TinyML實戰(zhàn)項目：智能零售與商品識別從一次“貨架識別翻車”說起去年幫朋友調試一個智能零售柜項目，用的是STM32F4 + OV2640攝像頭，跑MobileNetV1量化模型。現場測試時，可樂瓶識別率高達92%，但一遇到“紅色罐裝王老吉”就瘋狂誤報成“可口可樂”。更離譜的是，當陽光從左側45度角照進柜門時，模型直接把空貨架識別成了“薯片大禮包”。拆開日志一看，問題出在預處理環(huán)節(jié)——圖像縮放用了雙線性插值，但量化后的模型對邊緣像素的抖動極其敏感。后來換成最近鄰插值+中值濾波，誤報率直接降到3%以下。這個坑讓我意識到：TinyML在零售場景里，真正的難點從來不是模型選型，而是從傳感器到推理引擎的整條鏈路如何“接地氣”。硬件選型：別被“算力”忽悠了很多人一上來就盯著TOPS（每秒萬億次運算）看，覺得NPU越強越好。但零售場景有個致命約束：功耗和散熱。貨柜內部夏天溫度能到50℃，你放個帶風扇的樹莓派，三天就過熱降頻。我踩過的組合是：STM32H743（Cortex-M7，480MHz）+ 外部SRAM（8MB）+ OV2640（200萬像素）。H7有雙精度FPU和硬件JPEG編碼器，關鍵是不需要主動散熱。如果預算允許，可以上ESP32-S3，它的向量擴展指令集對卷積運算有奇效，而且WiFi/BLE一體，省掉外掛通信模塊。攝像頭別選太貴的。OV2640雖然老，但勝在驅動成熟、功耗低（待機1mA）。注意要買帶紅外截止