1. 项目缘起当边缘AI遇上“零”成本最近在折腾一个挺有意思的小项目把Google的Teachable Machine直接跑在树莓派Zero上。你可能听说过Teachable Machine它是一个非常友好的在线工具让你不用写代码就能训练一个简单的图像、声音或姿态识别模型。而树莓派Zero则是那个只有信用卡一半大小、价格极其低廉的微型电脑。把这两者结合起来听起来有点像“让玩具车去跑拉力赛”——一个是为网页和云端设计的便捷工具另一个是资源极度受限的微型硬件。但恰恰是这种看似不匹配的组合背后藏着巨大的实用价值它意味着你可以用极低的成本和门槛在物理世界中部署一个真正“会思考”的智能节点。想想看你可以训练一个模型识别门口是否有快递包裹然后让Zero在识别到包裹时点亮一个LED灯提醒你或者做一个简单的垃圾分类器识别出塑料瓶就控制舵机把它推到对应的回收桶里。这些应用不需要强大的云端算力也不需要复杂的开发流程Teachable Machine降低了AI模型创建的门槛而树莓派Zero则解决了部署的硬件成本和体积问题。这正是边缘AI的精髓让智能发生在数据产生的地方快速、廉价、且隐私友好。我之所以选择这个组合就是想探索一下在资源如此紧张Zero只有单核CPU和512MB内存的设备上跑通一个从训练到部署的完整AI应用流程到底会遇到哪些坑又能实现些什么。这不仅仅是技术验证更是在寻找一种普适的、大众可及的智能化方案。2. 核心工具链解析Teachable Machine与树莓派Zero的适配性要理解这个项目首先得拆解清楚两个核心组件的能力边界和它们是如何连接起来的。2.1 Teachable Machine无代码AI的便捷与局限Teachable Machine的核心优势在于其“无代码”和“在线训练”。你只需要准备好图片、音频或动作样本通过网页摄像头或上传文件的方式喂给它它就会在后台帮你完成特征提取、模型训练和优化。最终它会输出一个模型文件通常是TensorFlow.js格式的一个包含模型架构和权重的JSON文件以及对应的二进制权重文件或者TFLite格式。对于图像分类它使用的是基于MobileNet的轻量级卷积神经网络这在设计之初就考虑到了在移动设备和浏览器中运行。然而它的“便捷”也带来了局限模型定制程度低你无法调整网络结构、层数、学习率等超参数完全是一个黑盒过程。输出格式固定主要面向Web应用TensorFlow.js虽然也支持导出TFLite但其针对树莓派等嵌入式设备的优化并非首要考虑。训练数据依赖性强模型效果严重依赖于你提供的数据质量和多样性。在光照变化、角度差异较大的场景下直接用Teachable Machine训练的模型可能泛化能力不足。2.2 树莓派Zero W极简硬件的性能天花板我使用的是树莓派Zero W它集成了Wi-Fi和蓝牙比最初的Zero更实用。它的规格是单核1GHz ARM11 CPU512MB RAM没有GPU。这个配置运行完整的桌面操作系统如Raspberry Pi OS Desktop已经相当吃力更不用说运行神经网络推理了。因此我们的第一个关键决策就是必须使用无桌面环境的Lite版本系统最大化地节省内存和CPU开销为模型推理留出资源。另一个重点是接口。Zero的微型HDMI和OTG USB接口需要转接器在部署时需要考虑物理连接。同时它的GPIO引脚是完整的这为我们连接传感器、执行器如LED、舵机提供了可能这也是它比纯计算棒更有优势的地方——能直接与物理世界交互。2.3 桥梁技术选型TensorFlow Lite与Python生态Teachable Machine导出的TFLite模型需要TFLite解释器Interpreter在树莓派上加载和运行。TensorFlow Lite是TensorFlow针对移动和嵌入式设备的轻量级解决方案它包含了一套针对ARM架构优化的算子库。我们的技术栈因此确定为操作系统Raspberry Pi OS (Legacy) Lite (32-bit)。选择Legacy版本是基于稳定性考虑其对旧款硬件的支持更好。核心运行时TensorFlow Lite Runtime。我们不需要安装完整的TensorFlow那样过于臃肿。TFLite Runtime是一个精简的包只包含运行模型所需的核心组件。编程语言Python。这是树莓派生态上最主流、库最丰富的语言便于我们处理摄像头输入、GPIO控制等任务。辅助库picamera2用于操作摄像头模块、Pillow图像处理、gpiozero控制GPIO。这套组合确保了从模型导入、图像采集、预处理、推理到最终动作执行的全链路贯通且尽可能轻量。3. 从零开始的完整部署与配置实战下面是我将Teachable Machine模型部署到树莓派Zero上的详细步骤其中包含了大量官方文档不会提及的细节和避坑点。3.1 系统准备与基础环境搭建首先你需要一张至少8GB的Micro SD卡。