TinyML на Pi Pico — налаштування середовища і збірка

Покроковий довідник до статті про TinyML на Raspberry Pi Pico. Усе, що потрібно, аби повторити проєкт з нуля: середовище, бібліотеки, заливка, типові помилки.

Що знадобиться

Залізо:

Raspberry Pi Pico (RP2040) — будь-яка ревізія
MPU6050 (акселерометр + гіроскоп), модуль на GY-521 — підійде
4 перемички
USB-кабель microUSB (для прошивки і живлення)

Софт:

Arduino IDE 2.x (або 1.8.x)
ядро arduino-pico від Earle Philhower
бібліотека Chirale_TensorFlowLite
Python з TensorFlow (для навчання моделі — можна Google Colab у браузері)

Крок 1. Ставимо ядро arduino-pico

За замовчуванням Arduino IDE не знає про Pi Pico. Треба додати «board manager URL».

Відкрий File → Preferences
У полі Additional Boards Manager URLs додай:

https://github.com/earlephilhower/arduino-pico/releases/download/global/package_rp2040_index.json

1
2

https://github.com/earlephilhower/arduino-pico/releases/download/global/package_rp2040_index.json
Tools → Board → Boards Manager, знайди Raspberry Pi Pico/RP2040, постав.
Обери плату: Tools → Board → Raspberry Pi Pico/RP2040 → Raspberry Pi Pico

⚠ Не плутай з офіційним ядром Arduino Mbed OS. На вибір буде два — arduino-pico (від Earle Philhower) і Arduino Mbed OS RP2040 Boards (офіційне). Бери перше. Воно сумісніше з більшістю бібліотек і не тягне за собою mbed-абстракцій.

Крок 2. Ставимо Chirale_TensorFlowLite

Через стандартний Library Manager:

Sketch → Include Library → Manage Libraries
У пошуку: Chirale_TensorFlowLite
Натисни Install

Бібліотека з офіційного каталогу Arduino: https://docs.arduino.cc/libraries/chirale_tensorflowlite/

⚠ Чесно про сумісність з Pico. Бібліотека офіційно протестована на Arduino Nano 33 BLE, Nicla, Portenta, Giga R1, Nano ESP32. RP2040 у списку підтверджених немає, автори прямо пишуть: «сумісність з іншими платами не гарантується, перевіряйте самі». Я перевірив — під arduino-pico працює. Якщо хочеш канонічний шлях саме для Pico — є pico-tflmicro (офіційний порт під Pico SDK), але він живе вже не в Arduino IDE.

Крок 3. Підключаємо MPU6050

Чотири дроти між Pi Pico і модулем MPU6050:

Pi Pico	MPU6050
3V3 (OUT, pin 36)	VCC
GND	GND
GP16	SDA
GP17	SCL

⚠ Я живлю від 3.3 В, не від 5 В. Більшість GY-521 мають внутрішній регулятор і терплять 5 В, але рівні логіки I2C тоді стають 5 В — і прямо в I/O Pico вони не безпечні. Безпечніше тримати все на 3.3 В.

Pull-up резистори на SDA/SCL на модулях GY-521 уже розпаяні (зазвичай 4.7 кΩ або 10 кΩ), додаткові не потрібні.

Крок 4. Тренуємо модель (на ПК або в Colab)

Скрипт train_model_MPU.py створює просту модель і експортує її як model_data.h. Запускати не на Pico, а на ПК.

