[i=s] 本帖最后由 hbzjt2011 于 2025-10-30 19:36 编辑 [/i]
在前两篇测评中我们深入了解了CY8CKIT-062S2-AI的硬件特性和传感器使用方法。接下来无需训练模型就能立即体验边缘AI的强大功能。Infineon与Imagimob联合推出的DEEPCRAFT™ Ready Models系列提供了多个生产级的预训练AI模型，涵盖了婴儿啼哭检测、咳嗽监测、手势识别等实用场景。这些模型已经过大量数据集的严格测试，可以直接部署到产品中，大幅缩短开发周期。
一、Ready Models概述与选型
1.1 什么是DEEPCRAFT™ Ready Models
DEEPCRAFT™ Ready Models是Infineon推出的即用型机器学习模型库，这些模型已经完成了数据采集、标注、训练和优化的全部流程。与自己从零开始训练模型相比，使用Ready Models可以节省数周甚至数月的开发时间。每个模型都针对特定应用场景进行了深度优化，在保证高准确率的同时将资源占用控制在MCU可接受的范围内。
这些模型的开发团队由机器学习专家组成，他们使用了来自真实环境的大规模数据集进行训练。比如婴儿啼哭检测模型使用了超过5000个婴儿哭声样本，涵盖了0-4岁不同年龄段，并在各种背景噪声环境下进行了鲁棒性测试。这种专业级的数据处理和训练流程是个人开发者难以复制的，而Ready Models让所有人都能享受到这些成果。
1.2 当前可用的模型清单
截至2025年10月，DEEPCRAFT™平台已经发布了12个Ready Models，覆盖了音频、运动和雷达三大类传感器应用。音频类模型包括婴儿啼哭检测、咳嗽检测、打鼾检测、警报声检测和警笛声检测，主要使用PDM麦克风数据。运动类模型有跌倒检测，基于IMU加速度和陀螺仪数据识别人体跌倒动作。雷达类模型包括手势识别和存在检测，利用60GHz毫米波雷达的高精度特性实现非接触式交互。
每个模型都提供了详细的技术文档，包括性能指标、测试报告和集成指南。以婴儿啼哭检测为例，官方数据显示该模型在5米距离内能捕捉95%以上的哭声，对常见室内背景噪音具有良好的抗干扰能力。咳嗽检测模型的准确率达到94%，能够区分真实咳嗽和类似声音如清嗓子或打喷嚏。这些经过验证的性能指标为产品设计提供了可靠的参考依据。
1.3 测试模型选择
接下来的测试中选择手势识别模型，它展示了雷达传感器在人机交互中的潜力，用户无需触摸设备就能完成控制操作，通过实际部署测试可以全面了解Ready Models的特点和使用方法。
二、获取和部署手势识别模型
2.1 申请模型下载权限
DEEPCRAFT™ Ready Models采用免费试用加商业授权的模式。开发者可以免费下载模型进行评估和测试，但如果要用于商业产品则需要购买许可证。免费试用版有一小时的运行时间限制，这对于功能验证来说已经足够。
访问Infineon的Ready Models页面（https://developer.imagimob.com/deepcraft-ready-models），找到"Gesture Detection"模型卡片，点击"Test Now"按钮。系统会要求填写一个简短的表单，包括姓名、邮箱、公司和使用场景等信息。这不是购买流程，只是为了让Infineon了解模型的应用方向。提交表单后几分钟内就会收到包含下载链接的邮件。
邮件中包含了模型库文件、示例代码和集成文档三部分内容。模型库是一个.lib静态库文件，已经编译为ARM Cortex-M4的机器码。示例代码展示了如何调用模型接口进行推理。集成文档详细说明了数据预处理的要求和模型输出的含义。下载并解压这些文件，准备进入下一步的代码集成工作。
2.2 使用官方示例代码
Infineon在GitHub上提供了一个完整的Ready Model部署示例项目（https://github.com/Infineon/mtb-example-ml-deepcraft-deploy-ready-model），这个项目已经集成了六个不同的Ready Models，包括我们要测试的手势检测。使用这个现成的项目可以避免从零开始搭建代码框架，大大简化部署过程。
打开Modus Shell命令行工具，执行以下命令克隆项目到本地。这里指定了CY8CKIT-062S2-AI作为目标板型，项目创建工具会自动配置对应的板级支持包和编译选项。命令中的target-dir参数指定了项目存放路径，可以根据自己的习惯修改。
bash
