TensorFlow Lite for Microcontrollers Technical Overview

Author: tanghao-xiaomi

zh-cn/ai_inference_framework/tflite_micro_technical_overview.md

@@ -19,9 +19,8 @@ TFLite Micro 通过以下特性解决了嵌入式 AI 的核心痛点：
 TFLite Micro 提供了完整的工具链支持，典型的开发流程如下：
 
 1. **模型训练**：使用 TensorFlow 或 Keras 训练模型。
-2. **模型转换**：将训练好的模型转换为 TFLite 格式 (`.tflite`)。
-3. **模型量化**：通过量化技术减小模型尺寸并降低精度损失。
-4. **集成部署**：将转换后的模型转换为 C 数组或二进制文件，集成到 openvela 项目中运行。
+2. **模型转换**：将训练好的模型转换为 TFLite 格式 (`.tflite`)，通过量化技术减小模型尺寸并降低精度损失。
+3. **集成部署**：将转换后的模型转换为 C 数组或二进制文件，集成到 openvela 项目中运行。
 
 在 openvela 系统中集成 TFLite Micro，能够赋予物联网设备端侧智能，在保护用户隐私的同时降低云端依赖，实现更快的响应速度和更低的运营成本。
 
@@ -134,7 +133,7 @@ TFLite Micro 采用解释器架构运行神经网络模型，但与传统解释
 
 - **模型格式**：使用 FlatBuffers 序列化模型，具有以下优势。
 
-    - 零拷贝访问：模型数据可以直接从 Flash 读取，无需加载到 RAM。
+    - 零拷贝访问：在支持内存映射 Flash (XIP) 的设备上，模型数据可以直接从 Flash 读取，无需加载到 RAM。
     - 紧凑存储：元数据开销极小，模型文件尺寸接近参数实际大小。
     - 快速解析：无需复杂的反序列化过程，解释器启动速度快。
     - 跨平台兼容：与标准 TFLite 模型格式兼容，工具链统一。
@@ -389,7 +388,7 @@ NuttX 作为符合 POSIX 标准的实时操作系统，其轻量级与模块化
     - **输入预处理**：
 
         - 从摄像头（如 OV2640）获取 RGB/YUV 图像。
-        - 执行双线性插值（Bilinear Interpolation）缩放至模型输入尺寸。
+        - 缩放到模型输入尺寸（Bilinear 插值）。
         - 归一化到 [-128, 127] 范围（INT8 输入）。
 
 - **应用案例**：
@@ -415,7 +414,7 @@ NuttX 作为符合 POSIX 标准的实时操作系统，其轻量级与模块化
 - **openvela 平台优势**：
 
     - NuttX 支持多传感器并发采集。
-    - 文件系统存储历史数据用于在线学习。
+    - 文件系统存储历史数据用于云端再训练。
     - 网络协议栈上报异常事件。
 
 #### 场景 4：手势与姿态识别