Розробка AI-моделі для мікроконтролерів (TinyML)

Розробка ML-моделі для мікроконтролера — не задача «стиснути готову мережу», а архітектурне проектування з нуля під жорсткі ліміти. Типовий замовник: «Ми взяли ResNet-50, квантизували — все одно 5 MB та 500 ms на кадр». Після перепроектування під MCU та сама точність вкладається в 300 KB та 50 ms. Показую, як ми це робимо. Наш досвід — понад 50 проектів з TinyML для промисловості, носиммої електроніки та IoT. Вибравши правильну архітектуру нейронної мережі та методи оптимізації моделі, ви знижуєте витрати на обладнання на 20–40%, а окупність інвестицій складає 6–12 місяців. Важливо розуміти: навіть простий датчик вібрації з бортовою нейромережею може замінити коробковий аналізатор за $2000 — різниця в ціні комплектуючих складає 5–10×. Вартість розробки TinyML-моделі починається від $10,000, а економія на обладнанні в порівнянні з традиційними рішеннями сягає 40%.

Бюджет по пам'яті

Model Footprint Budget: RAM (inference time) = activations buffer, Flash = model weights. Типові бюджети для популярних платформ:

Архітектура моделі

• MobileNetV3-Small — 2.5 MB FP32, квантизація до 600 KB — універсальний вибір для Vision.
• MCUNet (спеціально для MCU) — 1 MB Flash при 70% точності ImageNet (>90% на простих датасетах).
• EfficientNet-Lite0 — для задач, де важлива швидкість на CPU без DSP.
• DS-CNN — depthwise separable CNN, класика для audio з 50–200 KB.
• 1D CNN — для часових рядів (вібрація, ЕКГ) — 50–200 KB.

Neural Architecture Search (NAS) для MCU: Once-for-All, ProxylessNAS — автоматичний пошук топології під задані ліміти Flash/RAM. Дає виграш 15–30% по точності при тому ж розмірі. MCUNet на 30% точніше ResNet при тому ж об'ємі моделі — це практичний результат. QAT дає точність на 2-4% вищу, ніж Post-Training Quantization (PTQ), що робить його кращим вибором для production.

Як вибрати архітектуру для MCU?

Критерій — latency та footprint під конкретний сценарій. Для real-time audio (10 ms вікно) — DS-CNN + INT8 дає <5 ms на STM32L4. Для періодичної класифікації жестів — снапшот + MLP вкладається в 20 KB Flash. Ми на старті будуємо прототип з Edge Impulse, підбираємо оператори (DepthwiseConv2D vs SeparableConv) та вирішуємо, чи потрібна квантизація INT4 для економії батареї.

Навчання та оптимізація моделі

QAT: Навчання з симуляцією INT8/INT4 квантизації — на 2–4% точніше Post-Training Quantization. В production використовуємо QAT для всіх моделей з TensorFlow або PyTorch (бібліотека torch.quantization). QAT дозволяє зберегти точність у межах 1% від FP32.

Knowledge Distillation: Вчимо маленьку student-модель на soft labels від великої teacher-мережі (наприклад, DistilBERT для NLP). Student досягає 90–95% якості teacher при 5–10% розмірі.

Pruning: Structured pruning (цілі фільтри) — deployment-friendly. Видаляємо канали по magnitude та fine-tune — стискаємо модель ще на 30–50% без падіння точності.

Порівняння методів оптимізації:

Чому квантизація критична?

Без неї модель FP32 не поміщається в Flash. TinyML — це про жорсткі ліміти, й INT8 збільшує швидкість на 70% на ARM Cortex-M55. Для батарейних пристроїв INT4 скорочує енергоспоживання в 2 рази — різниця між тижнем та місяцем роботи. Зв'яжіться з нами — ми допоможемо підібрати оптимальний метод квантизації під вашу задачу. Ми гарантуємо точність моделі в межах 1% від FP32 та надаємо сертифікат відповідності вимогам замовника.

