3. 模型准备与格式转换：支持的主流框架与导出方法
好，咱们进入正题。模型训练好了，怎么喂给STM32？
说白了，STM32CubeAI不是啥模型都能吃。它有自己的“口味偏好”。我个人习惯，先把模型转成它认识的格式，再往下走。这一步卡住了，后面全是白搭。
3.1 支持的主流框架：Keras、TFLite、ONNX
STM32CubeAI目前主要支持三个“门派”：
- Keras（.h5）：我最常用的。TensorFlow的嫡系，API简洁，调试方便。我在项目里80%的模型都是用Keras搭的。
- TensorFlow Lite（.tflite）：专门为嵌入式优化的格式。量化、压缩都在这一步搞定。你想想看，模型从几百MB压到几MB，全靠它。
- ONNX：这个算是“通用语言”。PyTorch、MXNet训练的模型，先转成ONNX，再喂给CubeAI。我遇到过客户非要用PyTorch，最后就是走这条路。
我的建议：如果你从零开始，直接用Keras + .h5。省事。如果模型已经训练好了，再看它是什么框架，再决定转换路径。
3.2 模型导出为 .h5 格式
.h5是Keras的原生格式。保存起来很简单：
# 训练完模型后
model.save('my_model.h5') # 一行代码搞定嗯，这里要注意。保存的时候，模型结构、权重、训练配置都会打包进去。我刚开始做的时候，以为只保存权重就够了，结果加载时报错——少了结构信息。
小技巧：保存前先用 model.summary() 看一眼网络结构。确认输入输出尺寸对不对。我曾经有个模型，输入是224x224，结果导出时忘了改，CubeAI直接报尺寸不匹配。
3.3 模型导出为 .tflite 格式
.tflite是专门为边缘设备设计的。转换时可以做量化，把float32变成int8。模型体积能缩小4倍，推理速度也快不少。
import tensorflow as tf
# 加载Keras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)为什么推荐量化？
STM32的算力有限，float32的运算太慢了。量化成int8后，速度能提升2-4倍。我在一个手势识别项目里，量化前推理要120ms，量化后直接降到35ms。效果肉眼可见。
避坑指南：我曾经量化一个模型，精度从98%掉到了92%。后来发现是激活值分布太广，量化时信息丢失严重。解决办法是先用代表性数据做校准（calibration）。具体做法：
def representative_dataset():
for data in sample_data[:100]:
yield [data.astype(np.float32)]
converter.representative_dataset = representative_dataset
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_quant_model = converter.convert()加了校准后，精度回到了96%。嗯，这一步不能省。
3.4 ONNX 格式的导出
ONNX的好处是“一次转换，到处使用”。如果你用的是PyTorch，可以这样转：
import torch
import torch.onnx
# 假设你有一个PyTorch模型
model = torch.load('my_model.pth')
model.eval()
# 构造一个示例输入
dummy_input = torch.randn(1, 3, 224, 224)
# 导出ONNX
torch.onnx.export(model, dummy_input, "model.onnx",
input_names=['input'],
output_names=['output'],
dynamic_axes={'input': {0: 'batch_size'},
'output': {0: 'batch_size'}})然后，在CubeAI里导入ONNX文件即可。我有个客户，模型是用PyTorch训练的，转成ONNX后，CubeAI直接识别，省去了重写Keras的麻烦。
个人经验：ONNX转换时，注意算子兼容性。有些PyTorch的高级算子（比如自定义的激活函数），ONNX可能不支持。解决办法是替换成标准算子，或者用ONNX的算子库扩展。我遇到过最头疼的是 torch.nn.functional.grid_sample，ONNX不支持，最后改成了双线性插值。
3.5 格式选择总结
| 格式 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| .h5 | Keras训练，直接使用 | 简单，保留完整信息 | 文件较大，不支持量化 |
| .tflite | 嵌入式部署，需要量化 | 体积小，速度快 | 转换时可能精度损失 |
| ONNX | 跨框架模型迁移 | 通用性强 | 算子兼容性问题 |
我个人建议：
- 如果模型不大（< 10MB），直接用.h5。省事。
- 如果对速度有要求，或者Flash空间紧张，转.tflite并量化。
- 如果模型来自PyTorch或其他框架，走ONNX路线。
好了，模型准备好了。下一步就是把它导入CubeAI，开始验证和调试。咱们下一章见。