一个运行在 VelaOS QuickApp 下的轻量级手写字符识别 Demo，支持：
- 数字
0-9 - 小写字母
a-z - 共 36 类
模型为自训练 TinyCNN（LeNet 风格）+ INT8 权重导出，端上 纯 JS 推理，不依赖 TensorFlow / ONNX 等框架。
src/：QuickApp 应用源码src/pages/index/index.ux：主页面（采样 + 推理）
train/：训练脚本与模型产物train/train_tiny36_28_int8_array.py：28×28 训练 + 导出train/train_tiny36_14_int8_array.py：14×14 训练 + 导出（推荐上设备）train/out/：导出的权重与 json
dist/：打包产物（.rpk）sign/：签名文件（证书/私钥等）
- 使用 EMNIST
byclass - 过滤得到 36 类：
0-9+a-z
实际设备输入存在左右镜像问题，因此端上推理前做 水平翻转（镜像校正）。
- 采样阶段固定使用 28×28 点阵（便于轨迹映射、调试）
- 推理阶段可选：
- 直接 28×28 模型（更慢）
- 先 28→14 下采样，再跑 14×14 模型（更快，推荐）
当前仓库默认推荐 14×14 模型。
进入 train/：
cd train
python train_tiny36_14_int8_array.py训练完成后产物会输出到：
train/out/tiny36_14_best_float.pthtrain/out/tiny36_14_int8_array.json
json 大小约：
- 14×14：≈ 138 KB
- 28×28：≈ 600 KB
设备：REDMI Watch 5(VelaOS) + QuickJS（字节码）
当前（14×14 模型 + 28→14 下采样）单字符耗时：
- 约 2000ms（不同设备略有浮动）
已完成：
- buffer 预分配复用（避免 OOM / GC 抖动）
- conv2 fast path（中心区域无边界判断）
- 权重 typed array 化（bias Float32Array / w_q Int16Array / conv2 wf Float32Array）
- 小写
a容易与6混淆（14×14 下采样会损失细节）
支持“停笔 3 秒自动识别”：
onUp()后启动 3s timer- 3s 内无继续输入则触发自动推理
- 自动推理可配置是否展示预览（会增加内存与 UI 开销）
项目已包含打包产物：
dist/moe.orpu.bandwriting.release.1.0.0.rpk
具体打包/安装流程依赖 VelaOS QuickApp 工具链与设备环境，这里不展开。
本项目代码与模型权重文件均采用 MIT License 开源。
要求保留原始版权声明与许可证文本
本仓库中的模型权重文件（tiny36_*.json / .pth）：
- 由本项目自行训练生成
- 不包含第三方受限模型
- 不包含商业授权字体
- 不依赖闭源 AI 框架推理
模型训练使用 EMNIST 数据集。
EMNIST 基于 NIST Special Database 19 派生，属于公开研究数据集。
在商业使用前，建议确认：
- 当前使用的 EMNIST 版本的具体再分发条款
- 是否存在额外署名或引用要求
本项目不附带原始数据集，仅包含训练脚本。
本项目为研究与工程实践示例，不对任何实际应用场景的识别准确率、适用性或法律合规性作保证。
商业化使用者应自行确认数据来源合规性与应用场景合法性。