站在巨人肩膀上做AI！基于i.MX RT700的手势识别方案开发实录，欢迎围观~

可能小伙伴们才听说i.MX RT700这个恩智浦跨界MCU家族的新成员，小编先来简单介绍一下Ta：

 i.MX RT700有5个计算内核，为支持智能AI的边缘端设备赋能，包括可穿戴设备、消费电子医疗设备、智能家居和HMI设备。

• i.MX RT700计算子系统包括一个运行频率为325MHz的主Arm Cortex-M33核，以及一个Cadence Tensilica HiFi 4 DSP，可执行要求更高的DSP和音频处理任务。

• i.MX RT700的超低功耗感知子系统包括第二个Arm Cortex-M33核和Cadence Tensilica HiFi 1 DSP。这样就不需要外部传感器集线器，从而降低了系统设计的复杂性、占用空间和BOM成本。

• i.MX RT700包括恩智浦的eIQ Neutron NPU，可将AI工作处理速度提高172倍，并集成了7.5MB的板载SRAM。

回到正题，这好像是一个很简单的事情啊，先来个AI开发四联：

这还真让小编找到了，那就是由Google推出的MediaPipe解决方案，可能有小伙伴听说过这个框架。

Google MediaPipe是一个开源的跨平台框架，用于构建多模态（如视频、音频、传感器数据）的实时机器学习应用管道。它由Google Research开发并开源，专注于高效处理实时数据流，尤其适用于移动设备、边缘计算和嵌入式系统。

Google MediaPipe核心特点包括：

• 支持 Android、iOS、Linux、macOS、Windows和Web，甚至嵌入式设备 (如树莓派)

• 提供统一的API，简化多平台部署

• 通过预构建的“计算单元” (称为 Calculators) 组合成数据处理管道 (Graph)，开发者可以灵活定制或扩展功能

• 优化了延迟和资源占用，适合实时应用 (如摄像头流处理)

• 支持GPU加速 (通过OpenGL/Vulkan) 和硬件加速 (如Android Neural Networks API)

提供多种开箱即用的模型和管道：

• 人脸检测与网格 (Face Detection/Mesh)

• 手势识别 (Hand Tracking)

• 姿态估计 (Pose Estimation)

• 物体检测与跟踪 (Object Detection/Tracking)

• 语音识别 (Audio Classification)

• 可集成TensorFlow、TFLite或其他框架训练的模型

那么开心的事情就来了，这里恰好就有手势识别的项目可供借鉴，点击了解详情>>

我们可以调用MediaPipe的手势识别器来进行手部识别并能够标记出关键点。

太好了！那接下来就可以站在巨人的肩膀上开始搞事情了？

虽然有了巨人的肩膀加持，但是我们其实才只走了"AI四步走"的前两步：数据集+模型。真正的难点在于怎么将我们的模型部署到MCU上。尤其是针对于这一类大佬开发的"开源模型 + 闭源推理引擎"来说，我们要自行摸索模型的部署，尤其是涉及到模型预处理部分。

接下来，小编将围绕以下这些需要解决的问题，和大家做深入地探讨：

相关的内容详见本专题中的其他文章，敬请点击阅读——

好了！至此，站在巨人的肩膀上开发AI应用的任务就到此完结！

本系列专题文章分享了小编的一次项目开发历程，尤其是涉及到如何将网上找到的、不包含推理代码的模型，如何通过一步步地分析，最终转换成可以为我们所用的模型。希望能够帮助大家开发出更多创新的AI应用！