184 TinyML实战项目：智能门锁人脸识别从一次锁死说起凌晨两点，我被物业电话吵醒——我家那扇装了人脸识别门锁的入户门，把业主锁在门外了。更尴尬的是，我远程连上去看日志，发现模型推理结果一直在“识别成功”和“识别失败”之间来回跳，最后干脆卡死在某个中间状态，连看门狗都没救回来。拆开锁体，主控是STM32F407，摄像头是OV2640，跑的是MobileNetV1的量化模型。问题出在哪？我盯着逻辑分析仪抓到的SPI总线波形，发现每次人脸检测触发时，DMA传输和模型推理线程在争夺SRAM带宽，导致特征提取的中间结果被部分覆盖。这不是算法问题，是嵌入式系统里最经典的“资源竞争”陷阱。硬件选型：别被算力数字骗了很多人选芯片第一眼看TOPS（万亿次运算每秒），但做门锁人脸识别，真正要命的是内存带宽和外设DMA通道数。我踩过的坑：用STM32H743（带硬件卷积加速器）跑人脸识别，理论算力够，但实际帧率只有3FPS。问题出在摄像头数据通过DCMI接口进来后，要先经过DMA搬到SRAM，再经过CPU搬运到加速器的专用内存——两次搬运，带宽直接腰斩。正确做法：选带硬件JPEG编码器的芯片（比如ESP32-S3或i.MX RT1060），让摄像头输出压缩后的JPEG流，直接喂给模型预处理模块。门锁场景不需要30FPS，5FPS足够，但延迟必须稳定在200ms以内——用户站在门前等3秒，体验就崩了。内存分配