TinyML 目前面临的挑战是“如何在微控制器级硬件上以最小的占用空间为 AI 工作负载提供最大的性能和效率比”。由欧洲一组机器学习研究人员开发的 TinyML-CAM pipeline 刚好能满足这一点，该项目证明在相对低端且带有相机的硬件上是可以实现这一目标的。
更具体点地说就是：现在该项目已经在价格低于 10 美元的 ESP32-CAM 板上实现超过 80 FPS 的图像识别了，而且开源 TinyML-CAM pipeline 仅占用了大约 1KB RAM。另外，它应该是可以在带有摄像头的其他 MCU 板上工作的，而且学习使用似乎也并不复杂，因为我得知使用其完成定制任务大约只需要 30 分钟。
较早之前研究人员们就发现，用于微控制器的 TensorFlow Lite 和 Edge Impulse 等解决方案目前已经能够使用神经网络（NN）在 MCU 板上执行 ML 工作负载了。但是，能够使用的前提是需要足够多的内存，至少需要 50 到 500 kB RAM，而且需要 100 到 600 毫秒进行计算，这使得开发人员不得不选择低复杂度或低准确度的神经网络。
因此，研究人员们决定使用更高效的非神经网络算法（比如：决策树、SVM），利用他们的“Eloquent Arduino”库替代 TFLite for Microcontrollers，并设计出了分四个阶段工作的 TinyML-CAM pipeline：
1、通过相机服务器（160×120 分辨率）和 MjpegCollector 收集数据，向用户询问类名并在给定时间内收集图像帧，直到用户退出
2、分四步的特征提取：
- 将收集到的图像从 RGB 转换为灰色
- 运行定向梯度直方图（HOG）特征提取器从而输出特征向量（即使用较低分辨率的 40 x 30 图像来加速任务）
- 运行 Pairplot Visualization 从而直观地了解提取特征的信息量
- 运行统一流形逼近和投影（UMAP）降维算法，从而获取特征向量并将其压缩到长度为 2
3、分类器训练
4、移植到 C++，将 HOG 组件和分类器（Pairplot）转换为 C++ 代码，更准确地说是头文件(.h)
通过以上四个阶段的工作之后，将头文件添加到 Arduino 库中，程序就可以在板上编译并运行了。如果有需要，你们可以在其 GitHub 上找到相关源代码，以及在 ESP32 硬件上安装的说明和演示视频。
为了测试这一解决方案，他们使用 ESP32-CAM 来识别树莓派 Pico、Arduino Portenta H7 和 Wio 终端。测试结果表明，TinyML-CAM pipeline 在识别此类板子的时候性能非常好，占用空间非常小。不过研究人员也指出，在 Pairplot 分析期间，Portenta 和 Pi 电路板经常会出现标记错误的现象，他们希望之后可以通过提高数据集质量来纠正这个问题。
除了查看 GitHub 上的源代码外，大家还可以在这个共计 4 页的简短研究论文中找到更多相关信息。
本文消息来源于 Hackster.io。
文章翻译者：Nicholas，技术支持工程师、瑞科慧联（RAK）高级工程师，深耕嵌入式开发技术、物联网行业多年，拥有丰富的行业经验和新颖独到的眼光！