树莓派Zero部署谷歌Teachable Machine模型：边缘AI实战指南

1. 项目概述：当树莓派Zero遇上谷歌Teachable Machine

最近在捣鼓一个挺有意思的小项目：在树莓派Zero上跑谷歌的Teachable Machine。这听起来可能有点“小马拉大车”的感觉，毕竟树莓派Zero的性能和资源都相当有限，而Teachable Machine作为谷歌推出的一个在线机器学习模型训练工具，通常给人的印象是在浏览器里点点鼠标就能训练出图像、声音或姿态识别模型。但把训练好的模型部署到Zero这块小小的板子上，让它脱离云端、脱离强大的电脑，在本地独立运行，这背后的想法和实践，对于想做嵌入式AI、边缘智能设备的朋友来说，非常有吸引力。

简单来说，这个项目的核心就是将云端训练的轻量级机器学习模型，部署到资源极度受限的嵌入式硬件（树莓派Zero）上，实现离线、低功耗的实时推理。它能做什么？比如，你可以训练一个识别特定手势的模型，让Zero控制一个玩具小车；或者训练一个声音分类模型，让Zero在听到特定关键词（如“开灯”）时做出反应；甚至做一个简单的垃圾分类小装置。它特别适合那些对AI和物联网感兴趣，想从“玩具级”项目入手，深入理解模型训练、转换、优化和嵌入式部署全流程的开发者、创客和学生。

为什么是树莓派Zero？因为它便宜、功耗极低、体积小巧，是很多微型嵌入式项目的首选。为什么是Teachable Machine？因为它极大地降低了机器学习的入门门槛，无需编写复杂的训练代码，通过网页界面和摄像头/麦克风就能快速收集数据、训练模型。将两者结合，正是探索“边缘AI”落地最直接、最有趣的路径之一。接下来，我将详细拆解从模型训练、导出、转换，到在Zero上部署运行的完整过程，并分享其中踩过的坑和积累的经验。

2. 核心思路与技术选型解析

2.1 为什么选择Teachable Machine + 树莓派Zero组合？

这个组合的核心优势在于极低的入门门槛与完整的流程体验。对于初学者或快速原型开发，Teachable Machine解决了最头疼的数据标注和模型训练问题。你不需要安装TensorFlow或PyTorch，不需要理解损失函数和优化器，甚至不需要写一行训练代码。它的图形化界面让你能专注于“教”机器认识什么，而不是“编”程序怎么学。

而选择树莓派Zero作为部署平台，则是对“边缘计算”概念的一次亲手实践。边缘计算强调在数据产生的源头就近处理，减少对云端的依赖，降低延迟、保护隐私、节省带宽。树莓派Zero作为一款售价仅数十元、功耗仅1W左右的微型计算机，是验证边缘AI想法的绝佳沙盒。在这个项目里，我们追求的不是极高的准确率或复杂的模型，而是在严苛的资源限制（单核CPU、512MB内存）下，让一个有用的AI功能跑起来。

技术路径上，Teachable Machine训练出的模型可以导出为多种格式，其中对我们最有用的两种是：TensorFlow.js模型和TensorFlow Lite模型。前者主要用于Web环境，后者则是为移动和嵌入式设备设计的轻量级格式。我们的目标就是将模型最终转换为能在树莓派Zero上高效运行的TensorFlow Lite格式。

2.2 关键挑战与应对策略

在Zero上部署模型，主要面临三大挑战：

1. 性能瓶颈：Zero的ARM11单核处理器主频仅1GHz，性能孱弱。直接运行未经优化的模型，推理速度可能慢到无法接受（例如数秒一帧）。
2. 内存限制：512MB的共享内存需要同时承载操作系统、Python环境、运行时库和模型本身，容易导致内存不足。
3. 模型兼容性：Teachable Machine导出的模型需要经过正确的转换和优化，才能与树莓派上的TensorFlow Lite运行时完美配合。

应对策略如下：

• 模型轻量化：优先使用Teachable Machine中结构简单的模型（如MobileNetV2的轻量级变体），并在导出时选择较小的输入尺寸（如224x224甚至更小）。
• 格式转换与优化：确保将模型转换为TensorFlow Lite格式，并可能使用量化技术（如INT8量化）来减小模型体积、提升推理速度，这对Zero至关重要。
• 高效的代码实现：在Python中使用tflite_runtime而非完整的TensorFlow包，以节省资源和加速加载。同时，优化图像预处理和结果后处理的代码逻辑。

