机器学习在嵌入式设备中的新机遇：TinyML 完整教程

机器学习（ML）是解决模式识别问题的强大工具，能够将杂乱的原始数据转化为有用的信号。传统上，ML 算法依赖高性能计算资源，通常只能在云端运行。然而，随着算法和微处理器架构的进步，现在即使在最小的微控制器（MCU）上也能运行复杂的机器学习模型。这标志着 TinyML（微型机器学习） 时代的到来。

一、什么是嵌入式机器学习？它有哪些好处？

在嵌入式设备（如微控制器）上运行机器学习模型被称为 嵌入式机器学习。相比于依赖云服务器，它有以下几个显著优势：

• 消除数据传输风险：无需将数据上传到云端，从而避免了数据泄露和隐私问题。
• 强化保护：对知识产权、个人数据和商业秘密提供更强的本地保护。
• 节约带宽：ML 模型在设备本地执行，减少了对网络带宽的依赖。
• 低碳环保：微控制器功耗极低，相比云数据中心，碳足迹大幅减少。
• 实时响应：边缘设备上的 ML 模型可实现毫秒级推断，无需等待网络传输。

小提示：如果你正在开发物联网产品，嵌入式机器学习可以解决传统“云依赖”的延迟和隐私痛点，尤其适合对实时性要求高的场景。

二、什么是 TinyML？为什么它如此重要？

TinyML 是嵌入式机器学习的一个分支，专门针对内存、处理能力和功耗都极其有限的边缘设备（如 MCU）进行优化。它通过硬件、算法和软件的协同设计，使得设备能以 mW 甚至 µW 的功率完成传感器数据分析。

例如，智能手机中的音乐识别、相机夜视模式等，都是 TinyML 的早期应用。如今，TinyML 正在将 AI 能力推进到更小的设备中，包括 工业传感器、可穿戴设备、智能家居 等。

小提示：TinyML 的关键在于“压缩”和“优化”——让复杂的神经网络模型适配到只有几百 KB SRAM 和几 MB Flash 的 MCU 上。

三、TinyML 的市场前景与增长动力

根据市场研究，全球活跃物联网设备已超过 2500 亿台，每年增长 20%。麦肯锡预测，到 2025 年物联网行业将产生 4-11 万亿美元的经济影响。而 ABi Research 预计，TinyML 设备的出货量将从 2020 年的 1520 万台增长到 2030 年的 25 亿台。

核心驱动力：TinyML 从根本上解决了边缘设备的数据处理难题，让“无云”的智能决策成为可能。

四、TinyML 的典型应用与厂商方案

4.1 音频分析、语音人机界面与 3D 人脸识别

恩智浦（NXP） 的 i.MX RT117F 跨界 MCU 集成了 3D 人脸识别和活体检测功能，完全在本地执行，无需联网。它采用 1GHz Cortex-M7 + 400MHz Cortex-M4 双核，能在户外强光下正常工作，并能抵御照片或 3D 模型的欺诈。

图1：i.MX RT117F 3D人脸识别硬件结构框图（图片来源：NXP）

4.2 视觉、运动与手势识别

意法半导体（ST） 的 STM32Cube.AI 工具链帮助开发者在 STM32 MCU（Cortex-M4/M33/M7）上部署预训练神经网络。其 FP-AI-VISION1 功能包提供了三个实例：

• 食品识别（彩色 RGB24 帧）
• 人员存在检测（彩色 RGB24 帧）
• 人员存在检测（灰度 8 位帧）

目前该方案可识别 18 种常见食物，也可用于统计场景中的人数。

图2：食品识别模型的执行流程（图片来源：ST）

4.3 AIoT 赋能：英飞凌 ModusToolbox ML

英飞凌（Infineon） 于 2021 年推出 ModusToolbox ML，使其 PSoC 6 MCU 具备深度学习能力。该工具支持 TensorFlow 等主流框架，并提供模型优化和性能验证功能。英飞凌还与 SensiML 合作，通过 SensiML Analytics Toolkit 实现从数据采集到固件自动生成的完整流程。

图3：英飞凌 PSoC6 MCU 内部架构（图片来源：Infineon）

五、不断壮大的 TinyML 生态系统

TinyML 社区成立于 2019 年，汇聚了全球的研究者和工程师。生态系统中的关键参与者包括：

• Arm：Cortex-M55 处理器是目前最具 AI 能力的 Cortex-M 处理器，配合 Ethos-U55 microNPU，ML 性能比传统 Cortex-M 系统提升 480 倍。
• 树莓派（Raspberry Pi）：2021 年发布售价仅 4 美元的 Raspberry Pi Pico（基于 RP2040 双核 Cortex-M0+），可运行 TensorFlow Lite Micro，成为 TinyML 的超低成本开发平台。

小提示：即使你不是嵌入式专家，也可以利用 TensorFlow Lite for Microcontrollers 等开源工具快速上手 TinyML。

常见问题（FAQ）

问：TinyML 和普通机器学习有什么区别？

答：TinyML 专为资源极度受限的设备设计（通常 MCU 只有几十到几百 KB 内存），普通 ML 模型无法直接运行，需要经过量化、剪枝、蒸馏等优化技术。TinyML 侧重于低功耗、低延迟和本地推断。

问：我该选择哪种 MCU 来学习 TinyML？

答：推荐从 STM32（如 STM32F4 系列）或 Raspberry Pi Pico 开始，因为它们具有完善的开发工具链和社区支持。对于更高级的应用，可考虑 NXP i.MX RT 系列或 Infineon PSoC 6。

问：TinyML 需要联网吗？

答：不需要。TinyML 的核心优势之一就是本地运行，无需互联网连接。数据直接在设备上处理，只有必要时才传输少量关键信息（如警报或摘要）。

问：TinyML 会取代云端 AI 吗？

答：不会完全取代。TinyML 适用于低功耗、实时性高、隐私敏感的场景；而云端 AI 仍在大规模训练、复杂推理和全局数据聚合方面占有优势。两者是互补关系，未来会更多采取“边缘+云”混合架构。

总结与展望

TinyML 正在将智能从云端下沉到每一个微小的传感器和设备中。它通过低成本的硬件和高效算法，让数万亿的物联网设备能够自主感知、分析并行动。无论是工业预测维护、农业虫害监测，还是医疗健康监护，TinyML 都将带来碘伏性变革。未来，随着生态系统不断完善，我们将进入一个更健康、更可持续的智能世界。

关于贸泽电子：贸泽电子（Mouser Electronics）是一家全球授权半导体和电子元器件分销商，支持近 1,200 家知名品牌，提供数百万种在线产品，助力电子设计创新。