1. 课程导入
TinyML（微型机器学习）是边缘计算与嵌入式深度学习交叉领域中最具落地价值的技术方向之一。它旨在让毫瓦级功耗的微控制器（MCU）直接运行机器学习推理，无需将数据上传到云端。物体识别作为计算机视觉的核心任务，在TinyML场景下并非简单地将YOLO等大模型压缩，而是需要从数据采集、模型设计、量化部署到硬件适配进行全链路重构。本章作为整个课程的起点，将帮助您建立TinyML物体识别的整体技术框架，明确学习路径与实验环境，为后续章节的模型训练、优化与部署打下坚实基础。
1.1 TinyML核心原理与物体识别技术边界
TinyML的本质是在资源极度受限的嵌入式设备上实现机器学习推理。与云端AI不同，TinyML系统通常只有几十到几百KB的RAM可用，Flash存储也以MB为单位，CPU主频往往在几十到几百MHz之间。这种约束决定了TinyML物体识别不能直接套用大型卷积神经网络（CNN），而必须采用专门设计的轻量级架构。
物体识别在TinyML场景下通常特指图像分类任务——即判断输入图像属于预定义类别中的哪一类。与目标检测（输出边界框）或语义分割（逐像素分类）相比，图像分类的计算量最小，最适合MCU级别的硬件。例如，识别"苹果"与"香蕉"、判断"门是否开启"、区分"空瓶与满瓶"等，都是典型的TinyML物体识别应用。
从技术实现角度看，TinyML物体识别涉及四个关键环节：数据采集（低分辨率图像获取与标注）、模型设计（轻量CNN架构选择）、模型压缩（量化、剪枝、蒸馏）以及运行时优化（算子融合、内存复用）。每个环节都有独特的工程挑战，例如低分辨率图像（如96×96像素）会丢失大量纹理细节，导致特征提取困难；而INT8量化虽然能大幅减少内存占用，却可能引入精度损失。
1.2 学习目标与课程项目总览
完成本章及后续课程后，您将能够独立完成一个完整的TinyML物体识别项目。具体学习目标分为以下四个维度：
| 维度 | 具体目标 | 对应章节 |
|---|---|---|
| 理论理解 | 掌握轻量CNN原理、深度可分离卷积、量化感知训练等核心概念 | 第2-5章 |
| 工程实践 | 能够使用TensorFlow/Keras训练模型，并转换为TensorFlow Lite格式 | 第6-12章 |
| 硬件部署 | 在STM32或Arduino平台上完成模型部署与实时推理 | 第13-20章 |
| 优化调优 | 掌握模型压缩、内存优化、功耗调优等进阶技能 | 第21-28章 |
本课程的项目主线是一个"低分辨率图像垃圾分类系统"。您将使用OV7670摄像头（或模拟数据）采集96×96像素的RGB图像，识别塑料瓶、易拉罐、纸盒、玻璃瓶四类常见可回收物。项目分为三个阶段推进：第一阶段（第1-8章）完成数据准备与模型训练；第二阶段（第9-18章）实现模型量化与嵌入式部署；第三阶段（第19-30章）进行系统优化与功能扩展（如增加无线传输、多目标识别等）。
1.3 软硬件环境搭建与验证
在开始项目之前，必须搭建一套可复现的开发环境。以下是推荐的软硬件配置清单：
硬件环境
- 主控板：STM32F746G-DISCO（Cortex-M7，216MHz，512KB RAM，1MB Flash）或Arduino Nano 33 BLE Sense（Cortex-M4，64MHz，256KB RAM，1MB Flash）。推荐前者，因为其更大的RAM便于调试。
- 图像传感器：OV7670摄像头模块（支持VGA/QVGA输出，通过DCMI接口或SPI连接）。若暂时无硬件，可使用PC端模拟数据源。
- 调试工具：ST-Link调试器（STM32平台）或板载USB调试（Arduino平台）、逻辑分析仪（用于时序验证）。
软件环境
# 推荐使用Python 3.9+ 创建虚拟环境
python -m venv tinyml_env
source tinyml_env/bin/activate # Linux/Mac
# 或 tinyml_env\Scripts\activate # Windows
# 安装核心依赖
pip install tensorflow==2.13.0
pip install tensorflow-model-optimization==0.7.5
pip install numpy==1.24.3
pip install opencv-python==4.8.0.74
pip install matplotlib==3.7.2
pip install pyserial==3.5
# 嵌入式开发工具
# STM32用户：STM32CubeIDE 1.13+ 或 Keil MDK 5.37+
# Arduino用户：Arduino IDE 2.0+ 并安装Arduino_TensorFlowLite库环境搭建完成后，建议执行一个简单的验证流程：在PC上训练一个仅含两层卷积的微型CNN，输入为随机噪声图像，输出为4类概率分布。该验证的目的不是追求精度，而是确认TensorFlow、模型转换工具链和部署SDK之间的兼容性。
tf.lite.TFLiteConverter.from_keras_model()。若使用更高版本（如TF 2.16+），部分API已迁移至tf.lite.experimental命名空间，请务必参考官方迁移指南。此外，CMSIS-NN库仅支持Cortex-M3及以上内核，Cortex-M0/M0+设备无法使用硬件加速。
1.4 常见误区与学习路径建议
根据过往教学经验，初学者在TinyML物体识别项目中容易陷入以下误区：
- 误区一：盲目追求高分辨率。在MCU上，图像分辨率每提升一倍，内存占用将增加四倍。96×96×3（RGB）图像占用27KB，而192×192×3则需110KB，这往往超出MCU的SRAM容量。应优先使用低分辨率并配合数据增强弥补信息损失。
- 误区二：忽略数据采集环节。许多学习者直接使用公开数据集（如CIFAR-10），但实际部署时摄像头拍摄的图像与训练集分布差异巨大。建议从项目第一天就使用目标摄像头采集真实数据，哪怕数量少（每类50-100张），配合在线数据增强也能获得不错效果。
- 误区三：将量化视为"事后步骤"。如果在训练完成后才进行后训练量化（Post-Training Quantization），精度损失可能高达5-10%。正确的做法是使用量化感知训练（Quantization-Aware Training），在训练过程中模拟量化误差，使模型权重适应低精度表示。
- 误区四：忽视内存峰值分析。模型推理时的内存占用不仅包括权重，还包括中间激活值（feature maps）。例如，一个输入为96×96×8的卷积层，其输出激活值就需96×96×8=73KB，这往往比模型权重本身更占内存。部署前务必使用TensorFlow Lite的内存分析工具进行峰值评估。
最后，请务必理解TinyML物体识别的工程约束意识：在嵌入式领域，精度、速度、内存、功耗四者构成一个"不可能四边形"。例如，提升精度往往需要更深的网络，这会增加推理延迟和内存占用；而降低功耗则需要减少计算量，可能牺牲精度。作为工程师，您的核心能力在于根据具体应用场景（如电池供电的传感器节点 vs 持续供电的工业设备）做出合理的权衡决策。本课程将始终围绕这一核心矛盾展开，帮助您建立系统的工程判断力。