第二章：项目构思与需求分析

大家好，我是你们的TinyML实战讲师。今天咱们聊聊一个项目最开始的阶段——构思与需求分析。说实话，我见过太多工程师一上来就急着选芯片、调模型，结果做到一半发现方向错了，或者硬件根本跑不动。嗯，这章就是帮你避免这种尴尬的。

2.1 如何从实际问题出发构思TinyML项目

很多同学问我：「老师，TinyML到底能做什么？」我的回答永远是——先别想技术，先想问题。

我个人习惯是，每天花10分钟观察身边哪些事情「明明可以自动化，却还在靠人」。比如：

• 工厂里工人用手电筒照螺丝有没有拧紧？——这可以用振动检测+异常分类
• 家里老人总忘记关煤气？——可以用气体传感器+火焰识别
• 宠物饮水机的水位经常被忽略？——电容式液位检测+边缘推理

你看，这些场景的共同点是：数据量小、实时性要求高、不能依赖云端。说白了，就是TinyML的天然主场。

所以，构思阶段的核心原则就一条：从「能不能做」倒推，而不是从「想做什么」出发。

2.2 需求文档撰写——别让文档变成废纸

我见过最离谱的需求文档，写了30页，全是「系统应具备高可靠性」「界面应友好」这种废话。你想想看，什么叫「高可靠性」？是99%还是99.999%？

好的需求文档，应该像一份技术合同。我一般会要求团队至少包含以下内容：

需求类别	示例	为什么重要
功能需求	设备每100ms采集一次加速度数据，通过阈值检测判断是否发生跌倒	明确「做什么」
性能需求	从事件发生到输出报警，延迟不超过200ms	明确「做到什么程度」
功耗需求	使用200mAh电池，待机≥30天，连续工作≥8小时	直接影响硬件选型
成本需求	BOM成本控制在$5以内（不含电池）	决定芯片档次
环境需求	工作温度-20℃~60℃，防护等级IP65	影响封装和散热设计

2.3 技术可行性评估——别拍脑袋

需求写完了，别急着高兴。接下来这一步，我称之为「死亡三问」：

1. 数据能拿到吗？——我曾经有个项目要做「咳嗽声检测」，结果发现公开数据集全是英文咳嗽，中文咳嗽的声学特征完全不同。最后团队自己录了2000条咳嗽声，累到崩溃。
2. 模型能跑得动吗？——拿一个MobileNetV2直接往Cortex-M4上怼？别闹。我建议先用TensorFlow Lite Micro的模型库查一下，看看目标芯片的RAM和Flash能不能装下。
3. 功耗能接受吗？——很多同学忽略了一个点：传感器本身的功耗可能比MCU还高。比如一个IMU传感器持续工作可能吃掉5mA，而MCU休眠时才10μA。你想想看，瓶颈在哪？

2.4 硬件选型原则——算力、功耗、成本、尺寸的博弈

选型这件事，说白了就是戴着镣铐跳舞。我一般会画一个四象限图：

• 算力：不是越高越好。比如做关键词唤醒，Cortex-M4就够；做人脸识别，至少得Cortex-M7或带NPU的芯片。
• 功耗：电池供电的设备，待机电流必须<10μA。我踩过坑——选了一颗待机50μA的芯片，结果电池两天就没电了。
• 成本：消费电子BOM成本通常<$3，工业设备可以到$20。别拿工业级的方案去做玩具，反之亦然。
• 尺寸：可穿戴设备要求<10mm×10mm，而智能家居可以放宽到50mm×50mm。

我常用的选型流程是这样的：

1. 先定功耗预算（比如电池容量÷目标续航）
2. 再定算力需求（模型大小×推理频率）
3. 然后看成本上限
4. 最后找尺寸合适的封装
5. 交叉对比，选最优解

举个例子：做一个智能门锁的指纹识别。功耗预算：4节AA电池用1年，约3000mAh。算力需求：指纹特征提取+匹配，约50KB模型。成本：<$8。尺寸：能塞进门把手。最后我选了STM32L4系列，Cortex-M4，80MHz，待机1μA，完美匹配。

2.5 项目里程碑规划——把大象装进冰箱分几步

项目规划，我习惯用倒推法。假设产品要在12月1日上市，那往前推：

阶段	时间	交付物
需求确认	第1-2周	需求文档v1.0、可行性报告
硬件选型与打样	第3-6周	原理图、PCB、样板3块
数据采集与模型训练	第4-8周	数据集、训练脚本、模型文件
模型部署与调优	第7-10周	固件、推理测试报告
整机测试与认证	第11-14周	测试报告、CE/FCC认证
小批量试产	第15-16周	100台试产、良率报告

好了，这一章的内容就到这里。下一章我们会进入实战——从数据采集开始，手把手带你跑通第一个TinyML项目。到时候见！