STM32CubeAI 硬件在环实战
📘 30章 · 从入门到部署
1
01.
课程导论
为什么需要硬件在环测试？STM32CubeAI 整体工作流概览
2
02.
环境搭建
STM32CubeMX、CubeIDE、X-CUBE-AI 扩展包安装与配置
3
03.
模型准备
从TensorFlow/Keras导出模型，ONNX格式转换与优化
4
04.
CubeMX项目创建
选择MCU型号，配置时钟、外设与中间件
5
05.
X-CUBE-AI集成
在CubeMX中激活AI扩展，导入模型并分析
6
06.
模型分析报告解读
RAM/Flash占用、MACC运算量、层延迟分析
7
07.
代码生成
自动生成C代码，理解API结构 (network, input, output)
8
08.
CubeIDE导入
将CubeMX项目导入CubeIDE，配置编译链
9
09.
模型验证基础
编写main函数，初始化AI运行时，加载模型权重
10
10.
输入数据准备
从传感器或PC串口获取测试数据，预处理(归一化/量化)
11
11.
推理执行
调用 ai_model_run() 函数，获取输出张量
12
12.
输出解析
将输出张量转换为有意义的预测结果 (分类/回归)
13
13.
串口通信
使用UART将推理结果打印到PC端串口助手
14
14.
PC端上位机开发
Python脚本读取串口数据，实时绘制推理结果曲线
15
15.
数据集采集
在真实硬件上采集传感器数据，制作测试集
16
16.
批量测试
脚本自动喂入1000+测试样本，记录推理结果
17
17.
精度对比
MCU推理结果 vs PC端Python推理结果逐样本对比
18
18.
误差分析
计算MSE、MAE，分析量化损失
19
19.
性能基准测试
测量单次推理时间 (DWT / TIM定时器)
20
20.
性能优化
硬件加速 (MVE, FPU) 与编译器优化等级调整
21
21.
内存优化
分析堆栈使用，调整AI缓冲区大小
22
22.
低功耗测试
STOP模式下运行推理，测量功耗
23
23.
看门狗集成
防止模型推理卡死，添加独立看门狗 (IWDG)
24
24.
多模型切换
运行时动态切换轻量/高精度模型
25
25.
传感器融合
多传感器数据拼接为模型输入向量
26
26.
实时性测试
RTOS任务中推理，验证任务调度延迟
27
27.
故障注入测试
模拟传感器断线、数据异常，测试模型鲁棒性
28
28.
自动化测试框架
Python + pytest 自动化执行HIL测试用例
29
29.
测试报告生成
自动生成含精度、性能、功耗的HTML测试报告
30
30.
课程总结与实战案例
基于STM32U5的手势识别HIL测试全流程复盘