4. 部署前准备
在将 Edge Impulse 训练完成的模型导出为 Arduino 库之前，有一项极易被忽视却决定成败的步骤——部署前准备。很多开发者习惯性地直接点击 "Deploy" 按钮，生成 ZIP 库文件后导入 Arduino IDE，结果却遭遇编译失败、内存溢出或推理结果完全错误。这些问题的根源往往不在模型本身，而在于对目标硬件平台的认知不足。本章将系统讲解如何在导出库之前，完成目标开发板型号确认、传感器配置核对以及内存与算力评估，确保模型能够在嵌入式设备上高效、稳定地运行。
4.1 目标开发板型号确认：从芯片到板级的全面核对
核心原理：Edge Impulse 生成的 Arduino 库并非"一次编译，到处运行"的通用代码。库文件内部包含针对特定处理器架构（如 ARM Cortex-M4、M7、RISC-V 等）的优化指令集、CMSIS-NN 神经网络加速库以及硬件抽象层（HAL）配置。如果开发板型号不匹配，轻则编译报错，重则生成无法运行的二进制文件。因此，确认开发板型号是部署流程的第一道关卡。
判断方法与操作流程：在 Edge Impulse 的 Deployment 页面中，选择 "Arduino Library" 作为输出格式时，系统会要求指定目标设备。此时需要从下拉列表中选择与手中硬件完全一致的开发板型号。例如，Arduino Nano 33 BLE Sense 与 Arduino Nano 33 IoT 虽然外观相似，但前者搭载 nRF52840（Cortex-M4F，64MHz，256KB RAM），后者搭载 SAMD21（Cortex-M0+，48MHz，32KB RAM），两者的内存和算力差距悬殊。若误选型号，生成的库可能因内存不足而无法编译。
| 开发板型号 | 主控芯片 | 架构 | 时钟频率 | SRAM | Flash | FPU |
|---|---|---|---|---|---|---|
| Arduino Nano 33 BLE Sense | nRF52840 | Cortex-M4F | 64 MHz | 256 KB | 1 MB | 硬件 FPU |
| Arduino Nano 33 IoT | SAMD21 | Cortex-M0+ | 48 MHz | 32 KB | 256 KB | 无 |
| Arduino Portenta H7 | STM32H747 | Dual Cortex-M7/M4 | 480 MHz | 1 MB | 2 MB | 双 FPU |
| ESP32 DevKitC | ESP32-D0WD | Xtensa LX6 | 240 MHz | 520 KB | 4 MB | 单精度 FPU |
4.2 传感器配置核对：确保数据分布一致性
核心原理：Edge Impulse 模型训练时使用的传感器数据具有特定的采样频率、轴数、量程和位宽。部署到实际硬件后，传感器必须按照完全相同的参数进行配置，否则输入数据的特征分布会发生偏移，导致模型推理精度断崖式下降。例如，训练阶段使用 100Hz 采样率的加速度计数据，而部署代码中配置为 50Hz，则模型看到的时序特征被压缩，分类结果将不可靠。
操作流程：在导出库之前，需要逐一核对以下传感器参数：
- 传感器型号与通信接口：确认实际使用的传感器与训练数据采集时一致。例如，训练时使用板载 LSM9DS1 IMU，部署时若改用外部 MPU6050，则数据格式和量程可能不同。
- 采样频率：在 Edge Impulse 的 Data acquisition 页面中查看训练数据的采样率，然后在 Arduino 代码中设置相同的采样频率。通常通过定时器中断或传感器 FIFO 实现。
- 数据位宽与量程：加速度计通常配置为 ±2g、±4g、±8g 或 ±16g 量程，输出位宽为 16-bit。若训练时使用 ±2g，部署时误设为 ±16g，则数据分辨率降低，微小振动特征被量化噪声淹没。
- 轴数与数据顺序：确认传感器输出的轴顺序（X、Y、Z）与训练数据一致。某些库可能输出不同的轴排列，需要在代码中进行重映射。
