第一章：课程导论与开发环境搭建
各位同学，欢迎来到《嵌入式Linux上部署TensorFlow Lite实战课程》。我是你们的讲师，一个在嵌入式AI领域摸爬滚打多年的老工程师。
今天咱们聊第一章——课程导论与环境搭建。说实话，这部分内容看起来基础，但恰恰是决定你后续学习是否顺利的关键。我见过太多人一上来就急着跑模型，结果环境没配好，折腾两天连个demo都跑不起来。嗯，咱们别走那个弯路。
1.1 TFLite在嵌入式领域的价值
先说说为什么选TensorFlow Lite。说白了，它就是Google为移动端和嵌入式设备量身定做的轻量级推理框架。你想想看，一个完整的TensorFlow模型动辄几百MB，树莓派那点内存根本扛不住。TFLite做了三件事：模型量化、算子优化、运行时精简。
我在项目中遇到过这样一个场景：客户要求在RK3399上跑一个目标检测模型，原模型大小是120MB，推理一次要3秒。用TFLite做INT8量化后，模型压缩到15MB，推理时间降到200毫秒。效果虽然损失了3%的mAP，但客户非常满意。这就是TFLite的价值——在资源受限的硬件上，把AI能力真正落地。
核心价值总结：
- 模型体积缩小4-10倍（量化后）
- 推理速度提升2-5倍（针对ARM架构优化）
- 支持硬件加速（GPU/NPU/TPU）
- 功耗更低，适合电池供电设备
1.2 硬件选型建议
选硬件这事儿，我个人的经验是：别盲目追求性能，得看你的应用场景。我给大家梳理了三类主流方案：
| 芯片方案 | 代表板卡 | 算力 | 适合场景 | 我的评价 |
|---|---|---|---|---|
| 树莓派 | Pi 4B / Pi 5 | 0.5-1 TOPS | 入门学习、原型验证 | 社区资源最丰富，但算力有限 |
| 瑞芯微 | RK3588 / RK3568 | 6-12 TOPS | 工业级产品、边缘计算 | NPU性能强劲，我最近项目就在用 |
| 全志 | V853 / A133 | 1-2 TOPS | 智能家居、低功耗设备 | 性价比高，但生态稍弱 |
我个人建议：如果你是初学者，先搞一块树莓派4B，成本低、资料多。等把流程跑通了，再考虑瑞芯微的方案做产品化。我曾经帮一个客户从树莓派迁移到RK3588，性能提升了8倍，但代价是驱动和算子适配花了两周。所以，选硬件时一定要考虑开发周期。
避坑指南： 别买树莓派Zero跑TFLite，内存太小，跑个MobileNet都费劲。我试过，结果卡成PPT。
1.3 交叉编译工具链安装
接下来是环境搭建的重头戏——交叉编译。为什么需要交叉编译？因为你的开发机是x86架构，目标板是ARM架构。在x86上编译ARM的可执行文件，这就是交叉编译。
我习惯用Linaro提供的工具链，稳定且更新及时。以树莓派4B为例，目标架构是aarch64（ARMv8）。
安装步骤：
- 下载工具链：
wget https://releases.linaro.org/components/toolchain/binaries/latest-7/aarch64-linux-gnu/gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu.tar.xz - 解压到指定目录：
tar -xvf gcc-linaro-*.tar.xz -C /opt/ - 配置环境变量：
export PATH=$PATH:/opt/gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu/bin - 验证安装：
aarch64-linux-gnu-gcc --version
这里有个坑，我踩过好几次：工具链版本必须与目标板的内核版本匹配。比如树莓派4B的官方系统是Debian 11，内核5.10，用gcc 7.5没问题。但如果你用gcc 10编译出来的程序，可能会因为glibc版本不兼容而报错。嗯，这个一定要注意。
警告： 不要用Ubuntu自带的交叉编译工具链（apt install gcc-aarch64-linux-gnu），版本太老，编译TFLite时会报一堆莫名其妙的错误。我吃过这个亏，折腾了两天才发现是工具链的问题。
1.4 目标板SSH连接与文件传输
环境搭好了，怎么跟目标板通信？SSH是标配。我一般这么操作：
首先，确保目标板和开发机在同一个局域网。树莓派插电联网后，通过路由器后台找到它的IP地址。或者用 nmap -sn 192.168.1.0/24 扫描一下。
SSH连接命令：
ssh pi@192.168.1.100
# 默认密码：raspberry连上之后，第一件事我建议你改密码，然后配置静态IP，不然每次重启IP变了很麻烦。
文件传输我常用两种方式：
- scp：适合传单个文件或小目录。
scp local_file pi@192.168.1.100:/home/pi/ - rsync：适合传大项目或增量更新。
rsync -avz --progress ./project/ pi@192.168.1.100:/home/pi/project/
我个人更推荐rsync，尤其是你频繁修改代码时。它只传输变化的部分，速度比scp快很多。我曾经传一个包含几百个小文件的模型库，scp用了3分钟，rsync只用了20秒。
小技巧： 配置SSH免密登录，省去每次输密码的麻烦。执行 ssh-copy-id pi@192.168.1.100 即可。我所有开发板都配了免密，调试效率翻倍。
好了，第一章的内容就到这里。环境搭建是基础，但基础不牢，地动山摇。我建议你花一天时间，把交叉编译工具链和SSH连接都跑通。下一章咱们开始编译TFLite的C++库，那才是真正的实战环节。
记住：别急着跑模型，先把路铺好。有问题随时在群里交流，我看到就会回复。