📚 课程目录第1章课程导论与开发环境搭建

1. 课程导论与开发环境搭建：AI on STM32 的生态全景

各位同学，欢迎来到《STM32嵌入式AI外设驱动与推理性能调优实战》的第一章。

说实话，嵌入式AI这几年火得不行。我经常被问到：“STM32这种MCU，真的能跑AI吗？” 我的回答一直是：能，而且效果超出你想象。关键在于——你得知道怎么选模型、怎么优化、怎么把外设和推理引擎拧成一股绳。

这一章，我们先搭好台子。把工具链、硬件平台、软件生态理清楚。后面再唱戏，才不慌。

1.1 AI on STM32 的生态全景

先看一张图，把整个生态串起来。

这张图我画了很多次。每次给客户做方案，第一件事就是拿这张图讲清楚：AI 不是只跑个模型就完事。外设怎么采数据、驱动怎么配合、推理性能怎么压榨，每一步都有坑。

整个生态可以拆成四层：

模型训练层：在 PC 上用 TensorFlow / PyTorch / Keras 训练你的神经网络。这一步跟普通 AI 没区别。
模型转换层：用 ST 官方的 X-CUBE-AI 扩展包，把训练好的模型转成 STM32 能吃的格式。说白了，就是把浮点模型量化成 int8，再生成 C 代码。
部署推理层：在 MCU 上跑推理。这里要跟外设驱动配合——摄像头采图、传感器读数、推理结果控制执行器。
硬件平台层：我们用的是 NUCLEO-H743ZI2，搭载 STM32H743 芯片，Cortex-M7 内核，480MHz 主频，2MB Flash，1MB RAM。跑轻量级 CNN 完全够用。

核心观点：嵌入式 AI 不是“把模型塞进 MCU”就完事。外设驱动、数据流、推理性能，三者必须一起优化。这也是这门课的核心思路。

1.2 STM32CubeMX 与 CubeIDE 安装

工欲善其事，必先利其器。我们先装好开发环境。

1.2.1 STM32CubeMX

CubeMX 是 ST 的图形化配置工具。用它来初始化时钟、外设、引脚，生成 HAL 库代码。我个人习惯是：所有项目都用 CubeMX 生成基础代码，再手动加业务逻辑。这样省去大量手写寄存器的时间。

安装步骤：

去 ST 官网下载 STM32CubeMX 最新版（目前是 6.x）。需要注册账号，免费。
运行安装包，一路 Next。注意安装路径不要有中文。
安装完成后，打开 CubeMX，它会自动检查更新。建议更新到最新固件包。
在 Help → Manage embedded software packages 里，下载 STM32H7 系列的固件包。我们用的是 H743，选 STM32H7xx 即可。

小技巧：CubeMX 的固件包下载速度有时很慢。我曾经挂了一整夜才下完。建议用手机热点或者换个时间段试试。实在不行，去 ST 官网手动下载 zip 包，再通过 CubeMX 的“From Local”导入。

1.2.2 STM32CubeIDE

CubeIDE 是 ST 官方的集成开发环境，基于 Eclipse 魔改。集成了编译器、调试器、代码编辑功能。说白了，就是一站式搞定。

安装步骤：

同样去 ST 官网下载 STM32CubeIDE 最新版。
安装时注意选择“Install for all users”还是“Current user”。我建议选当前用户，避免权限问题。
安装完成后，首次启动会提示选择工作空间。建议单独建一个文件夹，比如 D:\STM32_Workspace。
在 CubeIDE 里，可以通过 File → New → STM32 Project 直接调用 CubeMX 生成项目。两者已经深度集成。

避坑指南：我曾经遇到过 CubeIDE 编译时提示“arm-none-eabi-gcc not found”。原因是安装路径有空格。解决办法：重装 CubeIDE 到纯英文路径，或者手动配置环境变量。嗯，这里要注意，ST 的工具链对路径空格很敏感。