3. 从训练到部署：完整实操流程

3.1 第一步：使用Teachable Machine训练模型

首先，访问Teachable Machine官网。我们以最常用的“图像项目”为例。

1. 收集数据：为每个类别（例如“有猫”、“无猫”）采集样本。直接用电脑摄像头或上传图片均可。每个类别建议至少提供30-50个样本，尽可能覆盖不同的角度、光照和背景，以提高模型泛化能力。
2. 训练模型：点击“训练模型”按钮。这里有一个关键选择：训练时长。对于在Zero上部署，我建议选择“标准”或“更少”的训练周期。过长的训练可能导致模型轻微过拟合，且对最终在嵌入式设备上的精度提升有限，反而可能增加模型复杂度。Teachable Machine底层使用的是迁移学习，基于预训练网络（如MobileNet）进行微调，因此训练很快。
3. 导出模型：训练完成后，进入“导出模型”页面。
   • 导出格式：选择“TensorFlow Lite”。这是为嵌入式设备准备的格式。
   • 模型类型：选择“量化”。量化会将模型权重从浮点数转换为整数，能显著减小模型文件大小（可缩减至1/4）并加速推理，这对树莓派Zero是必选项。精度可能会有微小损失，但在大多数简单分类任务中可接受。
   • 下载：点击“下载我的模型”。你会得到一个压缩包，里面包含model.tflite和labels.txt文件。

注意：在训练时，务必考虑树莓派Zero的实际使用场景。如果你最终用Zero的摄像头模块采集图像，那么在Teachable Machine上收集数据时，最好也用类似的摄像头，并模拟相似的环境，这样可以减少“领域差距”，提升部署后的准确率。

3.2 第二步：准备树莓派Zero开发环境

在将模型部署到Zero之前，需要先准备好它的软件环境。由于Zero性能弱，推荐使用轻量级的操作系统，如Raspberry Pi OS Lite（无桌面环境），并通过SSH进行远程操作。

1. 系统安装与基础配置：将Raspberry Pi OS Lite镜像刷入SD卡，启动并完成基础设置（地区、语言、网络等）。建议启用SSH并配置Wi-Fi，方便无头运行。
2. 安装必要软件包：

   sudo apt update sudo apt upgrade -y sudo apt install -y python3-pip python3-pil python3-numpy libatlas-base-dev

   • python3-pip：Python包管理器。
   • python3-pil（Pillow）：用于图像处理。
   • python3-numpy：科学计算库，许多AI框架依赖它。
   • libatlas-base-dev：优化数学库，能加速NumPy运算。
3. 安装TensorFlow Lite运行时：不要安装完整的TensorFlow，那对Zero来说太庞大。安装专门为嵌入式设备优化的tflite_runtime。

   pip3 install --extra-index-url https://google-coral.github.io/py-repo/ tflite_runtime

   这个索引源提供了针对ARM架构预编译的轮子，安装更快更稳定。

3.3 第三步：模型部署与推理代码编写

将下载的model.tflite和labels.txt文件上传到树莓派Zero上。然后，我们编写一个Python脚本进行推理。这里以使用树莓派官方摄像头（CSI接口）为例。

import tflite_runtime.interpreter as tflite from PIL import Image import numpy as np import picamera import time import io # 1. 加载标签 with open('labels.txt', 'r') as f: labels = [line.strip() for line in f.readlines()] # 2. 加载TFLite模型并分配张量 interpreter = tflite.Interpreter(model_path='model.tflite') interpreter.allocate_tensors() # 3. 获取输入输出详情 input_details = interpreter.get_input_details() output_details = interpreter.get_output_details() # 通常Teachable Machine导出的是浮点量化模型，输入是uint8 height = input_details[0]['shape'][1] width = input_details[0]['shape'][2] # 4. 初始化摄像头 camera = picamera.PiCamera() camera.resolution = (width, height) # 设置摄像头分辨率与模型输入一致 camera.rotation = 180 # 根据摄像头安装方向调整 time.sleep(2) # 让摄像头预热 def preprocess_image(image_data): """预处理图像：转换为数组，调整尺寸，归一化（如果需要）""" image = Image.open(io.BytesIO(image_data)).convert('RGB') image = image.resize((width, height)) # 对于量化模型，输入通常是uint8，无需归一化到0-1 input_array = np.array(image, dtype=np.uint8) # 添加批次维度 (1, height, width, 3) input_array = np.expand_dims(input_array, axis=0) return input_array try: while True: # 捕获图像到内存流 stream = io.BytesIO() camera.capture(stream, format='jpeg', use_video_port=True) # use_video_port更快 stream.seek(0) # 预处理 input_data = preprocess_image(stream.getvalue()) # 设置输入张量 interpreter.set_tensor(input_details[0]['index'], input_data) # 执行推理 start_time = time.time() interpreter.invoke() inference_time = time.time() - start_time # 获取输出 output_data = interpreter.get_tensor(output_details[0]['index']) # output_data形状通常是 (1, num_classes) predicted_class_idx = np.argmax(output_data[0]) confidence = output_data[0][predicted_class_idx] # 对于量化模型，输出可能是整数，需要根据模型详情解量化 # Teachable Machine导出的量化模型，输出通常已经是近似的概率值 # 简单处理：将整数输出除以255.0（如果输出是0-255的整数）或直接使用 # 更严谨的做法是检查output_details中的量化参数 scale, zero_point = output_details[0]['quantization'] if scale: # 如果存在量化参数 confidence = scale * (confidence - float(zero_point)) predicted_label = labels[predicted_class_idx] print(f"预测: {predicted_label}, 置信度: {confidence:.2f}, 推理时间: {inference_time:.3f}秒") time.sleep(1) # 控制推理频率 except KeyboardInterrupt: print("程序停止") finally: camera.close()

