结合TinyML与自动化机器学习构建智能物联网解决方案
物联网通过紧凑传感器实现对环境和机械的持续监测。传感器设计、微控制器和无线协议的快速进步，使物联网平台成为价格低廉、大规模生产、连接选项多样的设备。这些系统的低成本推动了其在公共场所、家庭和工业设备中的广泛部署。
这些传感器全天候采集物理数据，产生海量数据流。例如，旋转机械上的加速度计和陀螺仪记录振动和角速度；空气质量传感器追踪气态污染物；婴儿监护器中的麦克风持续监听；智能手表测量心率等生命体征。磁力计、压力、温度、湿度和环境光传感器也为安装位置提供实时环境洞察。
机器学习（ML）算法能发掘人工分析无法企及的数据模式。结合物联网，ML驱动新一波智能应用——可穿戴设备、智能家居、工业4.0工厂、汽车系统、机器视觉和消费电子——得益于低功耗、低延迟、轻量级推理，即TinyML。
结合自动化机器学习的TinyML
在微小微控制器（MCU）上部署ML具有几大关键优势：
- 数据隐私与安全：推理在本地进行，数据留在设备和本地。
- 节能：极少或无数据传输大幅降低能耗。
- 低延迟与高可用性：本地推理提供毫秒级响应，不依赖网络状况。
点击查看大图
图1：TinyML为传统物联网设备增加先进功能（来源：Qeexo）
自动化机器学习通过Qeexo AutoML等平台，简化从传感器配置、数据采集到模型训练和部署的全流程。该系统为ARM Cortex-M0至M4 MCU及其他受限环境构建轻量级高性能模型。
点击查看大图
图2：Qeexo AutoML工作流（来源：Qeexo）
基于ARM® Cortex™ M0+架构的TinyML
物联网增长要求更小、更节能的MCU。ARM Cortex-M0+芯片主频48 MHz，因每I/O引脚仅消耗7 mA（高端Cortex-M4为15 mA，主频64 MHz）而常用于传感器板。
然而，M0+架构牺牲了内存和算力。它仅支持32位定点运算，无饱和算术和DSP功能。例如，Arduino Nano 33 IoT（Cortex-M0+）提供256 KB闪存和32 KB SRAM，而Arduino Nano 33 BLE Sense（Cortex-M4）具备32位浮点、DSP、饱和算术，闪存和SRAM分别为前者的4倍和8倍。
在M0+上部署ML面临三大核心挑战：
- 定点计算：基于传感器的ML常依赖信号处理、特征提取和推理。从非平稳流中提取统计和频域特征（如FFT）对高质量模型至关重要，但在保持精度的同时用定点表示完成此任务极具难度。
- 低内存容量：256 KB闪存和32 KB SRAM限制模型大小和运行时内存。复杂决策边界通常需要深层树或众多增强器，增加内存占用。压缩模型往往损害性能。
- 低CPU速度：商业部署需毫秒级延迟。M0+的48 MHz主频远低于M4的64 MHz，影响推理速度。
AutoML M0+框架
Qeexo AutoML提供针对Cortex-M0+优化的全定点流水线，解决上述难题。工作流处理传感器数据、特征计算和基于树的集成推理——GBM、RF和XGBoost，采用紧凑数据结构和高效推理逻辑。图3展示此流水线。
点击查看大图
图3：Qeexo AutoML M0+推理流水线（来源：Qeexo）
平台应用专利待批的模型压缩和量化，在不牺牲精度前提下减小内存占用。图4详述Cortex-M0+目标的训练流水线。
点击查看大图
图4：Qeexo AutoML M0+训练流水线（来源：Qeexo）
智能剪枝
Qeexo AutoML并非从头构建小模型，而是先训练大型集成再选择性保留最强增强器。此策略实现更高性能和更大压缩比。图5显示压缩模型约为完整模型十分之一大小，却提供更优交叉验证精度。
点击查看大图
图5：Qeexo AutoML智能模型剪枝（来源：Qeexo）
集成模型量化
Qeexo AutoML将神经网络常用的训练后量化扩展至集成算法。该专利方法进一步缩小模型、提升MCU级延迟，同时保持性能。M0+流水线生成32位定点模型；可选16位或8位量化分别将大小减半或四分之一，推理加速2-3倍。
TinyML典型应用案例
- 智能墙面灯光：在墙面安装加速度计和陀螺仪，学习"敲击"和"擦拭"手势控制灯光。Qeexo AutoML几分钟内构建实时手势模型，实现直观无触控交互。
- 智能物流：AI赋能箱子从源头到目的地监测货物处理过程，确保合规并减少损坏。
- 智能厨房台面：TinyML模型识别厨房电器和操作，提供感知自动化和安全功能。
- 机器故障检测：工业设备传感器实时识别故障模式，支持预防性维护，最小化停机。
- 异常检测：建模健康运行状态，Qeexo AutoML识别偏离——在故障数据稀缺但健康数据丰富的环境中至关重要。
- 可穿戴活动识别：TinyML利用设备端传感器数据分类日常活动，无云依赖即时反馈。
物联网技术