3. 模型准备与转换：从训练到部署的关键一步
说实话，模型准备这块，我见过太多人栽跟头了。明明在电脑上跑得好好的模型，一放到STM32上就罢工。问题出在哪？多半是模型转换这关没过好。
今天咱们就聊聊，怎么把训练好的模型，变成STM32能吃的格式。嗯，这里头门道不少。
3.1 支持的深度学习框架
STM32CubeAI目前支持三大主流框架：Keras、TFLite和ONNX。我个人的习惯是，能用Keras就用Keras，因为它的API最友好。但如果你要部署到边缘设备，TFLite往往是更好的选择。
| 框架 | 适用场景 | 我的建议 |
|---|---|---|
| Keras (.h5) | 快速原型验证 | 新手首选，调试方便 |
| TFLite (.tflite) | 嵌入式部署 | 量化支持好，体积小 |
| ONNX (.onnx) | 跨框架迁移 | 适合从PyTorch转过来 |
小技巧： 我在项目中遇到过，用Keras训练完直接转TFLite，有时候会报一些奇怪的算子不支持。这时候先转ONNX再转TFLite，反而能绕过去。
3.2 模型导出格式
说白了，模型导出就是把训练好的网络结构+权重，打包成一个文件。STM32CubeAI能直接吃的格式，主要有这么几种：
- .h5文件：Keras的原生格式，包含完整模型
- .tflite文件：Google的移动端格式，做了优化
- .onnx文件：开放神经网络交换格式，通用性强
你想想看，为什么要有这么多格式？因为不同场景需求不一样。在PC上训练用Keras，部署到MCU用TFLite，中间可能还要经过ONNX做格式转换。这就是典型的「训练-转换-部署」流程。
# 我常用的导出方式
# Keras -> TFLite
import tensorflow as tf
# 加载训练好的模型
model = tf.keras.models.load_model('my_model.h5')
# 转换为TFLite
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()
# 保存
with open('model.tflite', 'wb') as f:
f.write(tflite_model)
注意： 我曾经遇到过，导出的.tflite文件在STM32CubeAI里解析失败。后来发现是模型里用了自定义层，TFLite不支持。所以导出前，最好先检查一下算子兼容性。
3.3 模型量化概念
量化，说白了就是把模型里的浮点数，变成整数。为什么要这么做？因为STM32这类MCU没有浮点运算单元（FPU），跑浮点运算慢得要命。量化后，运算速度能提升好几倍。
我刚开始做量化时，总觉得会损失很多精度。后来发现，对于大多数应用场景，8位整数量化后的精度损失不到1%。但模型体积能缩小4倍，推理速度能提升3-5倍。这笔账，怎么算都划算。
| 量化类型 | 精度损失 | 体积缩小 | 速度提升 |
|---|---|---|---|
| 浮点（FP32） | 无 | 1x | 1x |
| 动态量化 | ~0.5% | 2x | 2-3x |
| 全整数量化（INT8） | ~1% | 4x | 3-5x |
核心要点： 量化不是简单的截断，而是通过校准数据集，找到最佳的缩放因子和零点偏移。我建议用100-500张代表性图片做校准，效果最好。
3.4 输入输出张量定义
嗯，这里要注意。STM32CubeAI对输入输出张量的格式有严格要求。我见过太多人，模型转换成功了，但部署时发现输入输出对不上。
常见的输入格式要求：
- 图像输入：NHWC格式（批次、高度、宽度、通道数）
- 数据范围：0-255（uint8）或0.0-1.0（float32）
- 通道顺序：RGB，不是BGR
输出格式要求：
- 分类任务：softmax后的概率分布
- 回归任务：原始数值
- 检测任务：边界框坐标+置信度
# 检查输入输出张量
import tensorflow as tf
# 加载TFLite模型
interpreter = tf.lite.Interpreter(model_path='model.tflite')
interpreter.allocate_tensors()
# 获取输入输出详情
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
print("输入张量信息：")
print(f" 名称: {input_details[0]['name']}")
print(f" 形状: {input_details[0]['shape']}")
print(f" 类型: {input_details[0]['dtype']}")
print("输出张量信息：")
print(f" 名称: {output_details[0]['name']}")
print(f" 形状: {output_details[0]['shape']}")
print(f" 类型: {output_details[0]['dtype']}")
避坑指南： 我曾经在项目里，模型输入是224x224的RGB图像，但STM32CubeAI默认要求输入是BGR格式。结果推理结果全错了。后来我加了一步颜色空间转换，问题才解决。所以，一定要确认你的预处理和后处理，和模型训练时保持一致。
好了，模型准备这块，核心就是三件事：选对框架、导出正确格式、做好量化。每一步都有坑，但只要你按照我说的流程走，基本不会出大问题。下一章，咱们聊聊怎么在STM32上实际跑模型，那才是真正见真章的时候。