183、TinyML实战项目：无人机视觉识别

183 TinyML实战项目：无人机视觉识别

从一次炸机事故说起

去年夏天，我在测试一款自研的微型四轴无人机时，遇到了一个让我至今记忆犹新的问题。无人机在悬停状态下，突然像喝醉了酒一样开始剧烈抖动，然后一头栽进了旁边的花坛里。事后分析日志发现，罪魁祸首是视觉识别模块——当光照条件变化时，模型推理时间从稳定的12ms突然跳到了47ms，导致飞控的姿态解算和视觉处理产生了严重的时序冲突。

这个教训让我意识到，在无人机这种资源极度受限、实时性要求苛刻的平台上做视觉识别，和在地面服务器上跑模型完全是两码事。今天这篇笔记，我就把踩过的坑和摸索出的经验整理出来，重点聊聊如何在STM32H7这类MCU上，让无人机“看见”并“理解”周围环境。

硬件选型：别被算力数字忽悠

很多人一上来就盯着TOPS（万亿次运算每秒）看，觉得算力越高越好。但在无人机上，功耗和重量才是真正的硬约束。我目前用的方案是STM32H743 + OV2640摄像头模块，主频480MHz，内置2MB Flash和1MB SRAM。这个配置跑轻量级CNN勉强够用，但需要精打细算每一字节内存。

这里踩过坑：一开始我选了带硬件NPU的芯片，想着能加速推理。结果发现NPU驱动占用的内存比模型本身还大，而且NPU在低功耗模式下的唤醒延迟高达200ms，直接导致无人机在快速机动时视觉跟踪丢失。所以对于微型无人机，纯MCU方案反而更可控。

模型选型：MobileNetV1的魔改之路

在无人机上