# === Google Colab Notebook ===
# Навчання моделі для розпізнавання жестів

import pandas as pd
import numpy as np

def load_real_dataset():
    X, y = [], []
    
    # Словник файлів та їх міток (labels)
    data_files = {
        'rest.csv': 0,
        'up.csv': 1,
        'down.csv': 2,
        'shake.csv': 3
    }
    
    for filename, label in data_files.items():
        # Завантажуємо дані з CSV (припускаємо, що там 3 колонки: ax, ay, az)
        df = pd.read_csv(filename)
        for _, row in df.iterrows():
            X.append([row['ax'], row['ay'], row['az']])
            y.append(label)
            
    return np.array(X, dtype=np.float32), np.array(y, dtype=np.int32)

X, y = load_real_dataset()
print(f"Dataset: {X.shape}, Labels: {y.shape}")

# 2. Створюємо просту модель
model = tf.keras.Sequential([
    tf.keras.layers.Dense(16, activation='relu', input_shape=(3,)),
    tf.keras.layers.Dense(4, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 3. Навчаємо
model.fit(X, y, epochs=50, validation_split=0.2, verbose=2)

# 4. Конвертуємо в TFLite
converter = tf.lite.TFLiteConverter.from_keras_model(model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_model = converter.convert()

# 5. Зберігаємо
with open('model.tflite', 'wb') as f:
    f.write(tflite_model)

# 6. Конвертуємо в C array
def convert_to_c_array(data):
    hex_array = ', '.join([f'0x{b:02x}' for b in data])
    return f"const unsigned char model[] = {{\n  {hex_array}\n}};\nconst int model_len = {len(data)};"

c_array = convert_to_c_array(tflite_model)
print("\n=== Скопіюйте це в Arduino ===")
print(c_array[:500] + "...")
print(f"\nРозмір моделі: {len(tflite_model)} байт")

# Зберігаємо у файл
with open('model_data.h', 'w') as f:
    f.write("#ifndef MODEL_DATA_H\n#define MODEL_DATA_H\n\n")
    f.write(c_array)
    f.write("\n\n#endif\n")

# === Google Colab Notebook ===

# Навчання моделі для розпізнавання жестів

import pandas as pd

import numpy as np

def load_real_dataset():

X, y = [], []

# Словник файлів та їх міток (labels)

data_files = {

'rest.csv': 0,

'up.csv': 1,

'down.csv': 2,

'shake.csv': 3

}

for filename, label in data_files.items():

# Завантажуємо дані з CSV (припускаємо, що там 3 колонки: ax, ay, az)

df = pd.read_csv(filename)

for _, row in df.iterrows():

X.append([row['ax'], row['ay'], row['az']])

y.append(label)

return np.array(X, dtype=np.float32), np.array(y, dtype=np.int32)

X, y = load_real_dataset()

print(f"Dataset: {X.shape}, Labels: {y.shape}")

# 2. Створюємо просту модель

model = tf.keras.Sequential([

tf.keras.layers.Dense(16, activation='relu', input_shape=(3,)),

tf.keras.layers.Dense(4, activation='softmax')

])

model.compile(optimizer='adam',

loss='sparse_categorical_crossentropy',

metrics=['accuracy'])

# 3. Навчаємо

model.fit(X, y, epochs=50, validation_split=0.2, verbose=2)

# 4. Конвертуємо в TFLite

converter = tf.lite.TFLiteConverter.from_keras_model(model)

converter.optimizations = [tf.lite.Optimize.DEFAULT]

tflite_model = converter.convert()

# 5. Зберігаємо

with open('model.tflite', 'wb') as f:

f.write(tflite_model)

# 6. Конвертуємо в C array

def convert_to_c_array(data):

hex_array = ', '.join([f'0x{b:02x}' for b in data])

return f"const unsigned char model[] = {{\n {hex_array}\n}};\nconst int model_len = {len(data)};"

c_array = convert_to_c_array(tflite_model)

print("\n=== Скопіюйте це в Arduino ===")

print(c_array[:500] + "...")

print(f"\nРозмір моделі: {len(tflite_model)} байт")

# Зберігаємо у файл

with open('model_data.h', 'w') as f:

f.write("#ifndef MODEL_DATA_H\n#define MODEL_DATA_H\n\n")

f.write(c_array)

f.write("\n\n#endif\n")

Залежності:

pip install tensorflow pandas numpy

1 2	pip install tensorflow pandas numpy

Або, простіше — відкрий Google Colab, скопіюй вміст train_model_MPU.py у новий ноутбук, натисни «Run All». На виході — файл model_data.h, який можна завантажити.

