2、开发环境搭建：STM32CubeMX安装、STM32CubeIDE配置、X-CUBE-AI扩展包安装、Python环境准备

好，咱们正式开始动手。这一章要搭环境，说白了就是把所有工具都装好、配通。我见过不少同学，代码写得挺溜，结果卡在环境搭建上，一卡就是半天。别急，跟着我的节奏来，半小时内搞定。

2.1 STM32CubeMX安装——图形化配置的起点

STM32CubeMX，我个人习惯叫它“图形化配置神器”。你想想看，以前配个时钟树、管脚映射，得翻几百页数据手册。现在呢？点几下鼠标就完事。

安装步骤其实很简单：

  1. 去ST官网下载最新版安装包。注意区分Windows、Linux、macOS版本。
  2. 双击运行，一路Next。嗯，这里要注意：安装路径不要带中文，否则后面编译会报一些莫名其妙的错。
  3. 安装完成后，首次启动会提示你选择工作空间。我建议单独建一个文件夹，比如 D:\STM32Workspace，别跟其他项目混在一起。
⚠️ 避坑指南： 我曾经在Win10上装完CubeMX，打开后界面一片空白。后来发现是Java环境没装对。CubeMX依赖Java Runtime，如果你电脑上没有，它会自动帮你装。但有时候自动安装会失败。解决办法：手动装一个JDK 11或更高版本，再重启CubeMX。

装好之后，你可以先随便选一个芯片，比如STM32F407VGT6，试试能不能正常打开配置界面。能正常显示管脚图、时钟树，那就说明安装成功了。

2.2 STM32CubeIDE配置——从安装到第一次编译

STM32CubeIDE，说白了就是ST官方基于Eclipse打造的集成开发环境。它把CubeMX的配置功能和IDE的编译调试功能合二为一了。我个人觉得，对于AI集成开发来说，用这个比Keil顺手。

安装要点：

  • 同样去官网下载，同样注意路径不要有中文。
  • 安装过程中会提示安装驱动，建议全部勾上。尤其是ST-Link驱动，后面调试全靠它。
  • 安装完成后，第一次启动会初始化工作空间。我习惯把工作空间设在CubeMX的workspace同一个目录下，方便管理。

配置调试器：

我第一次用CubeIDE时，写完代码点调试，结果提示找不到调试器。后来才发现，默认的调试配置没设对。你按这个步骤来：

  1. 点击菜单栏 Run → Debug Configurations
  2. 选择你的工程，在 Debugger 选项卡里，把 Debug probe 选成 ST-LINK (OpenOCD)
  3. 接口选 SWD，速度建议先选 4 MHz，稳定后再往上调
💡 小技巧： 如果你用的是第三方的J-Link，也可以在这里切换。不过我个人建议，做AI项目时尽量用ST-Link，兼容性最好，省得折腾。

2.3 X-CUBE-AI扩展包安装——让STM32学会“思考”

X-CUBE-AI，这才是咱们课程的核心。它能把训练好的神经网络模型，转换成能在STM32上跑的C代码。说白了，就是给单片机装上“AI大脑”。

安装方式有两种：

方式 操作步骤 适用场景
通过CubeMX安装 打开CubeMX → Help → Manage embedded software packages → 搜索X-CUBE-AI → 勾选安装 推荐，自动匹配版本
手动下载安装 官网下载压缩包 → 解压到CubeMX的Repository目录 网络不好时备用

我建议你用第一种方式。为什么呢？因为版本匹配问题。我曾经手动装过一个旧版X-CUBE-AI，结果跟CubeMX版本不兼容，折腾了一下午才找到原因。自动安装能避免这种坑。

验证安装是否成功：

装完之后，新建一个工程，在 Pinout & Configuration 标签页里，左侧 Software Packs 下面应该能看到 X-CUBE-AI 的选项。点开它，如果能正常显示 AI 配置界面，那就说明装好了。

📌 重点： X-CUBE-AI 目前支持 TensorFlow Lite、Keras、ONNX、PyTorch 等主流框架。但要注意，不是所有算子都支持。比如某些自定义层，转换时会报错。我的经验是：先用官方支持的算子搭模型，等跑通了再优化。

2.4 Python环境准备——AI模型训练的基石

Python环境，说白了就是咱们训练AI模型的地方。虽然X-CUBE-AI能转换模型，但模型本身还得靠Python来训练。所以这一步不能省。

我的推荐配置：

  • Python版本： 3.8 或 3.9。别追新，3.10以上有些库还不兼容。
  • 包管理器： Anaconda 或 Miniconda。我习惯用Miniconda，轻量，够用。
  • 核心库： TensorFlow 2.x 或 PyTorch 1.x，加上 numpy、matplotlib、scikit-learn

安装步骤：

  1. 下载Miniconda安装包，一路默认安装。
  2. 打开Anaconda Prompt（Windows）或终端（Linux/Mac）。
  3. 创建一个新环境：conda create -n stm32_ai python=3.9
  4. 激活环境：conda activate stm32_ai
  5. 安装TensorFlow：pip install tensorflow==2.10（注意，2.10是最后一个支持GPU的版本，如果你有NVIDIA显卡，建议用这个）
⚠️ 避坑指南： 我曾经在装TensorFlow时，直接用了 pip install tensorflow，结果装了个2.15版本，跟X-CUBE-AI不兼容，转换模型时报了一堆错。后来查文档才发现，X-CUBE-AI 7.0版本最高只支持到TensorFlow 2.12。所以，装之前一定先去ST官网查一下兼容性列表。

验证环境：

装完之后，在终端里输入 python 进入交互模式，然后输入：

import tensorflow as tf
print(tf.__version__)

如果能正常打印出版本号，那就说明环境搭好了。如果报错，多半是依赖没装全，用 pip list 检查一下缺什么。

2.5 整体环境验证——跑通第一个AI示例

所有工具都装好了，咱们来验证一下整个链路通不通。我建议你跑一下X-CUBE-AI自带的示例工程。

操作步骤：

  1. 打开CubeMX，新建一个工程，选你手头的开发板型号（比如NUCLEO-F767ZI）。
  2. 在 Software Packs 里启用X-CUBE-AI，选择 AI 功能。
  3. 导入一个预训练模型。X-CUBE-AI自带了一些示例模型，比如 image_classification 的 mobilenet_v1。
  4. 配置好串口，用于输出推理结果。
  5. 生成代码，用CubeIDE打开，编译下载。

我第一次跑通这个示例时，看到开发板串口输出 Class: coffee mug, Confidence: 0.95，说实话，挺激动的。一个单片机，居然能识别出咖啡杯。这就是AI集成的魅力。

💡 小技巧： 如果编译时提示内存不够，可以在CubeMX里调整 Project Manager → Linker Settings，把堆栈空间改大一点。我一般设成 0x1000 起步。

好了，环境搭建就到这里。下一章咱们开始讲怎么用Python训练一个简单的模型，然后把它部署到STM32上。到时候你会发现，前面这些准备工作，都是值得的。

← 上一章 📖 返回目录 下一章 →