1.3 X-CUBE-AI 扩展包部署

X-CUBE-AI 是 ST 官方的 AI 扩展包。它的作用是把训练好的模型转成 STM32 能跑的 C 代码，并提供推理运行时库。

部署步骤：

打开 CubeMX，在 Pinout & Configuration 界面，找到 Software Packs → Select Components。
在列表里找到 X-CUBE-AI，勾选。版本建议选最新的稳定版（目前是 8.x）。
点击 Install，CubeMX 会自动下载并安装扩展包。
安装完成后，在 Pinout & Configuration 界面会出现 X-CUBE-AI 的配置选项。这里可以导入模型文件（.h5 / .tflite / .onnx 等），配置量化参数、内存分配等。

我举个例子，导入一个 Keras 模型：

// 在 CubeMX 中配置 X-CUBE-AI
// 1. 选择模型文件：model.h5
// 2. 选择量化类型：int8（默认）
// 3. 选择 RAM 分配策略：System
// 4. 点击 Generate Code

// 生成的代码结构大致如下：
// - app_x-cube-ai.c / .h：主推理接口
// - network.c / .h：模型权重和网络结构
// - ai_platform_interface.c：平台适配层

注意：X-CUBE-AI 生成的代码默认使用浮点运算。如果你想要更高的性能，一定要开启量化（int8）。量化后的模型体积缩小 4 倍，推理速度提升 2-3 倍。代价是精度略有下降，但大多数场景下可以接受。

1.4 硬件平台：NUCLEO-H743ZI2 介绍

我们这门课用的开发板是 NUCLEO-H743ZI2。为什么选它？

参数	值	说明
主控芯片	STM32H743ZIT6	Cortex-M7，480MHz
Flash	2MB	存放代码和模型权重
SRAM	1MB（含 512KB DTCM + 288KB SRAM1/2/3）	推理时存放中间特征图
外设接口	DCMI（摄像头）、SPI、I2C、UART、USB、ETH	连接传感器、摄像头、显示器等
板载调试器	ST-LINK/V3	支持 SWD 调试，虚拟串口
扩展接口	Arduino Uno V3 + ST Morpho	兼容大量扩展板

这块板子的亮点在于：

480MHz 主频：跑轻量级 CNN（比如 MobileNetV1 0.25）单次推理只要 20-30ms。
1MB SRAM：足够存放 int8 量化后的模型和中间结果。我做过测试，一个 100KB 的模型，推理时峰值内存占用约 300KB，完全够用。
DCMI 接口：可以直接接 OV2640 等摄像头模块，实现实时图像采集+AI 推理。这是后面章节的重点。

个人经验：如果你手头没有 NUCLEO-H743ZI2，用 NUCLEO-H723ZG 或者 NUCLEO-F767ZI 也可以。但要注意，Flash 和 RAM 大小不同，模型大小和推理性能会有差异。我建议还是用 H743，性价比最高。

1.5 开发环境验证：点亮第一颗 LED

环境装好了，板子拿到了。我们先跑一个最简单的程序——点灯。确保整个工具链没问题。

步骤：

打开 CubeMX，新建项目，选择 NUCLEO-H743ZI2。
在 Pinout 界面，找到 PB0（板载 LED 引脚），设置为 GPIO_Output。
配置时钟：HSE 8MHz，PLL 倍频到 480MHz。
生成代码，用 CubeIDE 打开。
在 main.c 的 while(1) 里添加：

HAL_GPIO_TogglePin(GPIOB, GPIO_PIN_0);
HAL_Delay(500);  // 500ms 闪烁

编译、下载。如果 LED 以 1Hz 频率闪烁，说明环境搭建成功。

避坑指南：我第一次用 CubeMX 生成 H743 项目时，发现程序跑不起来。查了半天，原来是时钟配置错了——H743 的 PLL 输入频率不能超过 25MHz。我用的外部晶振是 8MHz，PLL 倍频系数设成了 60，结果超了。后来改成 48 倍频，输出 384MHz，稳定运行。嗯，这里要注意，H7 系列的时钟树比 F4 复杂，一定要仔细看 Reference Manual。

1.6 本章小结

这一章我们做了三件事：

理清了 STM32 嵌入式 AI 的生态全景——从训练到部署，从外设到调优。
装好了 CubeMX、CubeIDE、X-CUBE-AI 扩展包。
认识了 NUCLEO-H743ZI2 硬件平台，并成功点灯验证环境。

从下一章开始，我们会真正进入 AI 推理的世界。先跑一个最简单的模型，感受一下 STM32 跑 AI 是什么体验。