1、STM32CubeAI概述：AI在嵌入式领域的应用、STM32CubeAI简介、STM32CubeAI工作流程

各位同学，欢迎来到这门课的第一讲。

说实话，这几年我接触了不少做嵌入式开发的朋友，大家聊得最多的一个话题就是：「我们这单片机，也能跑AI？」

我的回答是：不仅能跑，而且跑得还挺好。今天这一章，我们就来聊聊这个事儿。

1.1 AI在嵌入式领域的应用

先说说AI在嵌入式领域到底能干啥。你可能会觉得，AI不都是云端那些大模型、GPU集群的事儿吗？跟咱们这小小的MCU有什么关系？

其实关系大了去了。我举个例子，去年我帮一个客户做智能门锁项目，他们要求在本地做语音指令识别——「开门」、「关门」、「设防」这三条指令。如果走云端，延迟高不说，网络一断就全废了。最后我们就是用STM32CubeAI，在芯片内部跑了一个轻量级的语音识别模型，效果出奇的好。

目前嵌入式AI的主流应用场景，我归纳了一下：

• 语音指令识别：像智能家居、车载语音助手，本地处理，响应快，隐私好。
• 异常声音检测：比如工业设备故障诊断，听到异常响声立刻报警。
• 传感器数据分类：加速度计、陀螺仪的数据，用来做跌倒检测、手势识别。
• 图像分类与目标检测：虽然MCU算力有限，但跑个简单的二维码识别、人脸检测还是可以的。

1.2 STM32CubeAI简介

好，那STM32CubeAI到底是什么？

说白了，它就是ST官方推出的一套工具链。它的核心作用就一个：把你训练好的AI模型，转换成能在STM32单片机上跑的代码。

我记得第一次用这个工具的时候，心里还挺忐忑的——这玩意儿靠谱吗？后来试了一下，发现它支持主流的深度学习框架，比如Keras、TensorFlow Lite、ONNX。你只要把模型文件丢进去，它就能自动帮你做量化、优化，最后生成一个C语言函数库。

它的主要特点，我列个表给大家看：

特性	说明
支持框架	Keras、TensorFlow Lite、ONNX、PyTorch（通过ONNX转换）
量化支持	支持8位量化，大幅降低内存占用和计算量
硬件加速	部分STM32型号内置神经网络加速器（如STM32N6）
集成度	直接集成在STM32CubeMX中，一键生成工程
验证工具	提供PC端仿真验证，不用反复烧录固件

1.3 STM32CubeAI工作流程

接下来，咱们聊聊整个工作流程。我习惯把它分成四个步骤，每一步都不复杂，但每一步都有坑。

第一步：模型训练（PC端）

这一步跟嵌入式还没什么关系。你用Python，用Keras或者TensorFlow，训练一个分类模型。比如我们这门课要做的语音指令识别，就是训练一个能区分「开灯」、「关灯」、「播放音乐」的模型。

嗯，这里要注意：模型不能太大。我见过有人拿ResNet-50来做语音识别，结果模型文件几十兆，STM32根本装不下。一般建议模型参数量控制在几十万以内，用MobileNet或TinyML级别的网络结构。

第二步：模型转换与量化（STM32CubeAI）

训练好的模型是浮点型的，直接放到MCU上跑，内存和算力都扛不住。这时候就需要STM32CubeAI出手了。

它会做两件事：

• 模型转换：把Keras的.h5文件或TensorFlow的.tflite文件，转成STM32能识别的格式。
• 量化：把32位浮点数转成8位整数。精度会损失一点点，但换来的是内存占用减少4倍，速度提升好几倍。

我曾经踩过一个坑：量化后的模型在PC上验证准确率有95%，但部署到芯片上只剩80%。后来发现是输入数据的归一化方式没对齐。所以，量化后的验证一定要做。

第三步：代码生成与集成（STM32CubeMX）

这一步最爽。你只需要在STM32CubeMX里勾选一下「AI」功能，导入量化后的模型，它就会自动生成一堆C代码。包括模型推理函数、内存分配、输入输出接口。

我个人习惯是把生成的代码放到一个单独的文件夹里，不要手动修改它。因为一旦模型更新，重新生成时会覆盖掉你的修改。

第四步：嵌入式部署与测试

最后一步，就是把生成的代码烧录到STM32里，接上麦克风或者传感器，开始跑推理。

这里有个小技巧：先用STM32CubeAI自带的PC端验证工具跑一遍，确认输入输出没问题，再烧录到板子上。不然每次改代码都要烧录，太浪费时间了。

小结

好了，这一章的内容就这些。我们讲了嵌入式AI能做什么，STM32CubeAI是什么，以及整个工作流程怎么走。

说白了，就是把PC上训练好的模型，经过量化、转换，最后塞进STM32里跑起来。每一步都有工具帮你做，但每一步也都有细节需要注意。

下一章，我们会开始搭建开发环境，手把手教你怎么装STM32CubeMX、怎么配置AI插件。到时候咱们再细聊。

---

公众号:蓝海资料掘金营，微信deep3321