【先楫HPM5361EVK开发板试用体验】：4、TinyML测试(1)

1、TinyML简介

TinyML是指在边缘设备上运行的机器学习模型，通常是在资源受限的嵌入式系统上运行的轻量级模型。这些设备可以是智能手机、传感器、微控制器或其他嵌入式设备。TinyML的目标是在这些设备上实现低功耗、低延迟和隐私保护的机器学习应用。

TinyML的发展受益于多个技术进步，包括模型压缩、量化、剪枝和量化训练等技术。这些技术允许将大型的深度学习模型压缩到足够小的尺寸，以适应嵌入式设备的资源限制。此外，TinyML还依赖于优化的推理引擎和针对嵌入式设备的硬件加速器，以实现高效的模型推理。

TinyML的应用领域非常广泛，包括智能传感器、健康监测、物联网、智能音频处理、自动驾驶、智能家居等。通过在边缘设备上运行机器学习模型，可以实现实时的数据分析和决策，同时减少对云端计算资源的依赖，从而提高隐私保护和降低通信成本。

总的来说，TinyML代表了一种趋势，即将机器学习能力推送到边缘设备，从而实现更加智能化和高效的嵌入式系统。

2、测试

2.1 实验平台

RT-Thread：https://www.rt-thread.org/

TinyMaix:

https://en.wiki.sipeed.com/news/others/tinymaix_cnx/tinymaix_cnx.html

2.2 步骤

首先，基于开发板建立一个项目。

寻找现在软件包

软件包在嵌入式AI中

本次实验使用是TinyMaix包，已经被大神在RTT中配置好。

需要进行配置，主要是进行例程配置

等待例程配置完成

然后，编译、下载、打开命令台

输入help查看例程(VWW例程没有跑通)

运行结果

3、测试结果分析

Total param ~1.9 KB表示该模型的参数总量约为1.9 KB，这是一个非常小的模型，适合在资源受限的嵌入式设备上运行。OPS ~0.02 MOPS表示该模型的计算量约为0.02 MOPS（百万次操作每秒），这是一个非常低的计算量。buffer 1.4 KB表示该模型需要的缓冲区大小为1.4 KB，也是一个非常小的缓冲区。

最后的tm_run use 0.003 ms表示该模型的推理时间为0.003毫秒，这意味着该模型在嵌入式设备上可以实现非常快速的推理，非常适合实时应用。