本文將介紹基于米爾電子MYD-LR3576開發平臺部署超輕量級推理框架方案：TinyMaix摘自優秀創作者-短笛君

TinyMaix 是面向單片機的超輕量級的神經網絡推理庫，即 TinyML 推理庫，可以讓你在任意低資源MCU上運行輕量級深度學習模型。

關鍵特性

核心代碼少于 400行

(tm_layers.c+tm_model.c+arch_cpu.h),

代碼段(.text)少于3KB
低內存消耗
支持 INT8/FP32/FP16 模型，實驗性地支持 FP8 模型，支持 keras h5 或 tflite 模型轉換
支持多種芯片架構的專用指令優化: ARM SIMD/NEON/MVEI，RV32P, RV64V
友好的用戶接口，只需要 load/run 模型
支持全靜態的內存配置(無需 malloc )

同樣地也可以部署到MPU平臺上

RK3576平臺相較于RK3588其主要縮減了四個A76大核改成了A72
GPU也由原來的G610 MC4減為了G52MC3
NPU功能保持變不變，均為6Tops
視頻編解碼也略有縮減
其余各接口也砍掉了一部分
主打極致性價比方案

說回正題，要運行TinaMaix 只需要簡單幾個步驟即可運行。
首先確保系統安裝了cmake gcc make工具：

克隆存儲庫[GitHub - sipeed/TinyMaix: TinyMaix is a tiny inference library for microcontrollers (TinyML).]

運行mnist手寫數字識別任務

cdexamples/mnistmkdirbuildcdbuildcmake ..make./mnist

整個流程跑完僅僅需要0.14ms

可以看到soc平臺強大的算力

mbnet
是適用于移動手機設備的簡單圖像分類模型，不過對單片機來說也稍微困難了些。
例程里的模型是 mobilenet v1 0.25，輸入 128x128x3 的RGB圖像，輸出1000 分類的預測。
它需要至少 128KB SRAM 和 512KB Flash。

mkdirbuildcdbuildcmake ..make./mbnet

運行1000分類，耗費資源如下：
param “481,9 KB,0PS13,58 M0PS, buffer 96 0 KB

vww測試，主要是將圖片信息轉化為數組格式提供給網絡輸入。

手寫數字識別的例程也是十分簡單，只需要：

庫文件已經是高度封裝且兼容，所以很輕松地就可以在linux以及其它平臺上移植，在RK3576這種高性能soc的加持下，可以發揮出更大的優勢。