Процес роботи

1. Аналітика — аудит задачі, вибір сенсорів, заміри бюджету.
2. Прототип в Edge Impulse — збір даних, підбір архітектури, оцінка точності.
3. Оптимізація — QAT, pruning, квантизація до цільового розміру.
4. Розгортання на MCU — генерація коду під TFLite Micro, STM32Cube.AI або кастомний рантайм.
5. Інтеграція — вбудовування в прошивку, тестування на залізі.

Отримайте консультацію інженера на етапі аналітики — ми безкоштовно оцінимо реалізовність вашого сценарію.

Що входить в роботу

• Модель: навчена, квантизована, з model_card (метрики, обмеження).
• Код інференсу: на C/C++ з підтримкою потрібного MCU.
• Документація: опис архітектури, пайплайну даних, точності на тестах.
• Підтримка: 2 тижні після деплою, допомога в інтеграції.

Терміни та вартість

Типовий проект займає від 8 до 16 тижнів залежно від складності задачі. Вартість розраховується індивідуально — пишіть, оцінимо проект безкоштовно. Наш досвід каже, що правильно спроектована TinyML-модель окупається зниженням витрат на обладнання на 20–40% за рахунок меншого Flash та енергоспоживання. Досвід нашої команди — гарантія якості та дотримання строків.

Edge AI та оптимізація: деплой моделей без хмари

Уявіть: ваша модель розпізнавання облич видає 4 секунди latency на Jetson Orin, батарея сідає за годину, модель вилітає по OOM. Ми — команда інженерів з Edge AI — оптимізували понад 150 моделей для граничних пристроїв. Без профілювання та правильного вибору квантизації або дистиляції проект приречений. Розрив між дослідницьким кодом та edge-деплоєм — окрема інженерна дисципліна, і ми допомагаємо її освоїти за 2–16 тижнів під ключ. Справа не в експорті, а в системній роботі із залізом: GPU utilization, latency p99, memory bandwidth.

Чому просто «експортувати модель» не працює?

PyTorch-модель з float32 та batch_size=32 не готова до edge. Типові проблеми:

• ResNet-50 в fp32 займає 98 MB, inference на Cortex-A78 — 380 мс. Після INT8-квантизації torch.ao.quantization — 24 MB, 95 мс. Експорт в ONNX + TensorRT на Jetson — 28 мс.
• YOLOv8m на Raspberry Pi 5 в fp32 — 2.8 fps. TFLite INT8 — 9.4 fps. З XNNPACK делегатом — 14 fps.
• Transformer-енкодер на мобільному CPU: MobileBERT в fp16 через CoreML на iPhone 15 — 18 мс/інференс. distilbert-base-uncased в ONNX — 42 мс.

Проблема не у виборі «квантизувати чи ні» — правильний шлях визначається пристроєм, завданням та допустимою деградацією метрики. Пропонуємо оцінку вашого проекту: за 24 години скажемо, наскільки реально прискорити модель.

Який метод квантизації вибрати для вашого завдання?

PTQ (Post-Training Quantization) — швидкий шлях. Берете навчену модель, проганяєте calibration dataset (200–1000 прикладів), отримуєте INT8 або INT4 ваги. Інструменти: torch.ao.quantization, ONNX Runtime quantization tool, bitsandbytes. Деградація точності: 0.5–2% на класифікації. Червона зона — детекція дрібних об'єктів та сегментація, де PTQ дає -4–8% mAP.

QAT (Quantization-Aware Training) — навчання з симульованими квантизаційними шумами. Дорожче (перенавчання), але деградація 0.1–0.5%. Виправдано, коли PTQ неприйнятний. В PyTorch — torch.ao.quantization.prepare_qat().

GPTQ / AWQ — для LLM. AWQ краще зберігає якість при 4-bit квантизації. llm-compressor від Neural Magic або autoawq — основні бібліотеки.

Зв'яжіться з нами для безкоштовного профілювання вашої моделі — ми оцінимо latency та запропонуємо план оптимізації.

