2. 视觉链路基础
TinyML视觉系统与云端视觉系统最大的差异在于资源边界：内存以KB计、算力以GOPS计、功耗以mW计，而延迟要求却往往在数十毫秒内。理解视觉链路的基本流程与延迟构成，是进行延迟优化的前提。只有知道时间花在哪里、为什么花在那里，才能做出有效的拆分与并行决策。本章将视觉链路拆解为采集、预处理、推理、后处理四个阶段，逐一分析其功能职责、延迟来源与测量方法，并给出一个完整的延迟拆解案例。
2.1 图像采集：从光子到内存的延迟链
图像采集是视觉链路的第一环，其延迟由传感器曝光时间、像素读出时间、接口传输时间和DMA搬运时间四部分构成。曝光时间取决于环境光照和目标帧率，在低照度场景下可能需要20-30ms才能积累足够光子；读出时间则与传感器分辨率、ADC位数和通道数直接相关。以OV2640为例，200万像素、10位ADC、4路并行读出时，帧读出时间约为15ms。MIPI接口传输时间与时钟频率和通道数成反比，而DMA搬运时间则取决于系统总线带宽和内存控制器效率。
在实际嵌入式系统中，采集延迟往往被低估。许多开发者只关注传感器标称帧率，却忽略了从"请求帧"到"数据可用"之间的完整时序。例如，一个标称30fps的传感器，其帧间隔为33ms，但实际曝光可能在帧间隔的前半段完成，后半段用于读出和传输。如果应用在帧间隔中点发起采集请求，实际等待时间可能接近一个完整帧周期。
2.2 预处理：被低估的隐藏延迟
预处理阶段包括色彩空间转换（YUV→RGB）、缩放、裁剪、归一化、数据类型转换（uint8→float32）以及数据重排（NHWC→NCHW）。这些操作看似简单，但在资源受限的MCU上，其延迟可能超过推理延迟的30%。原因在于：预处理涉及大量内存读取-修改-写入操作，且通常以逐像素方式执行，无法充分利用CPU的SIMD指令或硬件加速器。
以320×240 RGB图像转换为模型输入张量为例，若模型需要224×224×3的float32输入，预处理需要完成：缩放（涉及双线性插值）、格式转换（uint8→float32）、归一化（除以255并减均值）、数据重排。在Cortex-M7 @ 200MHz上，这一过程大约需要5-8ms，而一个MobileNetV2量化模型推理仅需15-20ms。预处理延迟占比接近30%，是优化的重要目标。
| 预处理操作 | 计算量（MAC） | 内存访问量 | 典型延迟（@200MHz） |
|---|---|---|---|
| 双线性缩放（320×240→224×224） | 约15万次乘法 | 读原图+写目标图 | 2-3ms |
| RGB→RGB归一化+类型转换 | 约15万次运算 | 读+写各150KB | 1-2ms |
| NHWC→NCHW重排 | 0（纯搬运） | 读+写各150KB | 1-2ms |
| 合计 | 约30万次 | 约600KB | 4-7ms |
预处理优化的核心思路是算子融合：将缩放、归一化、类型转换合并为单次遍历操作，避免中间结果的多次内存写入。例如，在缩放的同时完成归一化，将浮点乘法改为定点移位运算，可减少约40%的预处理延迟。
2.3 推理：计算与内存的双重瓶颈
推理延迟是视觉链路中最受关注的部分，但它的构成远比"模型计算量"复杂。推理延迟 = 算子计算时间 + 内存访问时间 + 调度开销。在TinyML场景中，内存访问时间往往超过计算时间。以3×3卷积为例，若输入特征图为32×32×16，输出为32×32×32，计算量为约47万次MAC，在Cortex-M4 @ 80MHz上约需6ms；但若采用im2col方式实现，需要额外分配约200KB的中间缓冲区，内存访问量增加3倍，实际延迟可能达到10ms以上。
