在传统的嵌入式 AI 开发中，开发者往往需要跨越数据采集、Python 模型训练（TensorFlow、PyTorch）、模型量化、C 代码转换等多个环节。而英飞凌推出的 DEEPCRAFT™ Studio（基于原 Imagimob Studio 技术）则提供了一套“端到端”的解决方案，极大降低了 TinyML 的落地门槛。
1、DEEPCRAFT™简介
DEEPCRAFT™ 是英飞凌官方推荐的边缘人工智能（Edge AI）开发平台，专为在资源受限的微控制器（MCU）上部署机器学习模型而设计。它不仅仅是一个训练工具，更是一套贯穿了从数据采集、数据清洗、自动标注、模型训练到最终代码部署的全流程开发环境。
对于使用 CY8CKIT-062S2-AI 开发板的用户而言，DEEPCRAFT™ 最大的优势在于其高度的软硬结合能力——它能够直接通过 USB 接口读取板载传感器（如 IMU、雷达、麦克风）的数据流，并一键生成适配 PSoC™ 6 芯片的 C 语言库文件。
DEEPCRAFT™ 的核心优势包括：
- 可视化开发流（Visual Graph UX）：摒弃了复杂的纯代码脚本，DEEPCRAFT™ 采用基于时间轴和图表的可视化界面。开发者可以直观地查看传感器波形，像剪辑视频一样对数据进行裁剪、拼接和标记，这对于处理时间序列数据（如手势识别、振动分析）尤为便利。
- 强大的 AutoML（自动机器学习）功能：这是该平台的杀手锏。对于没有深厚 AI 算法背景的嵌入式工程师，AutoML 功能会自动测试数千种模型架构和超参数组合，寻找在精度、计算量和内存占用（RAM/Flash）之间达到最佳平衡的方案。
- AI 辅助数据标注（AI Assisted Labeling）：数据标注通常是 AI 开发中最耗时的一步。DEEPCRAFT™ 允许用户先手动标注少量数据，然后利用预训练模型自动识别并标注剩余的数据集，大幅缩短了数据集准备时间。
- 开箱即用的边缘部署（Deployment）：训练完成的模型会被直接编译为标准的 C 源代码（.c 和 .h 文件）。这些代码不依赖任何特定的解释器或庞大的运行时环境，可以直接集成到 ModusToolbox™ 工程中，在 PSoC™ 6 的 Cortex-M4 内核上高效运行。
**为什么选择 DEEPCRAFT™ 配合 CY8CKIT-062S2-AI？**该开发板已经预置了与 DEEPCRAFT™ 通信的固件协议。这意味着：零代码采集：连接 USB 即可实时通过电脑屏幕看到 BMI270（IMU）或 BGT60TR13C（雷达）的波形。一键验证：采集的数据可以直接用于训练，无需进行繁琐的格式转换（如 CSV 转 NumPy 等）。
2、DEEPCRAFT Studio训练模型
2.1 创建基于加速器的工程
打开 DEEPCRAFT™ Studio，在菜单栏选择 File -> New Project (快捷键 Ctrl+Shift+N)。
2.2 选择模型模板
在弹出的模板选择界面中，我们可以看到针对 IMU（运动）、Microphone（音频）、Radar（雷达）等不同传感器的分类。
为了演示音频识别功能，我们在 Microphone 分类下选择 "Siren Detection (Studio Accelerator)"。这是一个经典的音频分类案例，旨在检测环境中是否存在救护车或警车的警笛声，非常适合安防或智慧城市应用场景。
点击 OK 后，软件会自动从云端下载该加速器所需的演示数据集（包含警笛声和背景噪音）。这省去了我们自己录制和寻找素材的繁琐步骤。
2.3 数据集预览与分析
工程创建完毕后，会自动打开 README.md 页面，详细介绍了该模型的用途、数据来源以及部署目标（虽然模板默认提及 AURIX，但生成的 C 代码同样完全兼容 PSoC 6）。
点击左侧导航栏的 Data 选项卡，我们可以看到工程已经预装了 487 个音频会话（Session）。
·数据构成：数据被自动划分为 Train (训练集, 72%)、Validation (验证集, 27%) 和 Test (测试集, 1%)，这符合机器学习的标准规范。
·采样参数：从列表中可以看到，音频采样率为 16000 Hz。这与 CY8CKIT-062S2-AI 板载的双 MEMS 麦克风性能相匹配，确保了模型训练与实际部署的一致性。
·标签分布：顶部的统计条显示了 "sirens"（警笛）类别的分布情况，可视化的界面让我们对数据平衡性一目了然。
2.4 数据预处理与特征提取
在将数据喂给神经网络之前，必须对原始音频进行预处理。对于 PSoC™ 6 这样的嵌入式设备，直接处理原始波形数据量过大且特征不明显，因此我们需要构建一个高效的预处理管道（Pipeline）。
点击左侧的 "Preprocessor" 标签页，我们可以看到 DEEPCRAFT™ 为该项目预置的特征提取流程：
2.5 模型配置与云端训练 (AutoML)
完成了数据预处理后，下一步就是训练神经网络。点击 "Training" 标签页，我们可以看到 Accelerator 已经为我们准备好了一份“模型菜单”。
2.6 云端训练监控与模型获取
点击开始训练后，界面会自动跳转到 Job Details（任务详情） 页面。在这里，我们可以实时监控云端服务器的工作状态。
2.7 训练结果分析与模型优选
云端训练任务完成后，界面会列出所有候选模型的“成绩单”。DEEPCRAFT™ 的 AutoML 策略尝试了不同深度的卷积网络，现在我们需要从中挑选出最终部署的优胜者。
