TinyML实战项目：智能城市与公共安全从一次凌晨三点的误报说起凌晨三点，手机疯狂震动。城市边缘某处部署的智能烟感设备连续推送了17条火灾警报。我裹着外套赶到现场，发现是附近烧烤摊的炭火余烬被风吹进了传感器腔体——一个典型的“热源误报”。更让人头疼的是，这个设备用的是STM32L4+离线TinyML方案，没有云端回滚机制，固件更新需要现场烧录。那天晚上我蹲在路灯下用ST-Link刷了三个设备，蚊子咬了一腿包。这个场景让我意识到：智能城市项目里，TinyML的“智能”二字，往往不是算法多先进，而是能不能在资源受限的MCU上，把误报率压到让运维人员能睡个整觉的程度。硬件选型：别被“算力”忽悠了很多初学者一上来就盯着Cortex-M7或者带NPU的芯片，觉得算力越高越好。但在智能城市场景下，功耗和成本才是真正的紧箍咒。一个城市级部署，动辄上千个节点，每颗芯片贵5毛钱，总成本就多出几百块，更别提电池更换的人工成本。我目前的主力方案是STM32U5系列（Cortex-M33，带Helium向量扩展）配合MAX78000（硬件CNN加速器）。前者做通用控制和轻量级特征提取，后者专门跑推理。别这样写代码：// 错误示范：在MCU上直接跑完整ResNet-18// 这里踩过坑——STM32U
TinyML实战项目：智能城市与公共安全从一次凌晨三点的误报说起凌晨三点，手机疯狂震动。城市边缘某处部署的智能烟感设备连续推送了17条火灾警报。我裹着外套赶到现场，发现是附近烧烤摊的炭火余烬被风吹进了传感器腔体——一个典型的“热源误报”。更让人头疼的是，这个设备用的是STM32L4+离线TinyML方案，没有云端回滚机制，固件更新需要现场烧录。那天晚上我蹲在路灯下用ST-Link刷了三个设备，蚊子咬了一腿包。这个场景让我意识到：智能城市项目里，TinyML的“智能”二字，往往不是算法多先进，而是能不能在资源受限的MCU上，把误报率压到让运维人员能睡个整觉的程度。硬件选型：别被“算力”忽悠了很多初学者一上来就盯着Cortex-M7或者带NPU的芯片，觉得算力越高越好。但在智能城市场景下，功耗和成本才是真正的紧箍咒。一个城市级部署，动辄上千个节点，每颗芯片贵5毛钱，总成本就多出几百块，更别提电池更换的人工成本。我目前的主力方案是STM32U5系列（Cortex-M33，带Helium向量扩展）配合MAX78000（硬件CNN加速器）。前者做通用控制和轻量级特征提取，后者专门跑推理。别这样写代码：// 错误示范：在MCU上直接跑完整ResNet-18// 这里踩过坑——STM32U
)
