TinyML（Tiny Machine Learning，小型機器學習）

 TinyML（Tiny Machine Learning，小型機器學習）是指在資源受限的裝置（如微控制器）上運行機器學習模型的一門技術。它將機器學習推理的能力帶到「邊緣裝置」（edge devices），如感測器、穿戴設備、家電、IoT 裝置等，不需要連網也能進行即時判斷與反應。

🔧 TinyML 的核心特色：

低功耗（Low Power）：

通常能在耗電極低（幾毫瓦或更少）的裝置上持續運作，適合電池供電或長時間運行的情境。

低延遲（Low Latency）：

在裝置本地即時推理，無需傳送資料到雲端處理，減少延遲。

資料隱私（Privacy）：

因為不必將資料上傳到雲端，本地處理可提升使用者資料安全與隱私性。

離線運作（Offline Capable）：

不需要持續網路連線，適用於偏遠地區或網路不穩環境。

📦 TinyML 能做什麼？

語音辨識（如喚醒詞 “Hey Siri”, “OK Google”）

影像辨識（簡單的人臉偵測、物體偵測）

動作與姿勢辨識（手勢控制、運動追蹤）

環境感知（聲音分類、異常音檢測）

預測性維護（機械震動/聲音異常偵測）

簡易 NLP 應用（如文字分類、情感分析）

💡 常用工具與框架：

名稱 說明

TensorFlow Lite for Microcontrollers (TFLM) Google 推出的輕量版 ML 框架，支援 C/C++，適合 MCU。

CMSIS-NN ARM 提供的神經網路優化函式庫，針對 Cortex-M 系列做最佳化。

uTensor 由 ARM 支援的輕量神經網路推理引擎。

Edge Impulse 提供圖形化平台，讓開發者輕鬆訓練與部署 TinyML 模型到邊緣裝置。

🤖 常見的硬體平台：

Arduino Nano 33 BLE Sense

Raspberry Pi Pico + 擴充模組

Pico4ML

STM32 Nucleo / Discovery boards

ESP32 / ESP8266（進階）

🔍 與傳統 ML 的差異：

比較項目 傳統 ML/Deep Learning TinyML

運算平台 GPU / 雲端 / PC 微控制器 (MCU)、低階 SoC

模型大小 大（數百 MB 以上） 小（通常 < 1 MB）

延遲 高（取決於網路） 極低（毫秒級）

功耗 高 極低

運行地點 雲端 邊緣裝置（on-device）