ZHDA204A June   2026  – October 2026 MSPM0G5187

 

  1.   1
  2.   摘要
  3.   商标
  4. 1 简介
  5. 2 带 TinyEngine NPU 的 MSPM0G5187
  6. 3 边缘 AI 工具链
    1. 3.1 TI Edge AI Studio
    2. 3.2 TI Tiny ML Tensorlab
    3. 3.3 TI 神经网络编译器
  7. 4 通过 TI Edge AI Studio 进行快速原型设计
    1. 4.1 工程设置
    2. 4.2 数据采集
      1. 4.2.1 硬件设置
      2. 4.2.2 特征概述
    3. 4.3 数据导入
      1. 4.3.1 分类任务
      2. 4.3.2 回归任务
      3. 4.3.3 预测任务
      4. 4.3.4 注释列表
    4. 4.4 数据注释
    5. 4.5 模型训练
      1. 4.5.1 训练参数
      2. 4.5.2 工具链依赖项
    6. 4.6 性能报告
    7. 4.7 模型导出
  8. 5 通过 TI Tiny ML Tensorlab 进行高级开发
    1. 5.1 环境设置
    2. 5.2 数据采集
      1. 5.2.1 数据检索
      2. 5.2.2 数据验证
    3. 5.3 模型架构迭代重构
      1. 5.3.1 基线实现
      2. 5.3.2 使用 PyTorch 内置模块进行重构
      3. 5.3.3 数据管道优化
      4. 5.3.4 过渡到 CNN 架构
    4. 5.4 模型导出
    5. 5.5 量化感知训练
    6. 5.6 模型编译
  9. 6 边缘 AI 应用：数字识别
    1. 6.1 LeNet-5 变体 CNN 模型
    2. 6.2 NPU/CPU 性能比较
  10. 7 边缘 AI 应用：波形分类器
    1. 7.1 特征提取
    2. 7.2 时序分类模型
    3. 7.3 模型内存注意事项
    4. 7.4 NPU/CPU 性能比较
  11. 8 总结
  12. 9 参考资料
  13. 10修订历史记录

6 边缘 AI 应用：数字识别

数字识别技术是一项基础功能，在嵌入式和个人消费市场中具有广泛的应用。然而，在嵌入式系统上部署可靠的识别功能面临重大挑战：传统模板匹配方法难以应对人类手写笔迹的自然变异性。边缘 AI 的出现提供了一种颇具吸引力的设计方案，能够直接在设备本身上实现准确、实时的推理，无需依赖云端连接。基于 CPU 的推理流水线需要大量的计算资源，超出了资源受限微控制器通常可提供的处理能力。

MSPM0G5187 微控制器通过集成专用的 TinyEngine NPU 来解决这一挑战，该 NPU 旨在以极低的功耗和内存开销加速机器学习工作负载。该设计演示了将单个数字字符图像分类为 10 个类别 (0-9) 之一的功能。应用通过 UART 反向通道接收 28 × 28 灰度图像作为像素数据，使用片上 NPU 进行硬件加速的模型推理，并将识别出的数字类别发送回主机 GUI 进行显示。

借助片上 NPU，该数字识别系统实现了约 99% 的分类准确率，推理延迟仅为 6.05ms，同时仅占用 73KB 的闪存和 10.9KB 的 RAM，如表 7-6 所示。这些结果证明了在资源受限的微控制器上进行器件端机器学习的可行性。

表 6-1 数字识别边缘 AI 设计性能
Metric值
精度约 99%
闪存使用情况73KB
RAM 使用情况10.9KB
推理延迟 (NPU)6.05ms
推理能量(1) (AVG)170.38uJ
(1) 推理能量是在重复执行 tvmgen_default_run() 期间使用 EnergyTrace™ 软件测量的。
备注： 要在 LP-MSPM0G5187 上保持准确的推理能量测量，请移除 J6 跳线。这可以防止板载麦克风和音频 ADC 产生额外的电流消耗，否则可能会导致结果出现偏差。
表 7-5 显示了模型主要信息。
表 6-2 数字识别 AI 模型信息
属性值
模型架构CNN
参数数量60,000
输入形状（1、28、28）
输出类10
量化INT8