Прунінг та дистиляція: коли квантизації недостатньо

Структурний прунінг видаляє канали або шари. Наприклад, видалення 40% каналів ResNet-50 з наступним fine-tuning дає -35% розміру, -28% latency при втраті top-1 accuracy лише на 1.2%. Інструменти: torch.nn.utils.prune, для transformer — прунінг attention heads (movement pruning, LTP). Глибша техніка — N:M sparsity, коли з кожних M ваг залишаються N ненульових (NVIDIA Ampere підтримує 2:4).

Knowledge distillation — навчаємо маленьку student імітувати велику teacher через KLDivLoss на soft labels. Feature distillation на проміжних шарах (hint-based) дає краще збереження якості. Hugging Face DistilBERT: 66M vs 110M параметрів, -40% latency, -3% на GLUE. Температура дистиляції — ключовий гіперпараметр (типово 4–8).

Комбінований підхід: дистиляція → прунінг → QAT. Дає максимальний ефект на обмеженому залізі. У кількох клієнтів ми фіксували економію на облачних обчисленнях до 70%.

Цільові платформи та інструменти

TensorRT — головний інструмент для NVIDIA edge. TRT будує граф з fusion операторів, вибирає оптимальні ядра. На Jetson AGX Orin YOLOv8m в TRT INT8 дає 78 fps проти 22 fps в fp16 PyTorch — прискорення в 3.5 рази.

Практичний кейс з нашої практики: детекція дефектів на виробничій лінії

Наш клієнт — виробниче підприємство. Завдання: виявлення подряпин на металі в реальному часі, 30 fps, камера до Jetson Xavier NX (16GB). Вихідна модель YOLOv8l mAP50 0.91, inference на сервері 28 мс, на Jetson в fp16 — 110 мс (9 fps). Не підходить.

Кроки оптимізації:

1. Перехід на YOLOv8m — mAP50 0.887 (-2.3%), 68 мс
2. Експорт в TensorRT FP16 через yolo export format=engine half=True — 31 мс (32 fps)
3. INT8 calibration на 500 кадрах — 22 мс (45 fps), mAP50 0.879

Підсумок: деградація 3.5% при 5× прискоренні. Клієнт отримав engine та документацію. Гарантуємо, що метрика не впаде нижче обумовленого порогу — прописано в договорі.

Приклад профілювання latency по шарах YOLOv8m на Jetson Xavier NX (fp16):

- Convolution (layer 1–5): 12 ms
- Bottleneck (layer 6–10): 8 ms
- Head (detection): 11 ms

Вузьке місце — останні шари head'а. Після квантування head'а окремо latency head знизилась до 4 ms.

Що входить в роботу

• Звіт по профілюванню моделі на цільовому пристрої (latency по шарах, вузькі місця)
• Вибір та обґрунтування методів оптимізації (quantization / pruning / distillation)
• Оптимізована модель (TensorRT engine / TFLite / CoreML / ONNX)
• Конфіги для відтворення (скрипти, Docker-образ, інструкція)
• Тестування на реальному пристрої (не менше 10 000 інференсів)
• Навчання вашої команди (2 години онлайн)
• Підтримка 1 місяць після передачі

Як замовити оптимізацію моделі?

1. Залиште заявку на сайті або зв'яжіться з нами будь-яким зручним способом.
2. Ми проводимо безкоштовне профілювання вашої моделі на цільовому пристрої протягом 24 годин.
3. Готуємо план оптимізації з оцінкою trade-off (швидкість vs якість).
4. Ви затверджуєте план — ми приступаємо до роботи.
5. Після завершення передаємо оптимізовану модель, конфіги та документацію.
6. Проводимо навчання вашої команди та надаємо місячну підтримку.

Терміни: оптимізація готової моделі — 2–4 тижні. Розробка з нуля під edge — 6–16 тижнів. Вартість розраховується індивідуально залежно від складності моделі та цільової платформи.

Отримайте консультацію — ми безкоштовно оцінимо вашу модель та запропонуємо план за 24 години. Замовте безкоштовне профілювання прямо зараз.