第三章 硬件平台选型与介绍
做TinyML项目，第一步就是选硬件。这步走对了，后面事半功倍。走错了？嗯，我见过不少团队在硬件上栽跟头，最后不得不返工。
今天咱们就聊聊市面上主流的TinyML硬件平台，以及怎么给项目挑最合适的传感器。我会结合自己踩过的坑，给你一些实在的建议。
3.1 主流TinyML硬件平台对比
先看一张对比表，心里有个大概印象：
| 平台 | MCU/处理器 | RAM | Flash | AI加速 | 典型功耗 | 参考价格 |
|---|---|---|---|---|---|---|
| Arduino Nano 33 BLE Sense | nRF52840 (Cortex-M4F) | 256KB | 1MB | 无（纯CPU） | ~15mA | ~$35 |
| ESP32 | Xtensa LX6 双核 | 520KB | 4MB | 无（纯CPU） | ~80mA（WiFi开） | ~$5 |
| STM32（以F4系列为例） | Cortex-M4F | 192KB | 1MB | 可选STM32Cube.AI | ~50mA | ~$10-$30 |
| Raspberry Pi Pico | RP2040 (Cortex-M0+) | 264KB | 2MB（外挂） | 无 | ~25mA | ~$4 |
| K210（Sipeed Maix系列） | RISC-V 双核 + KPU | 8MB | 16MB | KPU神经网络加速器 | ~300mA | ~$15 |
3.1.1 Arduino Nano 33 BLE Sense
这块板子我用的最多。为什么？因为它集成了太多传感器了——麦克风、加速度计、陀螺仪、磁力计、温湿度、气压、光线、颜色传感器……几乎一板搞定。
它的核心是nRF52840，带蓝牙BLE 5.0。如果你做可穿戴设备、手势识别、声音分类这类项目，它很合适。
我的经验： 这块板子的RAM只有256KB，跑TinyML模型时，模型大小最好控制在100KB以内。我曾经硬塞了一个150KB的模型，结果系统频繁死机。后来用TensorFlow Lite Micro的模型量化工具，把模型压到80KB，才稳定运行。
小技巧： 用Arduino IDE开发时，记得选"Arduino Nano 33 BLE"板型，别选成普通Nano。我第一次就选错了，折腾了半天才发现。
3.1.2 ESP32
ESP32是性价比之王。5美元就能买到双核240MHz的处理器，还带WiFi和蓝牙。说实话，这个价格太香了。
但要注意，ESP32没有硬件AI加速器。跑模型全靠CPU硬算。我测试过，一个20KB的语音唤醒模型，推理时间大约30ms，勉强够用。再大就吃力了。
避坑指南： 我曾经用ESP32做图像分类项目，模型只有50KB，但推理一次要200ms。后来发现是图像预处理太慢——把320x240的图片缩放到64x64，用纯软件做双线性插值，耗时占了一大半。建议用硬件缩放功能，或者直接降低输入分辨率。
3.1.3 STM32
STM32是工业级的选择。它的生态系统非常成熟——STM32CubeMX、HAL库、FreeRTOS支持，还有官方的STM32Cube.AI工具链，能把训练好的模型直接转换成C代码。
我个人习惯用STM32F4系列做原型验证。它的Cortex-M4F带FPU，浮点运算快。而且ST官方提供了很多TinyML的示例工程，上手很快。
关键点： STM32Cube.AI支持量化感知训练（QAT）和权重量化。我用它把一个语音识别模型从1.2MB压缩到120KB，精度只掉了不到2%。这个工具值得花时间研究。
3.1.4 Raspberry Pi Pico
Pico用的是RP2040芯片，Cortex-M0+内核。说实话，它的算力在TinyML里算偏弱的。但它的优势是便宜（4美元）、功耗低、而且有PIO（可编程I/O）功能。
PIO能模拟各种外设协议。我做过一个项目，用PIO模拟I2S接口接麦克风，效果出奇的好。如果你需要自定义外设接口，Pico是个好选择。
小提示： Pico的MicroPython生态很活跃。如果你不想写C，用MicroPython做TinyML原型验证也挺快的。但生产环境还是建议用C。
3.1.5 K210（Sipeed Maix系列）
K210是专门为AIoT设计的芯片。它内置了KPU（神经网络处理器），能硬件加速卷积运算。跑MobileNet V1只需要30ms，这个速度在MCU里算顶尖了。
但K210也有短板——它的通用计算能力一般，RISC-V内核主频只有400MHz。而且开发工具链不如ARM生态成熟。我刚开始用K210时，光是搭建开发环境就花了两天。
注意： K210的KPU只支持特定的网络结构。比如，它要求卷积层的输入输出通道数必须是8的倍数。我有个项目用了5通道的输入，结果KPU不支持，只能改网络结构。设计模型时一定要先看KPU的约束条件。
3.2 传感器选型
传感器是TinyML项目的"眼睛"和"耳朵"。选对了，数据质量高，模型效果好。选错了，后面怎么调都没用。
3.2.1 麦克风
做语音唤醒、关键词识别、声音事件检测，都需要麦克风。
主流选择：