代码关键点解析：

• use_video_port=True：在picamera中，这能利用视频端口进行捕获，速度比静态捕获模式快很多，对于实时推理至关重要。
• 量化处理：代码中包含了处理量化模型输出的逻辑。这是部署量化模型时最容易出错的地方。务必通过output_details检查输出的量化参数（scale和zero_point），并据此将整数输出转换回浮点数概率。Teachable Machine导出的模型通常已处理好，但显式检查是良好习惯。
• 输入数据类型：通过input_details确认模型期望的输入数据类型（dtype）是uint8还是float32。我们的代码按uint8处理，因为之前导出时选择了量化。

3.4 第四步：性能优化与实用化调整

在Zero上直接运行上述代码，你可能会发现推理速度在1-3秒左右，这离“实时”还有差距。以下是几个优化方向：

1. 降低输入分辨率：重新在Teachable Machine中训练模型时，尝试选择更小的输入尺寸（如128x128）。这是提升速度最有效的方法，但可能会降低精度。
2. 模型量化：确保导出时选择了“量化”选项。如果第一次没有，需要重新导出。
3. 减少预处理开销：PIL的resize操作可能较慢。可以尝试使用picamera的resize参数在捕获时直接生成小图，或者使用OpenCV（如果安装）的cv2.resize，但安装OpenCV在Zero上比较繁琐。
4. 调整推理频率：如果不是每帧都需要，可以降低推理频率，比如每5秒或检测到画面有变化时才推理。
5. 使用Coral USB加速器（如果预算允许）：这是一个为边缘设备设计的AI加速棒，通过USB连接到树莓派Zero，可以大幅提升TensorFlow Lite模型的推理速度（数十倍提升）。但这需要模型编译成适用于Coral的版本（.tflite兼容，但需特定编译），且增加了成本。

4. 常见问题与排查技巧实录

在实际操作中，你几乎一定会遇到下面这些问题。这里是我的排查记录和解决方案。

4.1 模型在电脑上测试正常，在Zero上预测结果混乱

• 现象：推理能执行，但输出的置信度都很低，或者类别预测完全错误。
• 排查：
  1. 检查输入预处理：这是最常见的原因。对比电脑上测试时的预处理代码和Zero上的代码是否完全一致。重点关注：颜色通道顺序（RGB vs BGR）、归一化范围（0-255 vs 0-1）、图像尺寸（是否严格resize到模型输入大小）。
  2. 检查量化参数：如果使用了量化模型，必须正确处理输入输出的量化/反量化。使用input_details和output_details打印出量化参数，确保代码中的处理逻辑正确。
  3. 验证模型和标签：再次确认上传到Zero的model.tflite和labels.txt文件是最新导出的，且没有损坏。可以计算一下文件的MD5哈希值进行对比。
• 解决：我通常会在预处理函数中加入调试语句，打印出输入数组的形状、数据类型和前几个像素值，与在电脑上运行时的值进行比对。确保完全一致。

4.2 运行脚本时出现内存不足（Memory Error）或卡死

• 现象：运行一段时间后程序崩溃，或系统响应极其缓慢。
• 排查：
  1. 检查内存使用：在另一个SSH会话中运行free -h命令，查看可用内存。树莓派Zero的512MB内存非常紧张。
  2. 检查交换空间：运行swapon --show和df -h，查看交换分区是否启用以及空间是否充足。默认的Raspberry Pi OS可能会启用100MB的交换文件。
• 解决：
  • 增加交换空间：这是最直接的方法。可以编辑/etc/dphys-swapfile文件，将CONF_SWAPSIZE从100增加到512（单位MB），然后重启交换服务：sudo systemctl restart dphys-swapfile。注意，这会影响SD卡寿命，因为频繁读写。
  • 优化代码，释放资源：确保在循环中及时释放大对象（如大的图像数据流）。使用del语句或确保变量离开作用域。
  • 关闭不必要的进程：用sudo systemctl stop停止不需要的系统服务（如蓝牙、桌面环境相关服务，如果你用的是Lite版则已最小化）。

