第二章：工具链全景图
好，咱们进入正题。这一章我带你看看 Reality AI 工具链到底长什么样。说白了，就是搞清楚它有哪些零件、每个零件干嘛用、它们怎么串起来干活，以及这些年它都经历了什么变化。
我刚开始接触这套工具链时，第一反应是「东西真多」。但别慌，咱们一个一个拆开看。
2.1 工具链的组成模块
Reality AI 工具链，我个人习惯把它分成四大块。你想想看，做嵌入式 AI 无非就是：采集数据、训练模型、部署到硬件、然后验证对不对。工具链就是围绕这四步来的。
| 模块名称 | 功能定位 | 我常用的场景 |
|---|---|---|
| Reality AI Data Collector | 传感器数据采集与标注 | 接加速度计、麦克风，录原始数据 |
| Reality AI Model Builder | 自动模型搜索与训练 | 给一堆数据，让它自己找最优模型 |
| Reality AI Deployer | 模型压缩与代码生成 | 生成能在 MCU 上跑的 C 代码 |
| Reality AI Validator | 运行时验证与调试 | 在目标板上跑模型，看精度对不对 |
嗯，这里要注意：这四个模块不是独立的。它们之间有数据依赖关系。比如你数据没标好，后面模型训练就是白费功夫。我在项目中遇到过有人跳过数据验证直接部署，结果板子跑起来全是乱码。
2.2 各模块的功能定位
2.2.1 Data Collector
这个模块负责从传感器抓原始数据。支持 I2C、SPI、UART 这些常见接口。我个人习惯是先录一段 10 秒的静态数据，看看噪声水平。如果噪声太大，后面模型再牛也白搭。
2.2.2 Model Builder
这是工具链的核心。你给它标注好的数据，它会自动搜索几十种模型结构，选出精度和资源消耗最平衡的那个。我记得有一次做振动检测，它试了 200 多种组合，最后选了个只有 2KB 的模型，精度还到了 97%。
2.2.3 Deployer
这个模块把训练好的模型转成能在嵌入式设备上跑的代码。支持 ARM Cortex-M、RISC-V 等架构。它会做量化、剪枝、算子融合这些优化。我曾经遇到一个坑：默认的量化参数对某些传感器数据不友好，导致精度掉了 5%。后来手动调了量化范围才解决。
2.2.4 Validator
最后一步，在真实硬件上跑模型，验证结果。它会对比 PC 端和嵌入式端的输出，告诉你哪里不一致。这个模块我建议每个项目都跑一遍，别偷懒。
2.3 工具链的工作流程
下面这张图是我自己画的，把整个流程串起来了。你一看就明白。
这个流程看着简单，但实际跑起来会有很多坑。比如数据采集时采样率没设对，后面模型训练出来的结果就是错的。我曾经因为加速度计的采样率设成了 100Hz 但实际传感器只能稳定输出 50Hz，导致模型在部署后完全失效。
2.4 版本演进历史
Reality AI 工具链从 2018 年到现在，经历了几个重要版本。我列个表给你看。
| 版本 | 发布时间 | 主要变化 | 我的评价 |
|---|---|---|---|
| 1.0 | 2018 Q3 | 初版发布，支持基本的数据采集和模型训练 | 功能简陋，但方向对了 |
| 2.0 | 2019 Q4 | 加入自动模型搜索，支持更多传感器类型 | 终于能用了 |
| 3.0 | 2021 Q1 | 引入量化感知训练，部署模块大改 | 这个版本我用了很久 |
| 4.0 | 2022 Q3 | 支持 RISC-V，加入运行时验证工具 | 现在的主力版本 |
| 4.5 | 2023 Q4 | 优化了模型搜索速度，修复了多个量化 bug | 推荐升级 |
我记得从 3.0 升级到 4.0 时，很多旧项目需要重新做模型部署。因为量化接口变了。如果你还在用 2.0 版本，我建议赶紧升级。那个版本的量化工具确实不太成熟。
核心要点：
- 工具链四大模块：采集、训练、部署、验证
- 工作流程是串行的，但需要反复迭代
- 版本升级时注意量化接口的变化
我的小技巧：
每次升级工具链前，先把旧版本的项目完整备份。包括数据、模型、生成的代码。这样万一新版本不兼容，还能回退。我吃过这个亏，现在学乖了。
避坑指南：
我曾经在 3.0 版本下训练了一个模型，直接拿到 4.0 的 Deployer 去部署。结果生成的代码在板子上跑不起来。后来发现是两版的算子库不兼容。所以记住：训练和部署最好用同一个版本的工具链。
好了，这一章就到这里。工具链的全貌你应该心里有数了。下一章咱们开始动手搭建环境，我会把每个步骤的坑都提前告诉你。
公众号:蓝海资料掘金营，微信deep3321