TinyML avec MCUNet

Cas d'etude pratique pour deployer des modeles de deep learning sur microcontroleurs avec le framework MCUNet du MIT.

Tache fil rouge : Visual Wake Words (VWW) - classification binaire "personne presente / absente" sur des images 80x80, ciblee sur un STM32F746.

Le cours se fait entierement en scripts Python que l'on execute et complete dans un terminal (pas de Jupyter).

Prerequis

• Docker Desktop (Mac/Windows) ou Docker Engine (Linux)
• 8 GB de RAM libre minimum
• 10 GB de disque libre (image Docker + dataset VWW)

Apple Silicon (M1/M2/M3) : TensorFlow 1.15 n'a pas de wheel ARM64 native. Ajouter --platform=linux/amd64 dans le docker-compose.yml. L'execution sera plus lente via emulation.

Demarrage rapide

git clone <url-du-repo>
cd tinyml-course
make start      # construit l'image et lance le container en arriere-plan (peut prendre jusqu'à 10 minutes)
make shell      # ouvre un terminal dans le container (instantané, affiche le guide)

Une fois dans le shell du container, lancer le premier exercice :

python exercises/00_setup_check.py

Comment travailler

Chaque exercice est un script dans exercises/. La boucle de travail est toujours la meme :

1. Lancer le script : python exercises/00_setup_check.py
2. S'il affiche un bandeau TODO A COMPLETER, ouvrir le fichier avec un editeur :

   nano exercises/00_setup_check.py

   (Ctrl+O = sauver, Ctrl+X = quitter ; vim est aussi disponible)
3. Completer le bloc marque # ===== TODO =====, sauvegarder, puis relancer.
4. Quand tout est bon, le script vous indique l'exercice suivant.

Les exercices sont concus pour etre faits dans l'ordre (00 -> 05).

Les fichiers de exercises/ et outputs/ sont montes depuis votre machine : vos modifications et les figures generees sont conservees sur l'hote, meme apres make stop.

Figures

Le container n'a pas d'ecran : les scripts qui produisent un graphique l'ecrivent dans outputs/ (au format PNG). Ouvrir ces fichiers depuis l'explorateur de fichiers de votre machine hote (dossier outputs/ du projet).

Bloque ?

Les corrections completes sont dans solutions/ (lecture seule). Par exemple :

python solutions/00_setup_check.py

Plan des exercices

#	Fichier	Objectif	Duree estimee
00	exercises/00_setup_check.py	Verifier l'environnement	10 min
01	exercises/01_explore_model_zoo.py	Explorer le Model Zoo MCUNet	30 min
02	exercises/02_inference_python.py	Inference TFLite int8 avec quantification	45 min
03	exercises/03_compare_vs_mobilenet.py	Comparer MCUNet vs MobileNetV2	45 min
04	exercises/04_deployment_check.py	Analyse de deploiement avec TinyEngine	40 min
05	exercises/05_what_if_it_doesnt_fit.py	Strategies quand le modele ne tient pas	30 min

Duree totale estimee : environ 3h30.

Architecture du repo

tinyml-course/
|-- docker/
|   |-- Dockerfile             # Image Python 3.7 + TF 1.15 + MCUNet (+ nano/vim)
|   +-- docker-compose.yml     # Configuration du service
|-- exercises/                  # Scripts a completer par l'apprenant
|   |-- 00_setup_check.py
|   |-- 01_explore_model_zoo.py
|   |-- 02_inference_python.py
|   |-- 03_compare_vs_mobilenet.py
|   |-- 04_deployment_check.py
|   +-- 05_what_if_it_doesnt_fit.py
|-- solutions/                  # Scripts avec solutions completes (lecture seule)
|-- scripts/
|   |-- coursekit.py            # Fonctions d'affichage partagees (bandeaux, TODO, figures)
|   +-- tinyengine_analysis.py  # Wrapper Python pour TinyEngine
|-- outputs/                    # Figures generees par les exercices (non versionne)
|-- data/                       # Peuple par Docker (non versionne)
|-- START_HERE.txt              # Guide affiche a l'ouverture du shell
|-- Makefile                    # Commandes : start, shell, run, check, stop, clean, logs
+-- README.md

Commandes disponibles

Commande	Description
make start	Construit l'image et lance le container en arriere-plan
make shell	Ouvre un terminal dans le container (affiche le guide)
make run EX=02	Execute un exercice sans entrer dans le shell
make check	Execute l'exercice 00 pour verifier l'environnement
make stop	Arrete le container
make clean	Supprime container, image et volumes
make logs	Affiche les logs du container

Troubleshooting

Docker manque de memoire

Augmenter la RAM allouee a 8 GB minimum dans Docker Desktop > Settings > Resources.

make shell renvoie une erreur "container not running"

Lancer d'abord make start, puis make shell.

Build trop long

C'est normal au premier lancement (~15-20 min). Le dataset VWW fait 380 MB et les modeles sont pre-telecharges. Les builds suivants seront quasi instantanes grace au cache Docker.

Erreur d'import mcunet

Verifier que le container utilise bien Python 3.7 :

make check

Si l'erreur persiste, reconstruire l'image :

make clean
make start

Stack technique

Composant	Version	Role
Python	3.7	Runtime
TensorFlow	1.15.5	Backend MCUNet
PyTorch	1.9.0 (CPU)	Modeles fp32, analyse couches
tflite-runtime	2.7.0	Inference int8
MCUNet	latest	Model Zoo, architectures
TinyEngine	latest	Analyse deploiement MCU
nano / vim	-	Edition des scripts dans le container

Ressources complementaires

• MCUNet (GitHub) - Repo officiel
• TinyEngine (GitHub) - Moteur d'inference MCU
• MCUNet paper (NeurIPS 2020)
• MCUNetV2 paper (NeurIPS 2021)
• Cours EfficientML du MIT - Cours complet sur le ML efficace
• Tiny Machine Learning Open Education Initiative (TinyMLedu)