4.3 摄像头初始化失败或图像捕获异常

• 现象：picamera模块报错，如“Camera is not enabled”或捕获的图像全黑/花屏。
• 排查：
  1. 检查硬件连接：确保CSI排线已正确插入，摄像头模块已通过sudo raspi-config在接口选项中启用。
  2. 检查摄像头独占访问：确保没有其他程序（如libcamera相关进程）正在占用摄像头。可以尝试重启树莓派。
  3. 检查供电：树莓派Zero的供电要求是5V/1.2A以上。供电不足可能导致摄像头无法正常工作。使用质量好的电源和USB线。
• 解决：一个实用的技巧是在初始化摄像头后，增加一个time.sleep(2)，给摄像头传感器和自动对焦（如果有）足够的启动时间。对于picamera，捕获静态图片时使用camera.capture()，而用于视频流或连续捕获时，使用camera.capture(..., use_video_port=True)能获得更稳定的性能。

4.4 推理速度太慢，无法满足实时性要求

• 现象：每张图片推理时间超过2秒。
• 排查与解决：
  1. 基准测试：单独测试模型推理时间（不包括图像捕获和预处理）。在代码中只对一张静态图片反复进行interpreter.invoke()，计算平均时间。这能确定瓶颈是模型本身还是IO/预处理。
  2. 模型层面：
     • 换用更小的模型：在Teachable Machine中重新训练，选择更小的输入尺寸和更轻量的基础网络（如果有选项）。
     • 确认量化：模型必须是量化过的（.tflite）。
  3. 代码层面：
     • 使用tflite_runtime：确保没有误装完整的tensorflow。
     • 预热：在正式循环前，先对一张虚拟图片执行一次allocate_tensors()和invoke()，这能完成运行时的一些初始化，使后续推理时间更稳定。
     • 减少操作：如前述，尝试优化图像读取和resize的流程。

5. 项目扩展与进阶思路

让模型在Zero上跑起来只是第一步。一个完整的项目通常需要将其集成到一个具体的应用场景中。

5.1 与硬件交互：从识别到控制

假设我们做了一个“手势开关灯”的项目。当识别出“开灯”手势时，控制GPIO引脚输出高电平，驱动一个继电器模块打开台灯。

import RPi.GPIO as GPIO # GPIO设置 LED_PIN = 17 GPIO.setmode(GPIO.BCM) GPIO.setup(LED_PIN, GPIO.OUT) # 在主循环的推理结果判断部分加入 if predicted_label == 'open_hand' and confidence > 0.8: # 置信度阈值 GPIO.output(LED_PIN, GPIO.HIGH) print("灯已打开") elif predicted_label == 'fist' and confidence > 0.8: GPIO.output(LED_PIN, GPIO.LOW) print("灯已关闭")

注意事项：GPIO操作涉及硬件，务必注意安全。添加适当的防抖逻辑（例如，连续识别到3次同一手势再触发动作），避免因误识别导致设备频繁开关。

5.2 模型更新与持续学习

Teachable Machine训练好的模型是静态的。如果部署后发现了新的识别错误，或者想增加新的类别，传统做法是回到网页重新训练、导出、再部署。我们可以设计一个简单的机制，让Zero在本地收集“困难样本”（即低置信度或错误分类的图片），并保存下来。定期将这些样本传回给主电脑，用于在Teachable Machine上增量训练，生成新模型后再更新到Zero。这就构成了一个简单的“边缘数据采集-中心模型优化”的闭环。

5.3 探索其他传感器与模型类型

Teachable Machine不仅支持图像，还支持声音分类和姿态识别。

• 声音项目：可以训练一个关键词识别模型，比如识别拍手声、口哨声或简单的语音命令。在Zero上部署时，需要使用麦克风采集音频，并按照模型要求的格式（如MFCC特征）进行预处理。这涉及到音频信号处理库（如librosa，但在Zero上安装可能较慢）。
• 姿态项目：训练一个识别身体姿势（如站立、坐下、举手）的模型。这需要使用PoseNet等姿态估计算法，对Zero的计算能力要求更高。可能需要使用Teachable Machine导出的TensorFlow.js模型，并通过tfjs的Node版本在Zero上运行，或者寻找更轻量级的TFLite姿态估计模型。

在树莓派Zero这块小小的板子上成功运行自己训练的AI模型，那种成就感是巨大的。它让你真切地触摸到“智能”从云端落到实体的过程。整个过程里，最大的收获往往不是最终的识别准确率有多高，而是在解决一个个具体问题中积累的经验：如何为资源受限的环境优化模型，如何调试跨平台的推理代码，如何平衡速度与精度。这个项目就像一个微缩的实验室，涵盖了边缘AI应用从数据到部署的完整链条。如果你也感兴趣，不妨就从手头的一个小想法开始，用Teachable Machine和树莓派Zero把它实现出来。