一、课程导论：STM32CubeAI 到底是什么？
各位同学，欢迎来到《STM32CubeAI 传感器数据深度学习实战》。
先说说这门课要干什么。说白了，就是教你怎么在 STM32 这颗小小的 MCU 上，跑起深度学习模型。不是 PC 上的大模型，是真正能在嵌入式设备上实时推理的轻量级神经网络。
我最早接触这个方向，是几年前做工业振动监测。当时客户要求：传感器采集数据，MCU 本地做故障分类，不准上传云端。嗯，传统信号处理搞不定复杂工况，深度学习又跑不动。后来发现 ST 官方出了个工具叫 STM32CubeAI，一下子把这条路打通了。
1.1 STM32CubeAI 是什么？
STM32CubeAI 是意法半导体推出的一个扩展包。它不是独立软件，而是寄生在 STM32CubeMX 生态里的一个插件。你训练好的模型（比如 Keras、TensorFlow Lite、ONNX），它能帮你自动转换成针对 STM32 优化的 C 代码。
我个人习惯把它理解成「模型翻译官」。你给 PC 上的模型，它翻译成 MCU 能听懂的语言。同时还会帮你做量化、剪枝、内存优化。我见过有人手动移植模型，折腾两周还跑不起来。用 CubeAI，半天搞定。
核心能力一句话：把 PC 上的神经网络模型，变成能在 STM32 上跑的嵌入式推理代码。
1.2 它能做什么？
应用场景其实比你想的广。我列几个实际项目里用过的：
- 传感器数据分类：加速度计做人体活动识别（走路、跑步、摔倒）
- 异常检测：电机振动信号判断是否故障
- 语音关键词识别：在 STM32 上做简单的唤醒词检测
- 手势识别：用 ToF 传感器或雷达数据识别手势
- 预测性维护：根据电流、温度序列预测设备剩余寿命
你想想看，这些任务以前都得靠云端或者高性能 MPU。现在一颗几块钱的 STM32 就能搞定。为什么？因为 CubeAI 帮你把模型压缩到了极致。
我的经验：CubeAI 最适合处理 1D 时序信号（加速度、声音、电流）。图像任务虽然也能做，但受限于内存，分辨率不能太高。我建议优先从传感器时序数据入手，成功率最高。
1.3 传感器数据深度学习的基本流程
整个流程其实不复杂。我把它拆成 5 步：
- 数据采集：用 STM32 接传感器（比如 MPU6050、LSM6DSO），采集原始数据。注意采样率和数据长度要匹配你的应用。
- 数据预处理：滤波、归一化、滑动窗口切片。这一步很关键，我见过太多人模型训练没问题，但部署后效果差，就是预处理没对齐。
- 模型训练：在 PC 上用 Python（Keras/TensorFlow）训练。模型要轻量，参数量最好控制在 10 万以内。
- 模型转换与部署：用 STM32CubeAI 把模型转成 C 代码，集成到 STM32 工程里。
- 边缘推理：MCU 上实时跑模型，输出结果。
我曾经犯过一个错：在 PC 上训练时用了 float32，部署时直接转成 int8 量化，结果准确率掉了 15%。后来才意识到，训练时就要做量化感知训练（QAT）。这个坑后面章节会细讲。
注意：整个流程中，数据采集和预处理占了 70% 的工作量。不要急着调模型，先把数据管好。
二、开发环境搭建：把工具链装齐
工欲善其事，必先利其器。下面我把需要装的软件列出来，都是免费的。
2.1 安装清单
| 软件 | 版本建议 | 作用 |
|---|---|---|
| STM32CubeMX | 6.10 及以上 | 图形化配置 MCU 外设、时钟、引脚 |
| STM32CubeIDE | 1.15 及以上 | 集成开发环境，编译调试 |
| X-CUBE-AI 扩展包 | 8.0 及以上 | 模型转换与推理库 |
| Python 环境 | 3.8 - 3.11 | 训练模型用（TensorFlow/Keras） |
2.2 安装步骤详解
第一步：安装 STM32CubeMX
去 ST 官网下载。安装过程很简单，一路 Next。注意安装路径不要有中文。我个人习惯装在 D 盘根目录下，方便找。
第二步：安装 STM32CubeIDE
这个 IDE 基于 Eclipse，集成了 GCC 编译器。安装时它会自动检测你电脑上有没有 Java 环境。如果没有，它会帮你装一个。嗯，这里要注意：安装过程中会提示选择工作空间路径，我建议单独建一个文件夹，别用默认的。
第三步：安装 X-CUBE-AI 扩展包
有两种方式：
- 在 CubeMX 里直接点「Help → Manage embedded software packages」，搜索 X-CUBE-AI 安装。
- 或者去 ST 官网下载离线包，手动导入。
我推荐第一种，省事。但如果你网络不好，就选第二种。离线包大概 200MB 左右。
关键点：安装完 X-CUBE-AI 后，在 CubeMX 的「Pinout & Configuration」界面左侧，会多出一个「Software Packs」选项卡。点进去就能看到 X-CUBE-AI 的配置项。如果看不到，说明没装成功。
第四步：验证安装
打开 CubeMX，新建一个工程，选任意 STM32 型号（比如 STM32F407VGT6）。在 Software Packs 里勾选 X-CUBE-AI。如果能正常勾选，说明环境搭好了。
避坑指南：我曾经遇到过 CubeMX 和 CubeIDE 版本不匹配导致无法生成代码。建议两个软件都升级到最新版。另外，X-CUBE-AI 的版本要和 CubeMX 匹配，否则会报「No compatible version found」的错误。
2.3 验证环境：跑一个最简单的例子
装完别急着关。我们来验证一下工具链是否真的能用。
打开 CubeMX，配置一个串口输出（USART1），然后生成代码。用 CubeIDE 打开工程，编译下载到开发板。如果串口能打印出 "Hello World"，说明 CubeMX 和 CubeIDE 没问题。
至于 X-CUBE-AI 的验证，我们会在下一章真正导入模型时做。现在只要确保它出现在 Software Packs 里就行。
再次提醒：所有软件安装路径不要有中文或空格。我见过有人因为用户名是中文，导致 CubeMX 无法生成代码。如果遇到这种问题，新建一个英文路径的工程试试。
三、本章小结
这一章我们搞定了两件事：
- 理解了 STM32CubeAI 是什么——说白了就是模型翻译官，把 PC 模型变成 MCU 代码。
- 装好了开发环境——CubeMX、CubeIDE、X-CUBE-AI 三件套。
下一章，我们会真正开始动手：用传感器采集数据，训练一个简单的分类模型，然后用 CubeAI 部署到 STM32 上。嗯，到时候你会看到，模型在 MCU 上跑起来的那一刻，还是挺有成就感的。
记住：环境搭建是第一步，也是最容易出问题的一步。如果遇到报错，先检查版本匹配，再检查路径。实在搞不定，去 ST 社区搜一下，基本都有答案。
好，我们下一章见。