Крок 5. Збираємо проєкт

Структура теки скетча:

// <code>Arduino_TFL_MPU6050_TrainModel.ino</code> #include <Wire.h> #include <Chirale_TensorFlowLite.h> #include "model_data.h" #include <tensorflow/lite/micro/micro_mutable_op_resolver.h> #include <tensorflow/lite/micro/micro_interpreter.h> #include <tensorflow/lite/schema/schema_generated.h> const int MPU_ADDR = 0x68; // TFLite об'єкти const tflite::Model* tfl_model = nullptr; tflite::MicroInterpreter* interpreter = nullptr; TfLiteTensor* input = nullptr; TfLiteTensor* output = nullptr; constexpr int kTensorArenaSize = 20 * 1024; alignas(16) uint8_t tensor_arena[kTensorArenaSize]; const char* class_names[] = {"Спокій", "Вгору", "Вниз", "Струс"}; void setup() { // 1. Чекаємо на Serial Serial.begin(115200); delay(2000); Serial.println("--- СТАРТ ПРОГРАМИ ---"); // 2. Ініціалізація I2C (ваші піни) Serial.println("Налаштування I2C (GP16, GP17)..."); Wire.setSDA(16); Wire.setSCL(17); Wire.begin(); // 3. Перевірка зв'язку з MPU6050 Wire.beginTransmission(MPU_ADDR); byte error = Wire.endTransmission(); if (error != 0) { Serial.print("ПОМИЛКА: Датчик не знайдено за адресою 0x68. Код помилки: "); Serial.println(error); while(1); // Зупиняємося тут, якщо датчик не відповідає } Serial.println("MPU6050 знайдено!"); // Пробудження датчика Wire.beginTransmission(MPU_ADDR); Wire.write(0x6B); Wire.write(0); Wire.endTransmission(); // 4. Ініціалізація нейромережі Serial.println("Завантаження моделі..."); tfl_model = tflite::GetModel(model); static tflite::MicroMutableOpResolver<3> resolver; resolver.AddFullyConnected(); resolver.AddRelu(); resolver.AddSoftmax(); static tflite::MicroInterpreter static_interpreter( tfl_model, resolver, tensor_arena, kTensorArenaSize); interpreter = &static_interpreter; if (interpreter->AllocateTensors() != kTfLiteOk) { Serial.println("Помилка виділення пам'яті тензорам!"); while(1); } input = interpreter->input(0); output = interpreter->output(0); Serial.println("СИСТЕМА ГОТОВА!"); Serial.println("-------------------------"); } void loop() { // 5. Читання даних Wire.beginTransmission(MPU_ADDR); Wire.write(0x3B); Wire.endTransmission(false); Wire.requestFrom(MPU_ADDR, 6, true); if (Wire.available() == 6) { int16_t raw_ax = (Wire.read() << 8 | Wire.read()); int16_t raw_ay = (Wire.read() << 8 | Wire.read()); int16_t raw_az = (Wire.read() << 8 | Wire.read()); // Конвертація в g float ax = raw_ax / 16384.0; float ay = raw_ay / 16384.0; float az = raw_az / 16384.0; // 6. Інференс if (input->type == kTfLiteInt8) { input->data.int8[0] = (int8_t)(ax / input->params.scale + input->params.zero_point); input->data.int8[1] = (int8_t)(ay / input->params.scale + input->params.zero_point); input->data.int8[2] = (int8_t)(az / input->params.scale + input->params.zero_point); } else { input->data.f[0] = ax; input->data.f[1] = ay; input->data.f[2] = az; } interpreter->Invoke(); // 7. Аналіз результату int best_class = 0; float max_prob = 0.0; for (int i = 0; i < 4; i++) { float prob = (output->type == kTfLiteInt8) ? (output->data.int8[i] - output->params.zero_point) * output->params.scale : output->data.f[i]; if (prob > max_prob) { max_prob = prob; best_class = i; } } // Виводимо в консоль навіть "Спокій", щоб переконатися, що програма працює Serial.print("Клас: "); Serial.print(class_names[best_class]); Serial.print(" | Впевненість: "); Serial.print(max_prob * 100, 1); Serial.println("%"); } else { Serial.println("Помилка: Дані з датчика не отримані!"); } delay(200); }