使用Raspberry Pi Imager工具刷入Raspberry Pi OS (Legacy) Lite (32-bit)镜像。在刷写前Imager的高级设置按CtrlShiftX是关键启用SSH并设置密码。这是你后续无头无显示器操作Zero的唯一方式。配置Wi-Fi填入你的SSID和密码。这样Zero启动后就能自动联网。设置主机名如tm-zero.local方便后续通过主机名访问。设置用户名和密码建议使用默认的pi用户但密码一定要改。刷写完成后将SD卡插入Zero上电启动。等待一分钟后你就可以在同一个局域网内通过SSH连接了ssh pitm-zero.local。登录后第一件事是更新系统并安装必要工具sudo apt update sudo apt full-upgrade -y sudo apt install -y python3-pip python3-pil python3-numpy git这里选择python3-pip通过系统包管理器安装比用get-pip.py脚本更稳定。Pillow和numpy是图像处理和模型输入输出所必需的。3.2 TensorFlow Lite Runtime的特定版本安装这是最大的一个坑。树莓派Zero的ARMv6架构arm1176jzf-s不被很多现代软件包的原生版本支持。直接pip install tensorflow或pip install tflite-runtime很可能会失败提示找不到合适的版本wheel。解决方案是安装由社区预编译的、兼容ARMv6的版本。我经过多次测试找到了一个稳定的组合sudo apt install -y libatlas-base-dev # 提供优化的线性代数库 pip3 install https://github.com/ricardodeazambuja/rpi-tflite/raw/main/tflite_runtime-2.14.0-cp39-cp39-linux_armv6l.whl这个.whl文件是热心开发者为ARMv6架构专门编译的。请注意版本号2.14.0和Python版本cp39对应Python 3.9。你需要确保你的Python版本匹配。通过python3 --version查看。Raspberry Pi OS Legacy Lite通常预装Python 3.9。安装成功后验证一下python3 -c import tflite_runtime.interpreter as tflite; print(tflite.__version__)如果成功输出版本信息那么最艰难的一步就跨过去了。3.3 模型获取与转换Teachable Machine端操作在Google Teachable Machine网站上创建你的图像分类项目。为每个类别例如“有包裹”、“无包裹”采集或上传足够多的样本图片。关键点尽量模拟树莓派摄像头将要看到的真实环境包括光线、角度、背景复杂度。点击“训练模型”等待训练完成。训练完成后不要急于使用网页预览。点击“导出模型”在弹出窗口中选择“TensorFlow Lite”标签页。在“转换类型”下务必选择“量化Quantized”。量化会将模型权重从32位浮点数转换为8位整数这能显著减小模型体积并提升推理速度对Zero这类设备至关重要精度损失通常在可接受范围内。点击“下载我的模型”。你会得到一个ZIP压缩包解压后里面包含labels.txt和一个.tflite文件例如model_unquant.tflite或model_quantized.tflite。我们需要的正是这个.tflite文件和标签文件。3.4 代码实现推理脚本的编写与优化将下载的model_quantized.tflite和labels.txt通过SCP上传到树莓派Zero上。然后创建一个Python脚本例如inference.py。import time import numpy as np from PIL import Image import tflite_runtime.interpreter as tflite from picamera2 import Picamera2 from gpiozero import LED # 示例控制LED # 1. 初始化GPIO示例连接在GPIO17的LED led LED(17) # 2. 加载标签 with open(labels.txt, r) as f: labels [line.strip() for line in f.readlines()] # 3. 加载TFLite模型并分配张量Tensors interpreter tflite.Interpreter(model_pathmodel_quantized.tflite) interpreter.allocate_tensors() # 4. 