esp32-ai开发者指南：从模型训练到芯片部署的全流程解析-开发者社区

esp32-ai开发者指南：从模型训练到芯片部署的全流程解析

【免费下载链接】esp32-ai项目地址: https://gitcode.com/gh_mirrors/esp/esp32-ai

esp32-ai是一款专为ESP32系列芯片打造的AI模型部署工具包，它提供了从模型训练到嵌入式设备部署的完整解决方案。本指南将带你逐步了解如何使用esp32-ai实现AI模型在ESP32芯片上的高效部署，让你轻松掌握边缘AI应用开发的关键技能。

准备工作：环境搭建与项目获取

要开始使用esp32-ai，首先需要获取项目源码并准备必要的开发环境。通过以下命令克隆项目仓库：

git clone https://gitcode.com/gh_mirrors/esp/esp32-ai

项目结构清晰，主要包含固件、运行时、脚本和测试等目录。其中，固件目录下的esp32_tinystories和esp32_barista提供了不同应用场景的示例代码，是学习和开发的重要参考。

模型训练：从数据到模型的转化

esp32-ai的模型训练主要集中在research/tinystories目录下。该目录提供了完整的训练脚本，包括数据准备、模型训练和量化评估等功能。

数据准备与模型训练

使用research/tinystories/prepare.py脚本可以完成数据集的准备工作。随后，通过train.py脚本进行模型训练。训练过程中，你可以根据需求调整模型参数，以获得最佳性能。

模型导出与量化

训练完成后，使用export.py脚本将模型导出为适合ESP32部署的格式。为了在资源受限的嵌入式设备上高效运行，esp32-ai提供了量化功能，通过quantize_eval.py脚本可以对模型进行量化评估，确保在精度和性能之间取得平衡。

模型部署：从PC到ESP32的无缝衔接

模型部署是esp32-ai的核心功能，通过简单的脚本即可完成从模型下载到设备烧录的全过程。

模型获取与部署脚本

esp32-ai提供了便捷的模型获取和部署脚本。使用以下命令可以下载并部署TinyStories模型：

scripts/fetch_model.sh tinystories # 下载并验证模型 artifacts scripts/deploy.sh tinystories # 编译、烧录模型和固件

deploy.sh是部署的权威流程，它会自动处理模型头文件生成、主机验证、编译和烧录等步骤，确保部署的正确性。

手动部署步骤

如果需要更精细的控制，你可以手动执行部署的各个步骤：

主机验证：检查模型路径和平台钩子

cc -O3 -Wall -Wextra -o /tmp/verify runtime/host_verify/verify.c -lm /tmp/verify artifacts/tinystories/model.bin artifacts/tinystories/golden.txt

生成词汇表头文件：

uv run python firmware/esp32_tinystories/tools/generate_vocab.py \ --tokenizer artifacts/tinystories/tokenizer.json \ --out firmware/esp32_tinystories/generated/vocab.h

从检查点重新生成模型：

uv run python -m research.tinystories.export <checkpoint-tag>

监控设备输出：

PORT=/dev/cu.usbmodemNNNN # deploy.sh 输出的端口 arduino-cli monitor -p "$PORT" --config baudrate=115200

ESP32 AI模型部署过程演示，展示了模型在设备上的运行效果

运行与调试：确保模型正常工作

部署完成后，ESP32设备启动时会输出模型信息。正常情况下，你应该能看到类似以下的启动信息：

=== ESP32-S3 PLE TinyLM === model: Vin=32768 Vout=25353 D=96 L=6 H=4 F=66 P=128 (mapped 15.6 MB) norms -> SRAM 20 vectors hot set-> SRAM 21128 B dynamic + 8192 B static = 29320 B managed weights-> PSRAM 44 tensors int8, 4.19 MB allocated build: bytes=14912348 fp=a9bdd778 sram=29320B psram=4.19MB free: sram 294 KB | psram 3.74 MB

其中，fp值应与deploy.sh输出的一致，确保模型正确烧录。如果出现FATAL:开头的信息，表示初始化过程中出现问题，需要检查分配是否正确。