// <code>Arduino_TFL_MPU6050_TrainModel.ino</code> #include <Wire.h> #include <Chirale_TensorFlowLite.h> #include "model_data.h" #include <tensorflow/lite/micro/micro_mutable_op_resolver.h> #include <tensorflow/lite/micro/micro_interpreter.h> #include <tensorflow/lite/schema/schema_generated.h> const int MPU_ADDR = 0x68; // TFLite об'єкти const tflite::Model* tfl_model = nullptr; tflite::MicroInterpreter* interpreter = nullptr; TfLiteTensor* input = nullptr; TfLiteTensor* output = nullptr; constexpr int kTensorArenaSize = 20 * 1024; alignas(16) uint8_t tensor_arena[kTensorArenaSize]; const char* class_names[] = {"Спокій", "Вгору", "Вниз", "Струс"}; void setup() { // 1. Чекаємо на Serial Serial.begin(115200); delay(2000); Serial.println("--- СТАРТ ПРОГРАМИ ---"); // 2. Ініціалізація I2C (ваші піни) Serial.println("Налаштування I2C (GP16, GP17)..."); Wire.setSDA(16); Wire.setSCL(17); Wire.begin(); // 3. Перевірка зв'язку з MPU6050 Wire.beginTransmission(MPU_ADDR); byte error = Wire.endTransmission(); if (error != 0) { Serial.print("ПОМИЛКА: Датчик не знайдено за адресою 0x68. Код помилки: "); Serial.println(error); while(1); // Зупиняємося тут, якщо датчик не відповідає } Serial.println("MPU6050 знайдено!"); // Пробудження датчика Wire.beginTransmission(MPU_ADDR); Wire.write(0x6B); Wire.write(0); Wire.endTransmission(); // 4. Ініціалізація нейромережі Serial.println("Завантаження моделі..."); tfl_model = tflite::GetModel(model); static tflite::MicroMutableOpResolver<3> resolver; resolver.AddFullyConnected(); resolver.AddRelu(); resolver.AddSoftmax(); static tflite::MicroInterpreter static_interpreter( tfl_model, resolver, tensor_arena, kTensorArenaSize); interpreter = &static_interpreter; if (interpreter->AllocateTensors() != kTfLiteOk) { Serial.println("Помилка виділення пам'яті тензорам!"); while(1); } input = interpreter->input(0); output = interpreter->output(0); Serial.println("СИСТЕМА ГОТОВА!"); Serial.println("-------------------------"); } void loop() { // 5. Читання даних Wire.beginTransmission(MPU_ADDR); Wire.write(0x3B); Wire.endTransmission(false); Wire.requestFrom(MPU_ADDR, 6, true); if (Wire.available() == 6) { int16_t raw_ax = (Wire.read() << 8 | Wire.read()); int16_t raw_ay = (Wire.read() << 8 | Wire.read()); int16_t raw_az = (Wire.read() << 8 | Wire.read()); // Конвертація в g float ax = raw_ax / 16384.0; float ay = raw_ay / 16384.0; float az = raw_az / 16384.0; // 6. Інференс if (input->type == kTfLiteInt8) { input->data.int8[0] = (int8_t)(ax / input->params.scale + input->params.zero_point); input->data.int8[1] = (int8_t)(ay / input->params.scale + input->params.zero_point); input->data.int8[2] = (int8_t)(az / input->params.scale + input->params.zero_point); } else { input->data.f[0] = ax; input->data.f[1] = ay; input->data.f[2] = az; } interpreter->Invoke(); // 7. Аналіз результату int best_class = 0; float max_prob = 0.0; for (int i = 0; i < 4; i++) { float prob = (output->type == kTfLiteInt8) ? (output->data.int8[i] - output->params.zero_point) * output->params.scale : output->data.f[i]; if (prob > max_prob) { max_prob = prob; best_class = i; } } // Виводимо в консоль навіть "Спокій", щоб переконатися, що програма працює Serial.print("Клас: "); Serial.print(class_names[best_class]); Serial.print(" | Впевненість: "); Serial.print(max_prob * 100, 1); Serial.println("%"); } else { Serial.println("Помилка: Дані з датчика не отримані!"); } delay(200); }

