160 TinyML模型训练最佳实践：模型版本管理昨晚凌晨两点，我在调试一块STM32U5上的手势识别模型。板子上的推理结果时好时坏，明明训练时准确率有92%，部署后却像喝醉了酒——有时候挥手能识别，有时候纹丝不动。我翻遍了git log，发现三天前提交的模型文件居然和昨天训练出来的模型参数对不上号。更糟的是，训练脚本里的数据预处理参数被谁改过，我完全没印象。这种“模型版本地狱”在TinyML项目里太常见了。嵌入式模型不像云端模型，你没法随时回滚到某个API版本。模型一旦烧进芯片，想改就得重新刷固件。所以，模型版本管理不是锦上添花，是保命技能。别把模型当二进制文件存很多新手把训练好的.tflite文件往Git仓库一丢，文件名写成“model_v1_final_final2.tflite”。这种命名法我见过不下十次，每次看到都想摔键盘。模型文件本身只是冰山一角。真正需要版本管理的是“模型+数据+训练脚本+预处理参数”这个四件套。我吃过一次大亏：一个语音唤醒模型，训练时用的MFCC参数是13维，部署时发现代码里写的是20维。模型文件没变，但输入维度对不上，推理结果全乱套。正确的做法是给每个模型版本打一个完整的“配方标签”。我习惯在模型文件的元数据里嵌入这些信息：# 这里踩过坑：只存模型不存参数，三个月后自己都看不懂def
160 TinyML模型训练最佳实践：模型版本管理昨晚凌晨两点，我在调试一块STM32U5上的手势识别模型。板子上的推理结果时好时坏，明明训练时准确率有92%，部署后却像喝醉了酒——有时候挥手能识别，有时候纹丝不动。我翻遍了git log，发现三天前提交的模型文件居然和昨天训练出来的模型参数对不上号。更糟的是，训练脚本里的数据预处理参数被谁改过，我完全没印象。这种“模型版本地狱”在TinyML项目里太常见了。嵌入式模型不像云端模型，你没法随时回滚到某个API版本。模型一旦烧进芯片，想改就得重新刷固件。所以，模型版本管理不是锦上添花，是保命技能。别把模型当二进制文件存很多新手把训练好的.tflite文件往Git仓库一丢，文件名写成“model_v1_final_final2.tflite”。这种命名法我见过不下十次，每次看到都想摔键盘。模型文件本身只是冰山一角。真正需要版本管理的是“模型+数据+训练脚本+预处理参数”这个四件套。我吃过一次大亏：一个语音唤醒模型，训练时用的MFCC参数是13维，部署时发现代码里写的是20维。模型文件没变，但输入维度对不上，推理结果全乱套。正确的做法是给每个模型版本打一个完整的“配方标签”。我习惯在模型文件的元数据里嵌入这些信息：# 这里踩过坑：只存模型不存参数，三个月后自己都看不懂def
