3. TinyML视觉流程

TinyML视觉应用的部署绝非“把模型文件烧进芯片”这么简单。一个完整的视觉流水线，从镜头前的光子到最终输出的类别标签或目标框，中间要经历图像采集、预处理、模型推理、输出后处理四个大阶段。而图像格式错误与输入归一化偏差，恰恰是贯穿这条流水线最隐蔽、也最容易引发“模型在PC上跑得好好的，一到嵌入式设备上就全线崩溃”的元凶。理解这条流水线，并精准定位格式与归一化在其中的作用点，是排错的第一性原理。

3.1 核心原理：四段式流水线中的数据契约

TinyML视觉流水线本质上是一条数据契约链——每一阶段输出的数据格式，必须严格匹配下一阶段的输入预期。任何一个环节的格式偏差，都会像多米诺骨牌一样向后传导，最终表现为推理精度骤降或输出完全错误。

四个阶段各自承担明确职责：

• 图像采集：由CMOS/CCD传感器输出RAW数据，经ISP（图像信号处理器）转换为YUV或RGB格式。此阶段决定了图像的原始色彩空间、位深（8bit/10bit）和分辨率。嵌入式平台常见的输出格式为YUV422、YUV420或RGB565。
• 预处理：这是格式与归一化的主战场。包括色彩空间转换（如BGR转RGB）、尺寸缩放（Resize）、归一化（将像素值从[0,255]映射到模型训练时的分布）、数据类型转换（uint8转float32）以及可选的图像增强操作。
• 模型推理：模型接收的是预处理后的张量（Tensor），其形状、数据类型、数值范围必须与训练时完全一致。TFLite Micro等推理引擎对输入张量的dtype（如int8、uint8、float32）和layout（NHWC/NCHW）有严格约束。
• 输出后处理：将模型的原始输出（logits、边界框坐标、置信度）转换为人类可读的结果。此阶段需要将归一化后的坐标映射回原始图像尺寸，并应用阈值过滤、NMS等算法。

格式与归一化在流水线中的位置具有“承上启下”的特性：预处理阶段是格式错误的集中爆发区，而推理阶段的输入校验是拦截错误的最后防线。理解这一点，排错时就能快速缩小排查范围。

3.2 判断方法：五步定位格式与归一化问题

当部署后出现“输出结果完全错误”或“精度明显低于预期”时，建议按以下顺序排查：

1. 检查输入张量元数据：打印模型输入节点的shape、dtype、量化参数（scale/zero_point）。对比训练脚本中的输入定义，确认是否一致。
2. 验证预处理输出：在PC端用相同预处理代码处理一张测试图，将结果保存为npy或bmp文件，再与嵌入式设备上预处理后的数据做逐像素对比。重点检查通道顺序和数值范围。
3. 检查归一化参数：确认scale和offset是否与训练时一致。例如训练时用ImageNet的mean=[0.485,0.456,0.406]、std=[0.229,0.224,0.225]，而部署时误用了[0,1]归一化，会导致输入分布偏移。
4. 验证量化一致性：若模型是INT8量化，需确认输入数据的量化方式（per-tensor还是per-channel），以及zero_point是否正确。常见错误是量化时未考虑非对称分布。
5. 后处理坐标还原：检查模型输出的坐标是否经过正确的缩放。例如模型输入是224×224，原图是1920×1080，坐标映射时需乘以缩放系数，且注意x/y轴对应关系。

3.3 案例拆解：一个“颜色错乱+精度下降”的实战排障

背景与约束：某智能家居项目，使用STM32H743（Cortex-M7，480MHz）部署MobileNetV2图像分类模型，用于识别室内物品。模型在PC端（TensorFlow 2.10）测试准确率92%，部署到嵌入式设备后准确率骤降至31%，且输出图像出现明显的红蓝通道互换现象。

初始现象：设备输出的分类结果中，所有“蓝色物体”被识别为“红色物体”，且整体置信度偏低。通过串口打印logits值，发现数值分布与PC端差异巨大。

关键数据与日志：

• PC端预处理：OpenCV读取BGR→转为RGB→Resize到224×224→归一化(除以255.0)→输入模型。
• 嵌入式端预处理：摄像头输出RGB565→转为RGB888→Resize到224×224→归一化(乘以1/255.0)→输入模型。
• 模型输入要求：float32，shape=[1,224,224,3]，数值范围[0,1]。

分析判断过程：

首先，红蓝通道互换说明嵌入式端的RGB888数据在内存中的排列顺序与模型预期不符。检查代码发现，摄像头驱动输出的RGB565转为RGB888时，字节序处理错误——将低字节当作R通道，高字节当作B通道，导致R和B互换。其次，精度下降的原因在于归一化操作：嵌入式端使用了乘以1/255.0，但PC端是除以255.0，两者数学等价，但嵌入式端使用了定点数近似（1/255≈0.00392），而PC端使用浮点精确值，导致微小偏差累积。

实际操作步骤：

1. 修正RGB565转RGB888的字节序：将高字节赋给R，低字节赋给B。
2. 将归一化改为浮点除法：float_val = (float)pixel_val / 255.0f;，避免定点近似。
3. 增加调试输出：将预处理后的图像数据通过UART导出，与PC端对比，确认像素值一致。

结果对比：修正后，准确率恢复至89%（剩余3%差异来自摄像头硬件噪声和Resize算法差异）。

风险与代价：字节序问题在嵌入式开发中极为常见，尤其在直接操作寄存器或DMA传输时。建议在驱动层增加格式自检函数，输出RGB888后立即验证R/G/B通道值是否符合预期。

复盘经验：格式错误往往伴随精度下降，但两者可能独立存在。排错时应先解决格式问题（颜色错乱、图像扭曲），再排查数值问题（归一化、量化）。

3.4 常见误区与总结复盘

总结：TinyML视觉部署的排错，本质上是数据契约的验证过程。格式与归一化不是孤立的两个步骤，而是贯穿采集、预处理、推理、后处理的全局约束。建议在项目初期就建立“数据一致性测试用例”，每次修改代码后自动运行，确保流水线各阶段的数据契约不被破坏。