TinyML实战项目：智能宠物监测与行为分析从一次半夜被猫踩醒说起凌晨三点，我家那只橘猫又跳上了我的胸口。这不是第一次了。我盯着天花板想：能不能用嵌入式AI做个东西，监测它什么时候在活动，甚至判断它是在跑酷、抓沙发还是单纯在睡觉？这个念头催生了今天要聊的项目——一个基于STM32U5和TinyML的宠物行为分析器。先说说踩过的坑。最初我天真地以为，用手机录一段猫叫的音频，扔进TensorFlow训练个分类模型，然后直接烧到MCU上就完事了。结果模型在PC上准确率95%，部署到Cortex-M4上直接崩了——RAM不够，推理一次要3.2秒。后来换成STM32U5（带2MB Flash和786KB SRAM），才勉强跑起来，但功耗又炸了。这中间折腾了整整两周。硬件选型：别被“低功耗”三个字骗了很多人选MCU只看主频和Flash，忽略了一个关键指标：推理时的动态功耗。我试过STM32L4，待机功耗确实低，但跑模型时电流飙到80mA，比ESP32还高。最终选了STM32U585，原因有三：硬件加速器：内置的MATH加速单元对矩阵运算有奇效，同样的MobileNetV2量化模型，推理时间从1.8秒降到0.6秒。大SRAM：786KB意味着可以缓存一整段音频特征（MFCC），不用频繁读Flash。低功耗模式：支持LPBAM（低功耗后台自主模式），可以在不唤醒主核的情况下持