Arduino_TFL_MPU6050/
├── Arduino_TFL_MPU6050_TrainModel.ino   ← головний скетч
└── model_data.h                          ← згенерована модель

Arduino_TFL_MPU6050/

├── Arduino_TFL_MPU6050_TrainModel.ino ← головний скетч

└── model_data.h ← згенерована модель

Обидва файли мають бути в одній теці, з однаковою назвою теки і .ino-файлу.

Tools → Board → Raspberry Pi Pico Tools → Port → /dev/ttyACM0 (або відповідний COM на Windows) Sketch → Upload

Перший раз Pico треба перевести в bootloader: затисни кнопку BOOTSEL, встав USB. Після цього з’явиться як USB-флешка — Arduino IDE сам залиє прошивку, далі вже працює без BOOTSEL.

Крок 6. Перевірка

Tools → Serial Monitor, швидкість 115200.

Якщо все добре — побачиш:

Жест: Спокій  упевненість: 0.94
Жест: Спокій  упевненість: 0.91
Жест: Струс   упевненість: 0.88
...

Жест: Спокій упевненість: 0.94

Жест: Спокій упевненість: 0.91

Жест: Струс упевненість: 0.88

...

Типові помилки збірки

`fatal error: TensorFlowLite.h: No such file or directory`

Бібліотека Chirale_TensorFlowLite не встановлена або обрана не та плата. Перевір Tools → Board — має стояти Raspberry Pi Pico від arduino-pico, не Mbed-варіант.

`model_data.h: No such file or directory`

Файл model_data.h лежить не в теці скетча. Він мусить бути поряд з .ino-файлом, у тій самій папці.

`AllocateTensors() failed`

kTensorArenaSize замалий. Збільш у скетчі до 4 КБ або 8 КБ:

constexpr int kTensorArenaSize = 4 * 1024;

1 2	constexpr int kTensorArenaSize = 4 * 1024;

`Failed to get model schema. Schema version 4 is not supported.`

Модель збережена новішою версією TFLite, ніж та, що в Chirale_TensorFlowLite. Або онови бібліотеку, або експортуй модель старшою версією TensorFlow.

Serial Monitor мовчить

Перевір швидкість (115200), порт у Tools → Port, і чи запалюється LED на Pico при підключенні. Якщо нема — натисни BOOTSEL + reset і залий знову.

MPU6050 видає нулі або однакові числа

Перевір I2C-адресу: за замовчуванням 0x68, але якщо пін AD0 підтягнутий до VCC — стане 0x69. Перевір живлення (3.3 В), GND, і дроти SDA/SCL (не переплутані).

Альтернативи

ArduTFLite — обгортка над Chirale_TensorFlowLite з простішим API в Arduino-стилі. Підходить, якщо не хочеш бачити MicroInterpreter і тензори напряму.
pico-tflmicro — офіційний порт TFLite Micro під Pico SDK. Канонічний шлях, але вимагає CMake-збірки замість Arduino IDE.
Edge Impulse — веб-сервіс для збору даних і навчання моделі, генерує готову бібліотеку Arduino. Простіше для новачка, але приховує більшу частину «магії».