project-creator-cli --board-id CY8CKIT-062S2-AI --app-id mtb-example-ml-deepcraft-deploy-ready-model --user-app-name GestureDetection --target-dir "F:\ModusProject"
等待项目创建完成后，进入项目目录执行make getlibs命令下载依赖库。这个过程会下载模型推理引擎和其他必需的中间件，首次执行可能需要几分钟时间。下载完成后项目结构会变得非常清晰，源代码在根目录，模型库在models文件夹，配置文件在configs文件夹。
2.3 编译和烧录
回到Modus Shell，在项目目录下执行make build命令开始编译。编译器会处理所有的C代码并将模型库链接到最终的固件中。整个编译过程在现代电脑上大约需要1-2分钟。编译成功后会显示内存使用情况，Flash占用约500KB，SRAM占用约80KB。考虑到PSoC™ 6有2MB Flash和1MB SRAM，这个资源占用是非常合理的，还留有大量空间用于其他功能。
使用USB线将开发板的J1口连接到电脑，执行make program命令下载固件。KitProg3会自动识别目标设备并开始烧录程序。整个过程只需十几秒钟，完成后开发板会自动重启并运行新程序。打开串口终端工具，设置波特率115200，应该能看到程序的启动日志，显示模型加载完成的信息。
2.4 功能测试与效果
1 雷达传感器配置
手势识别模型与前两个音频模型不同，它使用的是60GHz毫米波雷达传感器。这个传感器的优势是可以穿透非金属材料并进行非接触式检测，即使用户距离设备有一定距离也能准确识别手势。雷达传感器已经集成在CY8CKIT-062S2-AI板上，无需额外硬件。
在Makefile中将MODEL_SELECT改为GESTURE，然后重新编译烧录。这次编译时间会稍长一些，因为手势识别模型包含了雷达数据预处理的复杂逻辑。雷达返回的原始数据是一系列的距离-速度矩阵，需要经过FFT变换、幅度计算和特征提取才能送入神经网络。这些预处理步骤都已经封装在模型库中，开发者只需调用接口即可。
程序启动后串口会显示支持的手势类型清单：左挥（Swipe Left）、右挥（Swipe Right）、上挥（Swipe Up）、下挥（Swipe Down）和推动（Push）。每种手势都有特定的动作要求，比如左挥需要手掌从右向左快速移动，推动需要手掌向前伸出。熟悉这些动作模式后就可以开始实际测试了。
2 五种手势的识别测试
测试手势识别时要注意与开发板保持合适的距离和角度。雷达传感器的检测范围是20cm到1.5m，最佳工作距离在50cm左右。手掌应该正对传感器，与板面垂直。如果角度偏斜太大，雷达接收到的回波信号会变弱，影响识别准确率。
左右挥动手势的识别效果最好，几乎每次都能正确识别，置信度在0.90以上。执行动作时手掌要保持摊开状态，从一侧快速移动到另一侧，类似挥手告别的动作。移动速度不能太慢，否则会被识别为静止状态。上下挥动稍微有些难度，因为人体自然姿态下手掌更适合左右移动而不是上下移动。需要稍加练习找到正确的动作幅度和速度。
推动手势要求手掌从远处向传感器方向快速伸出，类似于按按钮的动作。这个手势的识别准确率略低一些，大约在85%左右。可能的原因是推动动作的速度和距离变化较小，雷达捕捉到的多普勒频移信号不如挥动明显。通过加大推动的幅度和速度可以提高识别率。测试过程中还发现，一个人连续执行相同手势时，模型的置信度会逐渐提高，说明它有一定的自适应能力。
三、测评感受与优缺点
优点
- 开箱即用：结合板卡与 Ready Model，可快速上手，几乎无需自行训练。
- 硬件传感器丰富，尤其 60 GHz 雷达可实现较精准的手势检测。
- 软件生态成熟：ModusToolbox + DEEPCRAFT Ready Models 流程清晰。
缺点
- 模型为预训练状态，若想识别自定义手势或特定方向可能需要二次训练或调整。
- 在某些极端环境（如远距离、极快手势）识别可能不够稳定。
- 运行时间、功耗等在手势场景下未详尽披露。
四、总结
DeepCraft 姿态检测 Ready Model 充分发挥了 PSoC 6 与板载雷达的协同优势，以简单、可靠的方式实现了高性能的边缘 AI 交互。如果正在寻找一个即插即用、高准确率的手势识别方案，这款 Ready Model 绝对是值得尝试的首选。