- MEMS麦克风（如MP34DT05）： 体积小、功耗低、数字输出（PDM接口）。Arduino Nano 33 BLE Sense上集成的就是这颗。
- 模拟麦克风（如MAX9814）： 需要外接ADC，但信噪比更高。适合对音质要求高的场景。
我建议新手用MEMS数字麦克风。PDM接口直接用MCU的PDM模块就能读，省去模拟电路设计的麻烦。
我的经验： 麦克风的采样率一般设16kHz就够了。我见过有人用44.1kHz采样，数据量翻了三倍，模型精度却没提升。对于语音识别，16kHz是黄金采样率。
3.2.2 加速度计
加速度计用于运动检测、手势识别、跌倒检测等。
常用型号：
- LSM9DS1（6轴）： 加速度+陀螺仪，Arduino Nano 33 BLE Sense集成。
- MPU6050（6轴）： 经典款，资料多，便宜。
- ADXL345（3轴）： 超低功耗，适合电池供电设备。
小技巧： 做手势识别时，采样率设50-100Hz就够了。太高反而增加数据量，模型训练时间变长。我一般用50Hz采样，窗口长度2秒，效果不错。
3.2.3 摄像头
摄像头是TinyML里最"吃"资源的传感器。一张QVGA（320x240）的图片，未经压缩就有150KB，比很多MCU的RAM还大。
常用方案：
- OV2640（200万像素）： 支持JPEG输出，能省不少RAM。ESP32-CAM常用这颗。
- OV7670（30万像素）： 便宜，但只能输出RAW数据，需要MCU自己处理。
- GC032A（30万像素）： 国产替代，性价比高。
避坑指南： 我曾经用OV7670做图像分类，发现帧率只有5fps。后来查资料才知道，OV7670的FIFO只有384KB，而一张QVGA的RAW图有150KB，加上MCU处理时间，帧率自然上不去。建议用带JPEG输出的摄像头，或者用K210这种带硬件图像处理器的芯片。
3.3 开发板外设与引脚功能
选好板子和传感器，接下来就是接线。这块看似简单，但最容易出问题。
3.3.1 常见外设接口
| 接口 | 用途 | 典型引脚数 | 速度 |
|---|---|---|---|
| I2C | 加速度计、温湿度、气压等 | 2（SDA+SCL） | 100-400kHz |
| SPI | 摄像头、显示屏、SD卡 | 4（MOSI+MISO+SCK+CS） | 10-80MHz |
| UART | GPS、蓝牙模块、调试 | 2（TX+RX） | 115200bps-2Mbps |
| I2S | 麦克风、音频编解码 | 3（BCK+WS+SD） | 1-10MHz |
| PDM | MEMS数字麦克风 | 2（CLK+DATA） | 1-4MHz |
3.3.2 引脚功能注意事项
每个开发板的引脚功能都不一样。我总结几个通用原则：
- 电源引脚： 3.3V和5V别接反。我烧过一块ESP32，就是因为接了5V到3.3V引脚。
- ADC引脚： 大部分MCU的ADC输入范围是0-3.3V。如果传感器输出超过这个范围，需要分压电路。
- PWM引脚： 不是所有引脚都支持PWM。用之前查一下数据手册。
- 中断引脚： 加速度计、按键等需要中断的传感器，要接到支持外部中断的引脚上。
我的习惯： 每次做新项目，我都会先画一张引脚分配表。把每个外设用的引脚、功能、电压都列清楚。这样接线时不会乱，排查问题也快。
3.3.3 实际接线示例
以Arduino Nano 33 BLE Sense外接MAX9814麦克风为例：
// MAX9814 -> Arduino Nano 33 BLE Sense
// VDD -> 3.3V
// GND -> GND
// OUT -> A0 (模拟输入)
// GAIN -> GND (固定增益，也可接VDD调增益)
// AR -> 3.3V (自动恢复使能)
void setup() {
Serial.begin(115200);
// 不需要额外配置，直接读模拟值
}
void loop() {
int micValue = analogRead(A0);
Serial.println(micValue);
delay(10);
}这个例子很简单。但实际项目中，我建议用DMA方式读取ADC数据，避免阻塞CPU。特别是做语音识别时，需要连续采样，用DMA能省很多事。
小提示： 如果你用ESP32，注意它的ADC线性度不太好。我测试过，ESP32的ADC在0-1V范围内比较准，超过1V后误差会变大。建议用外部ADC芯片，或者只使用低电压范围。
3.4 本章小结
硬件选型没有绝对的好坏，关键看项目需求。我个人的建议是：
- 做语音类项目，优先考虑Arduino Nano 33 BLE Sense（传感器集成度高）
- 做图像类项目，K210性价比最高（硬件加速）
- 做工业级产品，STM32最稳妥（生态成熟）
- 做原型验证，ESP32最省钱（WiFi方便调试）
- 做超低功耗设备，Raspberry Pi Pico值得一试（功耗控制好）
下一章，我们会正式开始搭建开发环境。到时候我会手把手教你配置TensorFlow Lite Micro，并在开发板上跑通第一个TinyML模型。准备好了吗？