2、STM32CubeAI基础回顾：CubeMX与CubeAI工作流，支持的模型格式，部署流程快速演示

2.1 为什么还要回顾基础？

说实话，很多同学一上来就问我剪枝、量化这些高级话题。但我发现，不少人连CubeMX和CubeAI的基本配合都没搞明白。这就好比你要学跑车改装，结果连方向盘怎么握都不知道——那肯定不行。

我个人习惯，每接手一个新项目，第一件事就是重新捋一遍工具链。别嫌烦，这一步能帮你省下后面80%的调试时间。我记得有一次，一个团队折腾了两周模型部署不上，最后发现是CubeMX的时钟配置错了——嗯，这种低级错误，咱们尽量避免。

2.2 CubeMX与CubeAI：一对黄金搭档

说白了，CubeMX负责硬件初始化，CubeAI负责AI推理引擎。它们俩的关系，就像发动机和变速箱——必须匹配好才能跑起来。

2.2.1 CubeMX的工作流

你打开CubeMX，第一件事就是选芯片。我建议你直接搜STM32H743或者STM32F769这类带硬件加速的型号。选好后，配置时钟、外设、内存——这些是AI推理的基础设施。

举个例子，如果你要用摄像头做图像识别，那DCMI接口、DMA、FMC都得配好。我曾经在项目里漏配了DMA，结果模型跑起来卡得像幻灯片——后来才发现，数据搬运全靠CPU硬扛，那肯定不行。

关键点：CubeMX生成的初始化代码，是CubeAI推理引擎的「地基」。地基不稳，上面盖什么都白搭。

2.2.2 CubeAI的工作流

CubeAI更像一个「模型翻译官」。它把你训练好的模型（比如TensorFlow的.h5文件）转成STM32能理解的C代码。流程大致是这样：

  1. 导入模型：支持Keras、TensorFlow Lite、ONNX等格式
  2. 分析模型：自动检查算子兼容性，告诉你哪些层不支持
  3. 优化配置：选择量化方式（8位还是16位），分配内存池
  4. 生成代码：输出一个包含网络结构和权重的C文件
  5. 集成到CubeMX：把生成的代码塞进你的工程里

你想想看，如果没有CubeAI，你要手写这些推理代码——那得写到猴年马月去？

2.3 支持的模型格式：别选错了

很多新手在这里翻车。CubeAI不是所有模型格式都吃，它有自己的「口味偏好」。我整理了一张表，你直接照着看：

模型格式 支持版本 注意事项
Keras (.h5) TensorFlow 2.x 最推荐，兼容性最好
TensorFlow Lite (.tflite) 2.x 量化模型首选，体积小
ONNX 1.7+ 跨框架迁移时用，但算子支持有限
PyTorch (通过ONNX) 间接支持 先转ONNX再导入，注意算子映射

我的建议：如果你刚开始接触，直接用Keras的.h5格式。我在项目里试过ONNX转过来的模型，有些自定义算子会报错——排查起来特别头疼。

2.4 部署流程快速演示：5分钟跑通一个例子

光说不练假把式。咱们快速走一遍部署流程，你跟着做就行。

2.4.1 准备模型

假设你有一个训练好的手写数字识别模型（MNIST），文件名叫mnist_model.h5。打开CubeAI，点击「Import Model」，选这个文件。

# 如果你还没有模型，可以用这个简单代码生成一个
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten

model = Sequential([
    Flatten(input_shape=(28, 28, 1)),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])
model.save('mnist_model.h5')

2.4.2 分析并优化

导入后，CubeAI会显示模型结构。你注意看右边面板的「Memory Estimation」——它会告诉你模型占多少RAM和Flash。如果超标，就得考虑剪枝或量化了。

我一般先选「8-bit Quantization」，这样模型体积能缩小4倍，推理速度也快不少。但要注意，精度可能会掉1-2个百分点——这就是咱们后面要讲的「精度平衡」问题。

2.4.3 生成代码并集成

点击「Generate Code」，CubeAI会生成一个network.c和network.h。然后你打开CubeMX，在「Software Packs」里勾选CubeAI组件，把这两个文件加进去。

注意：生成代码后，记得检查一下main.c里的初始化顺序。我曾经遇到过CubeAI初始化在CubeMX之前，结果模型加载失败——因为内存还没配好呢。

2.4.4 调用推理接口

在代码里调用推理，其实就三步：

// 1. 初始化AI模型
ai_handle handle = AI_HANDLE_NULL;
ai_mnist_model_create(&handle, NULL);

// 2. 准备输入数据（比如摄像头采集的图像）
ai_i8 input_data[784];  // 28x28=784个像素
// ... 填充数据 ...

// 3. 运行推理
ai_mnist_model_run(handle, input_data, output_data);

// 4. 获取结果
// output_data[0] 就是预测的数字

你看，核心代码就这么几行。但实际项目中，数据采集、预处理、后处理往往比推理本身还复杂。比如图像要归一化到0-1之间，输出要解析成类别标签——这些细节，咱们后面章节会细讲。

2.5 快速验证：跑通第一个Demo

代码写完后，编译下载到开发板。打开串口助手，你应该能看到类似这样的输出：

AI Inference Started...
Input: [0.1, 0.2, ..., 0.8]
Output: [0.01, 0.02, ..., 0.85]
Predicted Class: 7
Confidence: 85.3%

如果看到这个，恭喜你——部署成功了！如果没看到，别慌。先检查串口波特率对不对，再确认CubeAI初始化有没有报错。我遇到过最奇葩的问题，是开发板的USB线供电不足，导致推理到一半就重启了——换个带屏蔽的USB线就好了。

总结一下：CubeMX配硬件，CubeAI配模型，两者结合就能在STM32上跑AI了。但这才刚开始——模型剪枝、量化、精度平衡，才是真正让你「从能跑到跑得好」的关键。下一章，咱们就正式进入剪枝的世界。

嗯，基础回顾就到这里。你如果手边有开发板，建议现在就跟着走一遍流程。纸上得来终觉浅，绝知此事要躬行——这话放在嵌入式AI里，再合适不过了。

← 上一章 📖 返回目录 下一章 →