获取输入输出详情 input_details interpreter.get_input_details() output_details interpreter.get_output_details() # 通常Teachable Machine模型输入是[1, 224, 224, 3] (batch, height, width, channels) height input_details[0][shape][1] width input_details[0][shape][2] # 5. 初始化摄像头 picam2 Picamera2() # 配置一个低分辨率的预览流足够模型输入即可节省处理时间 config picam2.create_preview_configuration(main{size: (width, height)}) picam2.configure(config) picam2.start() print(开始推理按CtrlC终止。) try: while True: # 6. 捕获一帧图像 frame picam2.capture_array() # 获取numpy数组 # 注意picamera2捕获的通道顺序可能是RGB或BGR需确认。Teachable Machine通常期望RGB。 # 如果颜色异常可能需要转换frame frame[:, :, ::-1] (BGR to RGB) # 7. 图像预处理 # 将图像转换为PIL Image然后缩放到模型输入尺寸 image Image.fromarray(frame) image image.resize((width, height)) # 归一化到[0, 1]量化模型可能需要整数输入这里需根据模型调整 # 对于量化模型输入通常是uint8。Teachable Machine导出的量化模型输入预期是[0, 255]的整数。 input_data np.expand_dims(image, axis0).astype(np.uint8) # 添加batch维度 # 8. 执行推理 interpreter.set_tensor(input_details[0][index], input_data) start_time time.time() interpreter.invoke() inference_time (time.time() - start_time) * 1000 # 转换为毫秒 # 9. 获取输出 output_data interpreter.get_tensor(output_details[0][index]) # output_data形状通常是[1, num_classes] probabilities output_data[0] # 获取第一个batch的结果 # 10. 解析结果并触发动作 predicted_class_idx np.argmax(probabilities) confidence probabilities[predicted_class_idx] predicted_label labels[predicted_class_idx] print(f预测: {predicted_label} (置信度: {confidence:.2f}), 耗时: {inference_time:.1f}ms) # 根据预测结果控制硬件示例如果识别到“有包裹”则点亮LED if predicted_label 有包裹 and confidence 0.7: # 设置一个置信度阈值 led.on() else: led.off() # 控制循环频率避免过度占用CPU time.sleep(0.5) except KeyboardInterrupt: print(程序终止。) finally: picam2.stop() led.off()这段代码有几个至关重要的优化点和注意事项摄像头配置我们只创建了刚好满足模型输入尺寸224x224的预览流而不是先捕获高清大图再缩放这减少了内存拷贝和处理时间。输入数据类型对于量化模型务必确认输入数据是uint80-255而不是float320-1否则推理结果会完全错误。这是新手最容易踩的坑。通道顺序picamera2的capture_array()默认输出可能是BGR顺序而模型训练时用的是RGB。如果识别结果颜色敏感需要通过frame[:, :, ::-1]进行转换。置信度阈值直接使用argmax的结果可能不稳定特别是在低置信度时。设置一个阈值如0.7可以过滤掉不确定的预测减少误触发。循环延迟time.sleep(0.5)给了系统喘息之机。在Zero上不间断地抓图、推理会很快占满CPU加入短暂延迟可以稳定系统温度并保证其他任务如SSH响应的流畅性。4. 