1. 课程导论与开发环境搭建：STM32CubeAI概述、应用场景、开发板选型、STM32CubeMX与CubeIDE安装、X-CUBE-AI扩展包安装
1.1 为什么你需要学STM32CubeAI？
说实话，我刚开始接触嵌入式AI时，心里也犯嘀咕——把神经网络塞进单片机里，这靠谱吗？
但后来我做了几个项目，发现这事不仅靠谱，而且前景很大。STM32CubeAI，说白了就是ST官方提供的一套工具链，让你能把训练好的神经网络模型（比如TensorFlow Lite、Keras、ONNX这些）直接部署到STM32芯片上运行。
你想想看，以前做AI都得靠云端或者高性能处理器，现在一块小小的Cortex-M内核就能搞定。我去年帮客户做的一个工业异常检测项目，就是用STM32F4跑了一个轻量级CNN模型，成本降了60%，功耗才几十毫瓦。
核心价值：STM32CubeAI让嵌入式设备具备了本地推理能力，无需联网、低延迟、低功耗、保护隐私。
1.2 典型应用场景
我这些年接触过的项目里，STM32CubeAI的应用场景大致分这几类：
- 工业预测性维护：通过振动传感器采集数据，用CNN模型判断电机是否异常。我在一个泵站项目里就这么干过，准确率能到95%以上。
- 语音关键词识别：比如“小爱同学”这种唤醒词，STM32跑个几百KB的模型完全没问题。
- 视觉检测：虽然STM32跑不了YOLO那种大模型，但做简单的物体分类、人脸检测还是可以的。我记得有个智能门锁项目，就用STM32H7跑了个MobileNet V1。
- 传感器数据融合：比如用加速度计+陀螺仪做姿态识别，或者用麦克风阵列做声源定位。
嗯，这里要注意一点——不是所有模型都能塞进STM32。模型大小、算力需求、内存占用，这三个指标你得心里有数。
1.3 开发板选型建议
我个人习惯把开发板分成三个档次，方便你快速对号入座：
| 档次 | 推荐型号 | 适用场景 | 我踩过的坑 |
|---|---|---|---|
| 入门级 | NUCLEO-F401RE / NUCLEO-L476RG | 学习、小模型验证（<100KB） | F401的RAM只有96KB，稍微大点的模型就爆了 |
| 进阶级 | NUCLEO-H743ZI / NUCLEO-F767ZI | 中等模型（100KB-500KB）、多传感器融合 | H743的Cache配置容易搞错，推理速度差一倍 |
| 高性能级 | STM32H747I-DISCO / STM32MP157 | 视觉、音频、双核异构 | MP157的Linux环境搭建比较折腾 |
如果你刚开始学，我建议直接上NUCLEO-H743ZI。为什么？因为它的资源够用，而且CubeAI的兼容性最好。我曾经用F401跑一个语音模型，折腾了两天发现RAM不够，换了H743半小时就搞定了。
小提示：选板子时，重点关注SRAM大小和Flash大小。模型权重一般放Flash，中间计算结果放SRAM。SRAM至少要有128KB，否则很多模型跑不起来。
1.4 开发环境搭建——一步步来
好，接下来咱们动手搭建环境。这部分我尽量说细点，因为很多新手就是卡在环境配置上。
1.4.1 安装STM32CubeMX
STM32CubeMX是ST的图形化配置工具，用来生成初始化代码。说白了，你点点鼠标，它就把GPIO、时钟、外设这些配置代码给你生成了。
- 去ST官网下载最新版CubeMX（目前是6.12.0）。
- 安装时注意选Java环境，它会自动检测。如果没有JRE，它会提示你安装。
- 安装完成后，打开CubeMX，它会自动更新固件包。这一步别跳过，否则后面选芯片时会找不到型号。
注意：我曾经遇到过CubeMX安装后打不开，原因是Java版本太老。建议装Java 11以上版本。
1.4.2 安装STM32CubeIDE
CubeIDE是ST官方的IDE，基于Eclipse，集成了编译、调试、下载功能。我个人觉得比Keil好用，关键是免费。
- 同样去ST官网下载，选择对应操作系统版本。
- 安装过程很简单，一路Next就行。注意安装路径不要有中文。
- 第一次启动时，它会让你选择工作空间（Workspace）。我习惯放在D盘，避免C盘空间不够。
嗯，这里有个小技巧——CubeIDE默认的代码补全功能比较弱，你可以去Eclipse Marketplace里装一个“C/C++ Code Completion”插件，体验会好很多。
1.4.3 安装X-CUBE-AI扩展包
X-CUBE-AI就是咱们的主角，它负责把模型转换成STM32能跑的代码。
- 打开CubeMX，点击菜单栏的“Help” -> “Manage embedded software packages”。
- 在搜索框里输入“X-CUBE-AI”，找到后勾选并安装。目前最新版本是8.1.0。
- 安装完成后，在CubeMX的“Pinout & Configuration”界面里，你会看到“Software Packs”下面多了一个“X-CUBE-AI”选项。
验证安装：新建一个STM32工程，在“Software Packs”里能看到X-CUBE-AI的配置界面，就说明安装成功了。
1.5 第一个AI工程——快速验证环境
环境搭好了，咱们跑个最简单的例子验证一下。别急，这一步不是为了让你学会AI部署，而是确认工具链没问题。
// 步骤概览（详细操作后面章节会讲）
1. 打开CubeMX，选择NUCLEO-H743ZI开发板
2. 在Software Packs里启用X-CUBE-AI
3. 导入一个预训练好的模型（比如ST官方提供的person_detection.tflite）
4. 配置串口打印输出
5. 生成代码，编译下载
6. 打开串口助手，看输出结果我第一次跑通这个流程时，看到串口打印出“Person detected: 0.98”时，说实话挺激动的。一个不到200KB的模型，在STM32上跑一次推理只要30毫秒，这性能完全够用。
避坑指南：如果你在生成代码时遇到“X-CUBE-AI validation failed”错误，八成是模型格式不对。X-CUBE-AI支持.tflite、.h5、.onnx、.pb这几种格式，别搞混了。
1.6 本章小结
这一章咱们把STM32CubeAI的来龙去脉讲清楚了，也把开发环境搭好了。你想想看，从选板子到装软件，再到跑通第一个例子，其实没你想的那么复杂。
下一章我会带你深入模型转换的细节，包括量化、内存优化这些硬核内容。到时候你会发现，真正让模型跑得快、跑得稳，才是这门课的核心。
好，今天就到这儿。如果你在环境搭建时遇到问题，别硬扛，翻翻ST官方的应用笔记（AN5360、AN5650），或者直接来问我。咱们下章见。