2. STM32N6硬件平台与机器视觉终端选型

STM32N6 是 ST 面向边缘 AI 与机器视觉推出的高性能 MCU 系列，其核心价值在于把 Neural-ART NPU、MIPI CSI-2 摄像头接口、大容量外部存储接口和丰富的外设集成到一颗 MCU 中，使终端可以在不依赖 Linux SoC 的前提下完成图像采集、预处理、神经网络推理和结果输出。选型时不能只看主频和算力，而要把“型号资源—摄像头链路—存储带宽—电源与散热—开发板或自制板形态”作为一个整体来权衡。

一、STM32N6 系列型号对比

STM32N6 目前主要围绕 STM32N657、STM32N655 等型号展开，差异集中在 NPU 算力配置、片上 SRAM 容量、外设组合与封装。以常见的 STM32N657X0 为例，它带有 Neural-ART NPU（约 600 GOPS 量级，具体以数据手册为准）、大容量 SRAM、MIPI CSI-2、DCMI、LTDC、以太网、USB 等接口，适合作为视觉终端主控；STM32N655 则在部分资源上做裁剪，适合算力需求较低、成本敏感的场景。选型时建议先明确三件事：模型规模与帧率、摄像头分辨率与接口、是否需要显示或网络回传。若模型为 MobileNet 级别的分类网络、输入 224×224、目标 15 fps 以上，N657 更稳妥；若只是简单目标检测且帧率要求不高，可评估 N655 或更低配置。

二、Neural-ART 加速器与推理链路

Neural-ART 是 ST 自研的神经网络加速器，支持卷积、深度可分离卷积、池化、全连接等常见算子，并通过 ST Edge AI Core 工具链把 TFLite、ONNX 等模型编译为可在 NPU 上运行的二进制。它与 Cortex-M55 主核协同：M55 负责图像采集、预处理、后处理和系统控制，NPU 负责重负载推理。实际部署时，图像从 MIPI CSI-2 或 DCMI 进入，经 DMA 写入 SRAM 或外部 PSRAM，再由 CPU 或 NPU 读取。关键点是数据布局与量化：模型通常量化为 int8，输入张量需按 NHWC 或工具链要求排布，预处理（缩放、裁剪、归一化）要尽量与训练时一致，否则精度会明显下降。

三、MIPI CSI-2 与 DCMI 的取舍

MIPI CSI-2 是高速差分串行接口，适合 1080p 及以上分辨率、高帧率摄像头，走线需按差分阻抗控制，通常需要 4 对数据 lane 加 1 对时钟 lane。DCMI 则是并行接口，接线多、速率较低，但时序直观、调试简单，适合低分辨率或成本敏感方案。若终端要做 720p 30 fps 以上的视觉任务，优先选 CSI-2；若只是 320×240 级别的简单检测，DCMI 也能满足。实际布线时，CSI-2 的差分对要等长、远离电源和时钟，DCMI 的 PIXCLK、HSYNC、VSYNC 要尽量短且避免跨分割。

四、外部存储器与电源方案

STM32N6 片内 SRAM 有限，运行较大模型或双缓冲帧时通常需要外扩 PSRAM 或通过 XSPI 接 NOR Flash。PSRAM 用于帧缓冲和中间张量，XSPI Flash 用于存放模型权重和固件。选型时要算清带宽：例如 640×480×2 字节的灰度帧约 600 KB，若 30 fps 双缓冲，仅帧缓冲就需约 36 MB/s 的读写带宽，PSRAM 的接口速率必须留有余量。电源方面，NPU 高负载时电流瞬态较大，建议使用 SMPS 提供核心电压、LDO 提供低噪声模拟电源，并在 NPU 电源引脚附近放置足够去耦电容。若终端为电池供电，还要评估平均功耗与散热，避免持续推理时降频。

五、开发板与自制终端选型要点

入门阶段可直接使用 ST 官方或第三方 STM32N6 开发板，重点确认板载摄像头接口类型、PSRAM 容量、调试接口和供电方式。若自制终端，建议按以下顺序决策：先确定摄像头接口与分辨率，再反推所需存储带宽和 NPU 算力，最后确定电源与结构散热。以下是一份可直接参考的选型检查清单：

总体而言，STM32N6 终端选型的核心是“算力—带宽—功耗”三角平衡：NPU 决定能跑多大模型，CSI-2 与 PSRAM 决定能喂多快的数据，电源与散热决定能持续跑多久。把这三者与具体视觉任务对齐，才能选出真正合适的硬件平台。