TinyML实战项目：智能零售与商品识别从一次“货架识别翻车”说起去年帮朋友调试一个智能零售柜项目，用的是STM32F4 + OV2640摄像头，跑MobileNetV1量化模型。现场测试时，可乐瓶识别率高达92%，但一遇到“红色罐装王老吉”就疯狂误报成“可口可乐”。更离谱的是，当阳光从左侧45度角照进柜门时，模型直接把空货架识别成了“薯片大礼包”。拆开日志一看，问题出在预处理环节——图像缩放用了双线性插值，但量化后的模型对边缘像素的抖动极其敏感。后来换成最近邻插值+中值滤波，误报率直接降到3%以下。这个坑让我意识到：TinyML在零售场景里，真正的难点从来不是模型选型，而是从传感器到推理引擎的整条链路如何“接地气”。硬件选型：别被“算力”忽悠了很多人一上来就盯着TOPS（每秒万亿次运算）看，觉得NPU越强越好。但零售场景有个致命约束：功耗和散热。货柜内部夏天温度能到50℃，你放个带风扇的树莓派，三天就过热降频。我踩过的组合是：STM32H743（Cortex-M7，480MHz）+ 外部SRAM（8MB）+ OV2640（200万像素）。H7有双精度FPU和硬件JPEG编码器，关键是不需要主动散热。如果预算允许，可以上ESP32-S3，它的向量扩展指令集对卷积运算有奇效，而且WiFi/BLE一体，省掉外挂通信模块。摄像头别选太贵的。OV2640虽然老，但胜在驱动成熟、功耗低（待机1mA）。注意要买带红外截止
TinyML实战项目：智能零售与商品识别从一次“货架识别翻车”说起去年帮朋友调试一个智能零售柜项目，用的是STM32F4 + OV2640摄像头，跑MobileNetV1量化模型。现场测试时，可乐瓶识别率高达92%，但一遇到“红色罐装王老吉”就疯狂误报成“可口可乐”。更离谱的是，当阳光从左侧45度角照进柜门时，模型直接把空货架识别成了“薯片大礼包”。拆开日志一看，问题出在预处理环节——图像缩放用了双线性插值，但量化后的模型对边缘像素的抖动极其敏感。后来换成最近邻插值+中值滤波，误报率直接降到3%以下。这个坑让我意识到：TinyML在零售场景里，真正的难点从来不是模型选型，而是从传感器到推理引擎的整条链路如何“接地气”。硬件选型：别被“算力”忽悠了很多人一上来就盯着TOPS（每秒万亿次运算）看，觉得NPU越强越好。但零售场景有个致命约束：功耗和散热。货柜内部夏天温度能到50℃，你放个带风扇的树莓派，三天就过热降频。我踩过的组合是：STM32H743（Cortex-M7，480MHz）+ 外部SRAM（8MB）+ OV2640（200万像素）。H7有双精度FPU和硬件JPEG编码器，关键是不需要主动散热。如果预算允许，可以上ESP32-S3，它的向量扩展指令集对卷积运算有奇效，而且WiFi/BLE一体，省掉外挂通信模块。摄像头别选太贵的。OV2640虽然老，但胜在驱动成熟、功耗低（待机1mA）。注意要买带红外截止
