明日直播：如何在RT-Thread上使用TFLite Micro实现AI相机？

TensorFlow Lite for Microcontrollers 的使用和实现

使用方法 参考tensorflow/lite/micro/examples/xxx 目录下的使用方法， 以hello_world为例， 文件hello_world_test.cc 1. 创建MicroErrorReporter object tflite::MicroErrorReporter micro_error_reporter; 2. 有tflite model文件得到 tflite::Modle 结构体 const tflite::Model* model = ::tflite::G.

tflite-micro:适用于微控制器的TensorFlow Lite

适用于微控制器的TensorFlow Lite TFLM代码目前正在从重构为独立的。 此重构目前处于初始阶段，预计将在2021年6月底完成。

社区分享｜Arm 中国生态技术市场经理教你玩转 TFLite Micro 端云一体解决方案

｜本文来自社区投稿与征集，作者 郑亚斌，Arm 中国生态技术市场经理。 概述： TensorFlow Lite Micro 是 TensorFlow Lite 针对 AIOT 的轻量级 AI 引擎，用于在微控制器和其他资源受限的设备上运行机器学习模型。端云链接从 TencentOS Tiny 开始。 1. 建立与转换模型 由于嵌入式设备存储空间有限，因此限制了深度学习的应用，同时考虑到平台算力以及算子支持等因素，因此在模型设计以及部署阶段需充分了解硬件平台资源以及预期性能。 本部...

V4L2 Camera 驱动的数据流模型：Buffer Queue 与 Streaming 流程详解

在 Linux V4L2 摄像头驱动架构中，数据流模型由 Buffer Queue 管理机制与 Streaming 流程共同构建，直接关系到图像采集性能、帧稳定性与平台兼容性。本文从工程视角出发，详解 V4L2 的 buffer 管理架构，包括内核态的数据流路径、帧队列调度逻辑、内存映射机制、驱动层对 `VIDIOC_QBUF` 和 `VIDIOC_DQBUF` 的处理，以及 streaming 启停流程的具体状态转换。结合 Qualcomm、MTK 等平台的调度优化策略，深入剖析视频帧在驱动层级的完整生命

TensorFlow Lite Micro简介与使用

一文高效搞懂TensorFlow Lite Micro的简介与使用！

TFLite Micro嵌入式AI部署：如何在千字节内存设备上运行机器学习模型？

在当今边缘计算时代，将AI模型部署到资源受限的嵌入式设备已成为关键技术挑战。TFLite Micro作为TensorFlow生态中专为微控制器设计的轻量级框架，让开发者能够在仅有千字节级内存的设备上运行复杂的机器学习算法。本文将带你了解这一革命性技术的核心概念、应用场景和实战方法。 [![TFLite Micro代码架构](https://raw.gitcode.com/gh_mirrors/t

TFLite Micro Introduce

【代码】TFLite Micro Introduce。

TfLite: c++ in TfLite micro

tflite micro makefile and test

Makefile

在 windows 上使用 docker 运行 tflite-micro 示例代码

TFLite Micro 是 Google 推出的 TensorFlow Lite 的一个特殊版本，专门用于在资源受限的嵌入式设备上运行机器学习模型。本文介绍了如何在windows使用docker-destop运行 tflite-micro 的示例项目。

TFLite Micro完整教程：嵌入式AI部署终极指南

在边缘计算和物联网设备蓬勃发展的今天，如何在资源受限的微控制器上部署机器学习模型成为开发者的重要课题。TensorFlow Lite for Microcontrollers（TFLM）作为专为低功耗嵌入式设备设计的微型机器学习框架，让AI推理在仅有千字节级内存的设备上成为现实。本文将深入解析这一框架的技术优势、部署流程和性能优化策略，为嵌入式开发者提供完整的解决方案。 ## 技术优势解析：为什

大模型时代下的轻量化部署：TensorFlow Lite Micro详解

在资源受限的微控制器上实现深度学习推理，TensorFlow Lite Micro 通过静态内存分配、零依赖设计和端到端工具链，让智能模型直接以C代码运行于裸机环境，推动边缘智能的真正落地。

TensorFlow 核心模块详解：TensorFlow Lite Micro 与微控制器部署

TensorFlow Lite Micro（TFLite Micro）是专为微控制器设计的超轻量级AI推理框架，能在KB级内存、MHz级CPU的硬件上运行。其核心特性包括超小体积（16KB）、低内存占用（2-10KB）、仅需CPU运算和超低功耗（微安级）。部署流程分为四步：设计极简模型（如10KB参数）、全整数量化（INT8/INT16）、转换为TFLite格式和集成到微控制器固件。通过训练后量化和模型剪枝可进一步压缩模型体积，适用于智能传感器、可穿戴设备等边缘AI场景。

如何在微控制器上部署AI模型？TFLite Micro实战指南

TensorFlow Lite Micro（TFLM）是专为资源受限的嵌入式设备设计的微型机器学习框架，能在仅有几十KB内存的微控制器上运行AI模型，为边缘计算提供强大支持。本文将带你从零开始掌握TFLM的部署技巧，让AI在最小硬件上发挥最大价值。 ## 🌟 理解TFLite Micro的核心优势 TFLM框架最大的特点就是**极致轻量化**和**跨平台兼容性**。与传统机器学习框架相比，T

【嵌入式AI开发必看】：TensorFlow Lite Micro C扩展的5大核心应用场景

掌握嵌入式AI开发利器，详解TensorFlow Lite Micro的C扩展在物联网、传感器处理、语音识别等5大场景的应用方法。突出低功耗、高实时性优势，提供轻量级模型部署方案，助力开发者高效实现边缘计算。实用技巧值得收藏。

TFLite Micro嵌入式AI部署：从问题诊断到性能优化的完整指南

在嵌入式设备上部署机器学习模型时，开发者常常面临内存不足、推理速度慢、模型体积过大等挑战。为什么同样的模型在PC上运行流畅，到了微控制器就举步维艰？本文将采用问题导向的方法，系统分析嵌入式AI部署的技术难点，并提供经过验证的解决方案。 ## 问题诊断：嵌入式AI部署的三大核心挑战 ### 内存资源严重受限 微控制器通常只有几十到几百KB的RAM，而传统的TensorFlow模型动辄需要MB级

如何快速部署机器学习模型到微控制器？TFLite Micro 终极入门指南

TensorFlow Lite for Microcontrollers（TFLM）是专为低功耗嵌入式设备设计的**微型机器学习框架**，能在仅有千字节级内存的微控制器和数字信号处理器上运行AI模型。本文将带你从安装到实战，零门槛掌握边缘AI部署技术！ ## ???? 什么是 TFLite Micro？ TFLite Micro 是 TensorFlow 生态中针对**资源受限设备**的轻量化解决...

【STM32开发笔记】移植AI框架TensorFlow到STM32单片机【下篇】

本文将会继续介绍——如何为STM32H7S78-DK开发板准备CMake项目、如何将TFLM集成到基于CMake的STM32项目中、如何在STM32H7S78-DK开发板上运行TFLM基准测试，具体包括如何支持计时和printf输出、如何集成TFLM到基于CMake的STM32项目，以及解决过程中遇到的一些问题。