在本文中，我们提出了一套快速流水线，用于在 WeBe Band 可穿戴设备上训练、优化并部署机器学习模型。系统能够自动生成硬件高效的模型，支持 AutoML、硬件感知量化以及性能剖析，以满足延迟、内存和功耗约束。核心流程包括数据预处理、模型搜索、量化编译和 OTA 更新。我们将开源的 Piccolo AI 生态与自动化工具链深度融合，生成可直接烧录到 WeBe 核心固件的二进制。流水线支持传统机器学习算法和轻量神经网络，并提供设备端的推理时延和内存占用测量。实验表明，经典模型在微控制器上实现了毫秒级响应，而轻量网络在资源受限时需要更细致的管理。该框架侧重系统级自动化而非新算法设计，旨在帮助研究者快速迭代并在目标硬件上验证模型。虽然演示基于 WeBe Band，但设计可迁移至其他边缘设备。点评