调度开销同样不可忽视。一个包含50个算子的模型，若每个算子有10μs的调度开销，总开销为0.5ms，占推理延迟的3-5%。在实时性要求高的场景中，可通过算子融合（如Conv+BN+ReLU合并）减少调度次数，或使用静态图执行引擎避免动态图解释开销。
2.4 后处理：从张量到决策的最后一跳
后处理阶段将模型输出的原始张量转换为应用可用的结果。对于分类任务，后处理仅需argmax和阈值判断，延迟可忽略；但对于目标检测任务，后处理包括置信度过滤、边界框解码、非极大抑制（NMS）等操作，延迟可能达到2-5ms。NMS的复杂度为O(n²)，当候选框数量超过100时，排序和IoU计算将消耗大量CPU周期。
后处理优化的常用策略包括：在模型输出端减少候选框数量（如使用稀疏预测头）、将NMS简化为贪心近似、使用定点IoU计算替代浮点运算。对于资源极度受限的场景，可考虑将NMS部分逻辑移至上位机，仅传输原始检测结果。
2.5 案例拆解：智能门锁人脸检测延迟优化
某智能门锁产品使用ESP32-S3（240MHz双核，512KB SRAM）运行人脸检测模型，原始视觉链路延迟为180ms，无法满足"从唤醒到识别完成小于150ms"的产品需求。初始延迟分布如下：
- 图像采集（OV2640，800×600，YUV422）：45ms（曝光20ms + 读出15ms + 传输10ms）
- 预处理（缩放至160×120 + RGB888转换 + 归一化）：28ms
- 推理（MobileNetV2-0.25量化，输入160×120×3）：95ms
- 后处理（置信度过滤 + 坐标映射）：12ms
优化过程分为三步。第一步，将传感器分辨率降至400×300，曝光时间从20ms降至10ms（通过提高ISO补偿），采集延迟降至25ms。第二步，将预处理中的缩放与格式转换融合，并利用ESP32-S3的SIMD指令优化，延迟从28ms降至9ms。第三步，将模型输入从160×120降至128×128，并采用深度可分离卷积的定点优化实现，推理延迟从95ms降至58ms。后处理通过简化NMS（仅保留Top-5候选框），延迟从12ms降至3ms。
优化后总延迟为25+9+58+3=95ms，满足产品需求。整个优化过程中，延迟拆解表发挥了关键作用：它帮助团队识别出采集和预处理是"隐藏瓶颈"，而非仅关注推理模型本身。
| 阶段 | 优化前 | 优化措施 | 优化后 | 降幅 |
|---|---|---|---|---|
| 采集 | 45ms | 降分辨率+提ISO | 25ms | 44% |
| 预处理 | 28ms | 算子融合+SIMD | 9ms | 68% |
| 推理 | 95ms | 输入裁剪+定点优化 | 58ms | 39% |
| 后处理 | 12ms | 简化NMS | 3ms | 75% |
复盘经验：延迟优化不应只盯着推理模型，采集和预处理往往存在更"廉价"的优化空间。但降分辨率会牺牲检测精度，需通过模型蒸馏或数据增强补偿；提高ISO会引入噪声，需在图像质量与延迟之间找到平衡点。
2.6 常见误区与总结
在视觉链路延迟分析中，常见误区包括：只测平均延迟不测P95/P99（实时系统应关注最坏情况）；忽略缓存效应（同一算子在不同数据布局下延迟差异巨大）；将传感器帧率等同于采集延迟（帧率是稳态指标，采集延迟是瞬态指标）；未考虑DMA与CPU的并行性（合理使用双缓冲可隐藏采集延迟）。
正确的延迟拆解方法应遵循以下流程：首先，使用逻辑分析仪或GPIO标记各阶段起止时间，获取精确的延迟分布；其次，识别占比超过15%的阶段作为优化目标；再次，针对目标阶段进行微基准测试，区分计算瓶颈与内存瓶颈；最后，实施优化并重新测量，确保没有引入新的瓶颈。