1、在PSoC 6上运行TinyML的意义
- 低功耗优势：PSoC6系列微控制器具有超低功耗的特点，适用于电池供电的设备。在边缘设备上运行TinyML模型，可以利用PSoC6的低功耗优势，实现长时间的连续工作，从而延长设备的电池寿命。
- 实时数据处理：在PSoC6上直接运行TinyML模型，可以实现数据的实时处理，无需将数据传输到云端进行处理。这对于需要即时响应的应用场景（如健康监测、工业控制等）尤其重要。
- 隐私和安全：数据在本地处理可以提高用户隐私和数据安全性。无需将敏感数据上传到云端，减少了数据泄露和隐私侵害的风险。
- 成本效益：边缘设备本地处理可以减少对云计算资源的依赖，从而降低相关的数据传输和云服务费用。对于大规模部署的物联网设备，这将带来显著的成本节约。
- 灵活性和可定制性：PSoC6具有可编程的模拟和数字外设，结合TinyML可以为各种特定应用进行定制优化。例如，PSoC6可以利用其丰富的I/O接口与传感器直接交互，进行本地数据预处理和特征提取，再将处理后的数据输入TinyML模型进行预测和决策。
- 提高设备智能化：通过在PSoC6上运行TinyML，边缘设备可以具备更强的智能化能力，从而实现自主决策和更高效的操作。这在智能家居、智能农业、工业物联网等领域具有广泛应用前景。
- 开发生态系统支持：PSoC6的开发环境（如Cypress的ModusToolbox）提供了丰富的库和工具，支持开发者更方便地实现TinyML应用。这加快了开发进程，降低了开发门槛。
在PSoC6上运行TinyML不仅能够充分发挥其硬件优势，还能带来功耗、成本、安全和实时性等多方面的优化，对于边缘计算和物联网应用具有重要的意义。
2、实现步骤
新建基于开发板的工程，选择嵌入是AI
配置选项，enable实例
保存设置
3、效果
结果一：
Total param -224.6 KB, OPS -7.49 MOPS, buffer 54.0 KB
===tm_run use 2.575 ms
0: 0.219
1: 0.781
Predict output is: Class 1, person, prob 0.781
结果二：
Total param -1.9 KB, OPS -0.02 MOPS, buffer 1.4 KB
===tm_run use 0.011 ms
0: 0.004
1: 0.004
2: 0.996
3: 0.004
4: 0.000
5: 0.000
6: 0.004
7: 0.004
8: 0.004
9: 0.004
### Predict output is: Number 2, prob 0.996
结果三：
Total param -88.4 KB, OPS -3.08 MOPS, buffer 11.0 KB
===tm_run use 0.895 ms
0: 0.004
1: 0.000
2: 0.973
3: 0.004
4: 0.023
5: 0.004
6: 0.004
7: 0.004
8: 0.004
9: 0.004
Predict output is: Class 2, bird, prob 0.973
/3 
