企业官网建设流程全解析

MCUNet快速上手教程：5步跑通第一个MCU级Tiny深度学习模型（含环境避坑清单）

【免费下载链接】mcunet[NeurIPS 2020] MCUNet: Tiny Deep Learning on IoT Devices; [NeurIPS 2021] MCUNetV2: Memory-Efficient Patch-based Inference for Tiny Deep Learning项目地址: https://gitcode.com/gh_mirrors/mc/mcunet

MCUNet 是 MIT Han Lab 提出的MCU 级 Tiny 深度学习框架（NeurIPS 2020 / 2021），核心思想是"算法-系统协同设计"：用 TinyNAS 在微控制器的极限内存预算（256KB SRAM 级）下搜索网络结构，再用 TinyEngine 推理引擎在 MCU 上高效执行。本教程面向新手，带你5 步跑通第一个 MCU 级深度学习模型，并附上环境避坑清单。

第 1 步：克隆仓库与安装环境（避坑版）

MCUNet 的 Python 侧依赖非常轻，核心只有 requirements.txt 中的torch和torchvision两项；只有在验证 TF-Lite 量化模型时，才需要额外安装 TensorFlow 1.15（仅 CPU 支持）。

git clone https://gitcode.com/gh_mirrors/mc/mcunet cd mcunet pip install -e .

🧨 常见环境坑（先看再装，少走弯路）：

第 2 步：一行代码构建预训练模型

模型仓库 mcunet/model_zoo.py 内置了 9 个预训练模型（ImageNet 分类mcunet-in0~in4、VWW 行人检测mcunet-vww0~vww2、人体检测person-det），构建模型时会自动下载网络配置文件（JSON）和权重：

from mcunet.model_zoo import net_id_list, build_model, download_tflite print(net_id_list) # 查看全部可选模型 model, image_size, description = build_model(net_id="mcunet-in3", pretrained=True) # image_size=176，description 会告诉你该模型的内存预算定位

网络结构由 ProxylessNAS 超网配置生成，源码在 mcunet/tinynas/nn/networks/proxyless_nets.py。

第 3 步：跑通人体检测 Demo（最直观的验收）

不想准备数据集？项目自带一个 128×160 分辨率的 Tiny 人体检测模型和示例图片 assets/sample_images/person_det.jpg，一条命令即可看到预测框：

python eval_det.py

运行完成后，可视化结果会生成到assets/sample_images/person_det_vis.jpg（输入图与输出图同名带_vis后缀）。该模型输入仅 128×160，正是为了把内存压到 MCU 可承受的范围。

第 4 步：在 ImageNet 上评估精度（两条路线任选）

路线 A：PyTorch fp32 模型（eval_torch.py）

python eval_torch.py --net_id mcunet-in2 --dataset imagenet --data-dir PATH/TO/IMAGENET/val

数据按 ImageFolder 格式组织（val/类别名/*.jpg）。⚠️ 注意：脚本写死使用 CUDA，需要 GPU。

路线 B：TF-Lite int8 量化模型（eval_tflite.py）

python eval_tflite.py --net_id mcunet-in2 --dataset imagenet --data-dir PATH/TO/IMAGENET/val

该脚本会自动禁用 GPU（CUDA_VISIBLE_DEVICES=-1），纯 CPU 推理 int8 模型，并内置了"整集缓存 + 32 线程多进程"加速，能把评估时间从约 20 分钟压到约 2 分钟。这也是最贴近 MCU 上 int8 部署形态的验证方式。

第 5 步：按 MCU 内存规格选型（256KB 也能跑）

选哪个net_id？看下表——所有 SRAM/Flash 占用均用 TinyEngine 在 STM32F746 上实测：

对比之下，同预算下 MCUNet 比缩放版 MobileNetV2 高 12 个点左右（mcunet-in2 60.9% vs mbv2-w0.35 49.7%），这就是协同设计带来的收益。

💡 TinyEngine 推理引擎的源码已独立发布，本仓库中见 mcunet/tinyengine/README.md；真正部署到芯片时，就是靠它实现 1.5~3 倍加速和 2.7~4.8 倍内存节省。

📦 关键文件速查

🎯总结：装环境（TF 1.15 建议隔离环境）→build_model拉模型 →eval_det.py看效果 →eval_torch.py/eval_tflite.py评精度 → 按内存规格选net_id。走完这 5 步，你就拥有了一个能塞进 256KB 内存 MCU 的深度学习模型，接下来可以探索 TinyEngine 做片上部署。

【免费下载链接】mcunet[NeurIPS 2020] MCUNet: Tiny Deep Learning on IoT Devices; [NeurIPS 2021] MCUNetV2: Memory-Efficient Patch-based Inference for Tiny Deep Learning项目地址: https://gitcode.com/gh_mirrors/mc/mcunet