4、STM32CubeAI项目创建：在CubeMX中激活AI功能、添加神经网络处理单元（NPU/CPU）、配置RAM和Flash
好，咱们进入实操环节。前面聊了那么多理论，现在该动手了。这一章我带你走一遍STM32CubeMX的项目创建流程，重点是怎么把AI功能“激活”，怎么选NPU还是CPU，以及RAM和Flash怎么分配。
说实话，我第一次用CubeMX做AI项目时，也踩过坑。比如忘了勾选AI扩展包，结果编译出来模型跑不了。嗯，咱们一步步来，别急。
4.1 在CubeMX中激活AI功能
打开STM32CubeMX，新建项目。选芯片时，我建议你直接搜带“AI”后缀的型号，比如STM32H747AI。这类芯片内置了NPU，性能会好很多。
项目创建后，关键一步来了——激活AI功能。你需要在Software Packs里找到X-CUBE-AI，勾选它。这个包就是STM32的AI运行时库，没有它，模型跑不起来。
激活步骤：
- 点击Pinout & Configuration标签
- 在左侧Software Packs下拉菜单中，选择Select Components
- 找到X-CUBE-AI，勾选Core和Runtime
- 点击OK确认
这里有个小细节：X-CUBE-AI的版本要跟你的CubeMX版本匹配。我遇到过版本不兼容，编译直接报错。建议用最新稳定版。
4.2 添加神经网络处理单元：NPU还是CPU？
激活AI功能后，你会看到AI选项卡。点进去，第一个问题就是：用NPU还是CPU？
我个人习惯这样选：
- 有NPU的芯片（比如STM32N6系列）：优先用NPU。功耗低，速度快。我做过一个手势识别项目，NPU推理比CPU快了将近10倍。
- 普通芯片（比如STM32F4系列）：只能用CPU。这时候要优化模型，比如量化、剪枝，不然跑不动。
- 混合模式：有些场景可以部分层跑NPU，部分层跑CPU。但配置复杂，新手不建议尝试。
我的经验：如果你不确定选哪个，先选CPU。等模型跑通了，再切NPU优化。这样调试起来更可控。
在CubeMX里，你只需要在AI选项卡的Runtime设置中，选择Target为CPU或NPU。选好后，系统会自动配置对应的驱动和内存映射。
4.3 配置RAM和Flash
模型跑起来，内存是关键。我见过不少新手，模型量化后明明很小，但一跑就死机。为什么？RAM不够。
在CubeMX中，你需要手动分配：
- Flash：存放模型权重和代码。一般模型文件（.tflite或.onnx）会编译成数组，直接烧进Flash。
- RAM：运行时存放输入输出数据、中间激活值。这个量往往比模型本身大。
具体配置路径：Project Manager → Advanced Settings → AI。你会看到类似下面的表格：
| 内存区域 | 用途 | 建议大小 |
|---|---|---|
| Flash (模型权重) | 存储量化后的模型参数 | 模型大小 + 10% 余量 |
| RAM (激活缓冲区) | 推理时的中间张量 | 模型峰值内存 × 1.5 |
| RAM (输入输出) | 存放输入图像/音频和推理结果 | 根据数据尺寸定 |
注意：我曾经在一个项目中，模型只有200KB，但RAM峰值需求达到了1.2MB。因为没预留足够空间，程序跑着跑着就HardFault了。后来我加了个内存池监控，才发现问题。所以，配置RAM时，一定要留余量。
配置完成后，点击Generate Code。CubeMX会自动生成初始化代码，包括AI运行时库的调用、内存分配、以及模型加载函数。
你会在生成的main.c里看到类似这样的代码：
/* 初始化AI运行时 */
aiSystemInit();
/* 加载模型到Flash */
AI_MODEL *model = ai_model_create(&network, NULL);
/* 分配输入输出缓冲区 */
AI_BUFFER *input = ai_buffer_create(model, AI_BUFFER_FORMAT_F32);
AI_BUFFER *output = ai_buffer_create(model, AI_BUFFER_FORMAT_F32);嗯，到这里，项目骨架就搭好了。下一章咱们会往里面塞真正的模型文件，然后跑一次推理试试。
最后提醒一句：生成代码后，别急着改。先编译一次，确保没有错误。我习惯先跑个空模型（全0输入），看系统能不能正常初始化。这叫“冒烟测试”，能省很多调试时间。