-
基于TinyML和LoRaWAN技术的AIoT森林传感器，用于监测蘑菇生长环境并检测人体存在
采蘑菇是一项受欢迎的户外活动，尤其在斯洛文尼亚这里十分流行。但每位采菇者都知道其中的烦恼——你驱车前往最爱的采蘑菇地点，穿过森林，结果却一无所获。要么是因为天气条件不适合，要么是别人早就在你到达之前把所有蘑菇都采完了。
-
端侧AI性能突破：TinyML在Cortex-M7M33上的加速优化技巧
ARM Cortex-M系列处理器正在成为TinyML部署的主流平台。从Cortex-M0+到M4、M33和M7的演进路径清晰展示了MCU算力的持续提升。其中，Cortex-M7凭借双发射六级流水线和紧耦合存储器(TCM)成为高性能代表，而Cortex-M33则在M4基础上增强了安全特性并优化了能效比。然而，在资源受限的微控制器上部署深度学习模型仍然面临存储空间紧缺和计算能力有限的双重挑战。2025年MLPerf Tiny基准测试的最新结果为我们提供了量化参考：基于Cortex-M7的STM32H7完成关键词识别推理任务耗时19.50毫秒，而专用的AI加速器可将此数值压缩至1.80毫秒。这一近十倍的差距恰恰指明了TinyML软件优化的核心方向——通过算法与硬件的协同设计，充分释放Cortex-M内核的潜力。
-
嵌入式AI开发，TinyML模型部署到端侧推理优化
物联网与边缘计算蓬勃发展的当下，嵌入式AI开发中TinyML模型部署到端侧并进行推理优化，成为推动设备智能化升级的关键技术。TinyML旨在资源受限的微控制器单元(MCU)等低功耗嵌入式系统上运行轻量级机器学习模型，实现本地化智能决策与实时响应。
-
跨平台部署指南：TinyML模型从PyTorch到STM32ESP32的无缝迁移
TinyML的开发流程存在一个天然的断裂带：数据科学家习惯使用PyTorch等框架在云端GPU上训练模型，而嵌入式工程师则需要在Keil、Arduino或ESP-IDF环境中编写C++代码。这种技术栈的割裂导致模型从训练到部署往往需要数周的手工重写和调试。跨平台迁移的核心理念是建立一条自动化的转换流水线，让PyTorch训练的模型能够无损地运行在STM32和ESP32这类资源受限的微控制器上。本文将系统阐述从模型导出、格式转换到嵌入式集成的完整流程，并提供可复现的工程实践方案。
-
实时性保障：TinyML在RTOS环境下的任务调度与资源管理
在资源受限的嵌入式设备中部署TinyML(微型机器学习)模型时，实时性保障是核心挑战。传统RTOS(实时操作系统)通过优先级抢占式调度实现确定性响应，但TinyML的引入带来了计算负载与内存占用的双重压力。本文从任务调度机制、资源管理策略和C语言实现三个维度，系统性解析如何在RTOS环境下保障TinyML的实时性。
-
TinyML模型优化：嵌入式AI的量化与推理加速
在资源受限的嵌入式设备（如MCU、低功耗AI芯片）上部署深度学习模型时，需解决存储占用、计算延迟、功耗限制三大挑战。TinyML通过模型量化与推理加速技术，将ResNet、MobileNet等模型压缩至KB级，实现边缘设备的实时推理。本文从量化策略、算子优化、硬件协同三个层面解析关键技术。
-
TinyML模型部署：嵌入式AI推理的量化压缩与加速方法
在物联网与边缘计算蓬勃发展的背景下，TinyML（微型机器学习）技术通过将轻量化模型部署于资源受限的嵌入式设备，实现了本地化智能决策。然而，嵌入式设备的内存、算力与功耗限制，迫使开发者必须通过量化压缩与加速优化技术突破性能瓶颈。
-
如何使用TinyML构建一个完全离线运行的语音控制智能家居自动化系统
用你的声音控制你的家!我们的tinyml离线智能自动化让你说“灯亮”来切换设备-不需要云
-
RISC-V芯片上的TinyML实战：在蜂鸟E203部署AI模型
随着物联网（IoT）和边缘计算的快速发展，TinyML（微型机器学习）技术正逐渐成为推动智能设备创新的关键力量。RISC-V作为一种开源的指令集架构（ISA），以其灵活性和可扩展性在嵌入式系统中展现出巨大潜力。本文将介绍如何在RISC-V开源处理器蜂鸟E203上部署AI模型，实现TinyML应用。
-
AI模型部署优化：资源受限设备上的TinyML模型加速策略
在边缘智能系统中，TinyML模型的部署和优化至关重要，尤其是在资源受限的设备上。这类设备通常具有有限的计算能力、内存和能源，因此优化模型以在这些设备上高效运行变得尤为重要。本文将探讨如何利用SIMD（单指令多数据）指令集优化int8矩阵乘加运算，并讨论如何通过重构计算图实现神经网络中的零跳转流水，以优化分支预测。
-
从GenAI到PhyAI，大模型时代边缘智能的新思考与新范式
目前全球大概约有90%的AI都运行在基于Arm架构的CPU上面。而随着Arm在硬件、软件和生态上的合力，以及像AFA这样的创新授权模式的开启，预计未来伴随着端侧AI的爆发，Arm的开发者阵营还会持续扩大，Arm也将会借此释放AI前所未有的规模潜力。
-
TinyML研究和学习的小精灵 之二
出品21ic论坛 kk的回忆网站：bbs.21ic.com上次我们介绍了Wio终端的优异性能及简单的使用方法，这次我们看一下Wio终端的强大显示功能，并了解图形函数的使用方法。1.出色的显示功能在Wio终端上，最大的器件要数TFT显示屏了，其实在例程的数量上显示屏也是占...
-
Silicon Labs携手Edge Impulse加速实现机器学习应用
– 新开发工具实现在Silicon Labs物联网产品中集成TinyML –