4.3 内存与算力评估：EON Tuner 与手动估算
核心原理：嵌入式设备的资源是有限的。Edge Impulse 模型在推理时需要占用两类内存：SRAM（用于存放输入特征缓冲区、中间激活值、输出结果）和 Flash（用于存放模型权重、偏置、代码段）。算力则决定了推理延迟，即从输入数据到输出分类结果所需的时间。如果模型超出硬件资源上限，轻则编译失败，重则运行时看门狗复位或系统崩溃。
评估方法：Edge Impulse 提供了 EON Tuner 工具，可以自动搜索满足目标硬件资源约束的模型架构。在 Deployment 页面中，点击 "EON Tuner" 按钮，选择目标开发板型号，系统会列出不同模型配置下的 RAM/Flash 占用和推理时间。例如，对于 Arduino Nano 33 BLE Sense，EON Tuner 可能推荐一个 32KB RAM、60KB Flash、推理时间 45ms 的模型配置。
// 手动估算 RAM 占用示例（以 Arduino Nano 33 BLE Sense 为例）
// 特征缓冲区：采样窗口 200ms × 100Hz × 3轴 × 4字节(float) = 240KB
// 但实际使用环形缓冲区，通常为 2× 窗口大小 = 480KB → 超出 256KB SRAM！
// 解决方案：降低采样频率至 50Hz，或缩短采样窗口至 100ms，或使用 int16 代替 float| 资源项 | 估算公式 | 示例值（Nano 33 BLE Sense） | 优化策略 |
|---|---|---|---|
| 特征缓冲区 | 采样频率 × 窗口时长 × 轴数 × 字节数 | 100Hz × 2s × 3 × 4B = 2.4KB | 降低采样频率或缩短窗口 |
| 模型权重 | 由 EON Tuner 报告 | 约 30-80KB | 使用量化模型（int8） |
| 中间激活值 | 最大特征图尺寸 × 字节数 | 约 10-20KB | 减少全连接层节点数 |
| 推理时间 | 由 EON Tuner 报告 | 30-100ms | 启用 CMSIS-NN 加速 |
4.4 实战场景：从模型到硬件的完整适配流程
场景描述：假设我们需要在 Arduino Nano 33 BLE Sense 上部署一个基于加速度计的跌倒检测模型。训练阶段使用了 50Hz 采样率、±4g 量程、2 秒窗口（100 个采样点 × 3 轴）。模型为 1D 卷积神经网络，EON Tuner 报告 RAM 占用 28KB，Flash 占用 45KB，推理时间 35ms。
部署前检查清单：
- 开发板确认：在 Edge Impulse Deployment 页面选择 "Arduino Nano 33 BLE Sense"，系统自动匹配 nRF52840 架构。
- 传感器配置：在 Arduino 代码中初始化 LSM9DS1 加速度计，设置采样率 50Hz，量程 ±4g，输出数据顺序为 X、Y、Z。
- 内存评估：特征缓冲区 = 100 采样点 × 3 轴 × 4 字节 = 1.2KB；模型权重 45KB；中间激活值约 8KB；总计约 54.2KB，远低于 256KB SRAM，安全。
- 算力评估：推理时间 35ms，加上采样时间 20ms（100 点 / 50Hz），单次推理周期约 55ms，满足实时性要求（>10Hz 检测频率）。
- 编译验证：导出库并导入 Arduino IDE，编译后查看输出：Sketch uses 58,432 bytes (5%) of program storage space. Global variables use 12,340 bytes (4%) of dynamic memory. 确认无溢出。
结果与复盘：部署后实测推理准确率与训练时基本一致（94% vs 95%），推理时间实测 38ms，与估算接近。复盘发现，若当初选择 100Hz 采样率，特征缓冲区将翻倍至 2.4KB，模型输入维度变化可能导致 EON Tuner 重新搜索架构，增加部署复杂度。因此，在训练阶段就应明确部署目标，避免后期返工。