性能实测、瓶颈分析与优化策略在Zero上部署后实际的性能表现是检验项目成功与否的关键。我使用上述脚本进行了测试。4.1 基准性能数据使用一个包含3个类别每类约50张训练图的量化模型输入尺寸为224x224在树莓派Zero W上连续运行100次推理取平均值单次推理时间约1200 - 1800毫秒(1.2 - 1.8秒)。CPU占用率推理期间单核CPU基本维持在95%-100%。内存占用整个Python进程占用约120MBRAM。功耗与发热持续运行几分钟后芯片会有明显温升建议被动散热片。这个数据清晰地揭示了瓶颈计算能力。1秒多的推理时间意味着这不是一个实时系统而是一个“间歇性感知”系统。它适用于不需要快速响应的场景比如每分钟检查一次邮箱、监控植物土壤湿度是否达标等。4.2 针对性优化手段虽然硬件天花板明显但我们仍有一些软件层面的优化空间模型输入尺寸在Teachable Machine训练时虽然不能改网络结构但可以在导出前尝试更小的输入尺寸如果有选项。或者寻找其他支持定制输入大小的轻量级模型转换工具将模型输入从224x224降到96x96或128x128计算量会呈平方级下降。推理脚本优化关闭调试信息确保运行脚本时没有额外的打印输出除了必要的结果减少I/O开销。使用numpy的原地操作避免在图像预处理中创建不必要的临时数组。考虑多进程在单核CPU上多进程意义不大反而会因进程切换增加开销。不推荐。系统级优化禁用不必要的后台服务使用sudo systemctl disable禁用bluetooth,avahi-daemon等可能用不到的服务。超频树莓派Zero可以适度超频。在/boot/config.txt末尾添加arm_freq1100将ARM核心超到1.1GHz。注意超频可能影响稳定性并增加功耗和发热务必做好散热。使用性能调控器设置CPU调控器为performance确保CPU一直以最高频率运行避免因频率缩放引入的延迟。sudo echo performance | sudo tee /sys/devices/system/cpu/cpu0/cpufreq/scaling_governor重启后失效需写脚本开机设置。4.3 超越Teachable Machine更优的模型选择如果对性能有更高要求Teachable Machine可能不再是最佳起点。可以考虑以下路径使用预训练的TFLite模型TensorFlow官方和社区提供了大量针对移动设备优化的预训练模型如MobileNetV2、EfficientNet-Lite系列。它们通常比Teachable Machine生成的模型效率更高你可以使用迁移学习在自己的数据集上微调。探索其他轻量级框架如MediaPipe它提供了现成的、高度优化的视觉任务解决方案如人脸检测、手势识别其性能在树莓派Zero上可能比运行通用的分类模型要好得多。5. 典型应用场景与扩展思路经过这番折腾树莓派Zero Teachable Machine的组合最适合哪些场景呢我认为是那些“低频检测、高延迟容忍、逻辑简单”的应用。智能信箱提醒器摄像头对准信箱投递口训练“有邮件”和“无邮件”两类。检测到邮件后通过GPIO控制一个蜂鸣器响起或者通过Zero W的Wi-Fi向你的手机发送一条通知可以集成IFTTT或简单的HTTP请求。简易垃圾分类引导在垃圾桶上方安装摄像头训练识别“塑料瓶”、“易拉罐”、“纸盒”。识别到后通过屏幕显示或语音播报接入USB音频设备告知用户应投入哪个垃圾桶。工作区占用检测用于共享办公桌或实验室工位。训练“有人”和“无人”状态结合时间数据可以统计工位利用率。植物健康监测定期拍摄植物叶片训练“健康”、“缺水”、“有虫害”等类别。虽然精度可能不如专业设备但作为一个低成本预警系统颇具趣味性。扩展思路结合其他传感器AI视觉负责“识别是什么”而温湿度传感器、超声波测距传感器可以提供“环境怎么样”、“距离有多远”等补充信息做出更综合的判断。模型更新Teachable Machine训练的新模型可以通过SCP定期上传到树莓派上替换旧模型实现模型的远程迭代。你可以设计一个简单的脚本每次启动时从某个网络地址检查并下载最新模型。状态持久化与通信将识别结果带时间戳记录到本地的SQLite数据库或者定期上传到云端服务器进行长期统计和分析。整个项目走下来最大的体会是在资源受限的边缘设备上运行AI更像是一场“资源管理的艺术”。你需要在模型精度、推理速度、功耗和成本之间反复权衡。Teachable Machine和树莓派Zero的这个组合以其极低的入门门槛为我们打开了一扇窗让我们能亲手触摸到边缘AI的脉搏。它不完美速度慢能力有限但它真实、可触及并且充满了让想法快速变成原型的乐趣。当你看到那个小小的Zero板子上的绿灯随着你手的晃动而明灭对应“有物体”和“无物体”的识别时那种成就感是云端API调用无法比拟的。这或许就是嵌入式AI的魅力所在。