上一篇文章，小编写了一篇“为什么AI会改变单片机的未来？”的文章，引起来广泛的留言、关注和加群的讨论。大多数读者的诉求是提供真实案例。

这不案例来了。（欢迎收藏+关注）

1、TinyML是什么？

在提供和讲解真实案例之前，我们需要先了解一下什么是TinyML。

TinyML（Tiny Machine Learning）是一种小型的推理模型，是在资源、算力与能耗都极度受限的微控制器（MCU）上运行的机器学习推理。

TinyML 的目标不是“把会聊天的大模型塞进 MCU”。它要解决的是：在毫瓦级功耗下，设备能否在本地做稳定的模式识别和简单预测。

现阶段，在单片机中的小型推理模型中的典型任务包含：关键词唤醒（KWS）、设备异常检测、姿态/手势识别、小型视觉分类或“是否有人”等。

TinyML 与“边缘 AI”还不太一样。边缘 AI 可以依赖瓦级算力（树莓派、Jetson 等），而 TinyML 的约束来自微控制器：SRAM 以百 KB 计、Flash 以 MB 计、算力以百 MHz 计、总线/缓存紧张。它擅长在噪声里找模式，而不是做长文本理解或大规模检索。

为什么TinyML正在成为主流？主要有三点原因：

• 能耗与隐私
  传感器“永远在线”时，把全部原始数据上传到云是不可承受的；端侧只上传“事件”，既省电也合规。
   
• 延迟
  很多动作（断电、急停、报警）不能等云端；由于云端的延时以及端侧推理的时间，会让系统更像“反射弧”。
   
• 成本
  一个高性价比 MCU + 小模型，比“云传输 + 云算 + 云存储”更可控，稳定性也更好。

2、什么MCU 适合做 TinyML？

先看“上板门槛”。如果我们的芯片满足下面这些条件，大概率可以把首个 Demo 跑起来。

维度	建议下限	要点
Flash（程序+模型）	≥ 512 KB（建议 1 MB）	运行库、模型、驱动和你的业务代码都会占空间；KWS/手势类模型常在几十至百 KB。
SRAM（推理 arena + 堆栈）	≥ 128 KB（建议 256 KB）	真正决定成败的是“中间张量峰值”，而不是总内存；必须测峰值。
核与指令	Cortex-M4F/M33/M55@80–200 MHz	有 DSP/向量/Helium 指令，卷积/点积会快很多；持续省电靠更短占空比。
外设链路	DMA + 定时器 + I2S/DFSDM/DVP	音频/摄像头不上 DMA，CPU 会被搬运任务拖垮；先把数据搬运跑稳再谈模型。
能耗预算	毫瓦级“始终在线”	唤醒链路设计成两到三级：小模型判定事件，再启动大模型或云端流程。
工具链	TFLite Micro / LiteRT、CMSIS-NN	成熟工具 = 少走 80% 弯路；可直接拿样例跑通，再替换你自己的模型。

做可行性评估的时候，务必还需要落实两件事：

1. 把 tensor arena 的峰值量出来

   模型上板后打印实际占用，并与中断栈、任务栈、DMA 缓冲放在同一张图里。

2. 把端到端延迟量出来

   采样→特征→推理→动作——每一段都打点，不要只看 Invoke() 时间。

3.可复制的开源案例（附 GitHub 路径）

不能登录GitHub的可以加小编的微信，我可以单独分享链接

案例 A｜端侧关键词唤醒（KWS）

• 思路

  PDM/I2S 麦克风 → MFCC → 轻量 CNN（或 DS-CNN）→ 执行动作。

• 开源工程
  1.ARM 官方 micro_speech示例（支持虚拟硬件与实板）：https://github.com/ARM-software/AVH-TFLmicrospeech 

2.约 20 KB 权重的 “Yes/No” KWS 示例（Arduino）：

https://github.com/martishin/arduino-tinyml-speech-recognition

3.Edge Impulse 的 KWS 脚手架（含数据采集与部署流程）

https://github.com/ShawnHymel/ei-keyword-spotting

案例 B｜微型“人形检测”（摄像头）

• 思路
  低分辨率灰度输入 → 轻量 CNN → 是否有人/是否运动。
• 开源工程
  ESP32-CAM 上运行 TFLM 的 person_detection 示例（Arduino 草图展示）：
  https://www.instructables.com/ESP32-CAM-Person-Detection-Expreiment-With-TensorF/

  

案例 C｜“带加速单元”的微控板

• 思路
  MCU + 小型 NPU/TPU 的异构组合，端侧加速器承载更大的模型。
• 资料
  Google Dev Board Micro 的 TFLM 工作流与板上摄像头/麦克风实践介绍：https://blog.tensorflow.org/2023/02/tensorflow-lite-micro-with-ml-acceleration.html

推荐几个小编关注的学习AI和大模型的公众号：