TensorFlow Lite Micro

一个面向所有人的开源机器学习框架。

简介

这是适用于树莓派 Pico 微控制器的 TensorFlow Lite Micro 库 版本。它使您能够运行机器学习模型，执行诸如语音识别、图像中的人脸检测、从加速度计中识别手势以及其他传感器数据分析任务等操作。此版本包含用于将更改同步到 Google 代码库的脚本，并且还利用了 RP2040 的双核架构，以在某些操作上提升速度。

入门

首先，您需要按照 Pico 的设置说明，在您的开发机器上初始化开发环境。完成后，请确保已将 PICO_SDK_PATH 环境变量设置为 Pico SDK 的路径，可以在您正在使用的终端中设置，或者如果您使用的是 VS Code，则可以在扩展的 CMake 配置环境变量中进行设置。

之后，您应该能够构建该库、测试用例和示例程序。最简便的构建方式是使用 VS Code 的 CMake 集成功能：加载项目并选择窗口底部的构建选项即可。

另外，您也可以通过在进入本仓库目录后，在终端中运行以下命令来构建整个项目（包括测试）：

mkdir build
cd build
cmake ..
make

包含的内容

本项目包含多个示例应用。最简单的入门示例是 hello_world 项目。它演示了在设备上部署机器学习模型的基本流程，并根据训练得到的正弦波模式控制 Pico 的 LED 灯。构建完成后，您可以在 build/examples/hello_world/hello_world.uf2 文件中找到可复制到 Pico 上的 UF2 固件文件。

另一个示例是人体检测器，但由于 Pico 本身不提供图像输入，您需要编写一些代码来连接自己的传感器。您可以参考 Arducam Pico4ML 的 TFLM 分支实现，详情请见 arducam.com/pico4ml-an-rp2040-based-platform-for-tiny-machine-learning/。

贡献

本仓库（https://github.com/raspberrypi/pico-tflmicro）为只读模式，因为它是由 TensorFlow 主仓库（https://github.com/tensorflow/tensorflow）自动生成的。该项目由 @petewarden 在力所能及的范围内维护，因此可能无法及时处理错误报告或拉取请求。您可以通过运行以下命令生成更新后的版本：

sync/sync_with_upstream.sh

此命令将基于 TensorFlow 仓库的最新版本创建一个与 Pico 兼容的项目。

深入学习

TensorFlow 官网 提供了有关模型训练、教程及其他资源的信息。

《TinyML 书籍》（tinymlbook.com）是一本介绍如何在各种不同系统上使用 TensorFlow Lite Micro 的指南。

论文《TensorFlow Lite Micro：TinyML 系统上的嵌入式机器学习》（arxiv.org/pdf/2010.08678.pdf）则更详细地介绍了该框架的设计与实现。

许可证

TensorFlow 源代码受 Apache 2.0 许可证约束，具体条款参见 src/tensorflow/LICENSE 文件；来自其他库的组件则在其 third_party 文件夹中包含了相应的许可证。

pico-tflmicro 快速上手指南

pico-tflmicro 是专为 Raspberry Pi Pico (RP2040) 微控制器定制的 TensorFlow Lite Micro 版本。它支持在资源受限的设备上运行机器学习模型（如语音识别、图像检测、手势识别等），并利用 RP2040 的双核架构提升部分运算速度。

环境准备

在开始之前，请确保您的开发环境已满足以下要求：

• 操作系统：Windows、macOS 或 Linux。
• 前置依赖：
  • 已完成 Raspberry Pi Pico SDK 的安装与环境配置。
  • 已安装 CMake 和 Make (或 Ninja) 构建工具。
  • 推荐使用 VS Code 并安装 C/C++ 及 CMake Tools 扩展以获得最佳体验。
• 环境变量： 必须设置 PICO_SDK_PATH 环境变量，指向您本地 Pico SDK 的安装目录。
  • Linux/macOS (终端):

    export PICO_SDK_PATH=/path/to/your/pico-sdk
    

  • Windows (PowerShell):

    $env:PICO_SDK_PATH="C:\path\to\your\pico-sdk"
    

  • VS Code: 如果在 IDE 中构建，请在 CMake 配置设置中指定该变量。

提示：国内开发者若在下载 Pico SDK 或相关依赖时遇到网络问题，可尝试使用 Gitee 上的镜像仓库或配置代理加速。

安装与构建

本项目无需单独“安装”，只需克隆代码并编译即可。

1. 获取源码 将项目克隆到本地：

   git clone https://github.com/raspberrypi/pico-tflmicro.git
   cd pico-tflmicro
   

2. 编译项目 您可以选择使用 VS Code 的 CMake 集成直接点击构建，或在终端执行以下命令进行命令行构建（包含测试和示例）：

   mkdir build
   cd build
   cmake ..
   make
   

   编译成功后，生成的固件文件将位于 build 目录下的相应子文件夹中。

基本使用

最简单的入门方式是运行自带的 hello_world 示例。该示例演示了如何在设备上部署 ML 模型，并控制 Pico 板载 LED 按照学习到的正弦波模式闪烁。

1. 定位固件文件 编译完成后，找到生成的 UF2 文件： build/examples/hello_world/hello_world.uf2

2. 烧录固件

   • 按住 Pico 板上的 BOOTSEL 按钮，同时通过 USB 连接电脑。
   • 松开按钮后，电脑上会出现一个名为 RPI-RP2 的磁盘驱动器。
   • 将 hello_world.uf2 文件拖入该驱动器。
   • Pico 会自动重启并运行程序，观察板载 LED 是否呈现呼吸灯效果。

3. 进阶示例 项目中还包含人员检测（person detector）等示例。由于 Pico 本身不带摄像头，运行此类示例需要外接传感器（如 Arducam Pico4ML）。相关硬件适配代码可参考 Arducam 官方提供的分支方案。

---

注：本仓库为自动生成只读仓库，主要同步自 TensorFlow 主库。如需更新项目以匹配最新的 TensorFlow 版本，可运行 sync/sync_with_upstream.sh 脚本重新生成。