或角点坐标（y1,x1,y2,x2）。后处理需将归一化坐标乘以图像宽高得到像素坐标，再进行NMS（非极大值抑制）去除重叠框。
// 解析SSD输出（假设输出为浮点数组）
for (int i = 0; i < num_detections; i++) {
float y1 = output[i*7 + 0] * img_height;
float x1 = output[i*7 + 1] * img_width;
float y2 = output[i*7 + 2] * img_height;
float x2 = output[i*7 + 3] * img_width;
int class_id = (int)output[i*7 + 4];
float score = output[i*7 + 5];
if (score > conf_threshold) {
// 保存候选框
}
}案例拆解：在MCU上运行人员检测，输入图像为96x96，模型输出5个候选框。其中两个框IoU为0.7，置信度分别为0.8和0.5。NMS将保留高置信度框，抑制低置信度框。若阈值设为0.5，则最终输出1个有效框，触发“有人进入”事件。
2.4 分割与异常检测输出：逐像素掩码与重构误差
核心原理：语义分割模型输出与输入同分辨率的逐像素类别概率图；异常检测模型（如自编码器）输出重构误差图或异常分数。在TinyML中，由于算力限制，分割输出通常下采样至原图的1/8或1/16，后处理需进行上采样（最近邻或双线性插值）恢复至原尺寸。
操作流程：
- 解析输出张量，每个像素位置包含C个类别概率（C为类别数）。
- 对每个像素执行Argmax，得到类别ID。
- 可选：应用条件随机场（CRF）或中值滤波平滑边缘。
- 将类别ID映射为颜色或业务标签。
常见误区：直接对量化输出做Argmax，忽略量化误差导致的类别边界噪声。建议先对概率做3x3中值滤波，再取Argmax。
2.5 后处理的核心目标：从数值到可靠决策
核心原理：后处理的目标可归纳为四个层次：去伪（降低误报）、存真（提高召回）、平滑（消除抖动）、映射（绑定动作）。在资源受限的TinyML设备上，后处理必须在几毫秒内完成，且不能引入过多计算开销。
判断方法：设计后处理流水线时，需根据业务容忍度选择策略：
| 业务场景 | 误报代价 | 漏报代价 | 推荐策略 |
|---|---|---|---|
| 火灾报警 | 高（消防出动） | 极高（生命危险） | 高阈值+连续N帧确认 |
| 手势识别 | 低（可重试） | 中（体验差） | 低阈值+滑动窗口投票 |
| 电机故障检测 | 中（停机检查） | 高（设备损坏） | EMA平滑+迟滞比较 |
案例拆解：工业设备振动监测，模型输出异常概率。若单次概率超过0.7即报警，则可能因随机噪声误报。采用“连续3次超过0.7才报警”的投票策略，误报率降低80%，但报警延迟增加约300ms（假设推理间隔100ms）。若设备允许此延迟，则策略有效。