📚 课程目录第2章开发环境搭建

2. 开发环境搭建：STM32CubeMX 安装与配置、STM32CubeIDE 安装、X-CUBE-AI 扩展包安装、TFLite Micro 源码获取与编译

说实话，做嵌入式AI开发，最怕的不是算法难，而是环境搭不起来。我见过太多人卡在第一步，工具链没配好，连个LED都点不亮，更别说跑模型了。

这一章，咱们就把开发环境彻底搞定。我会把每个工具的安装要点、版本选择、避坑经验都讲清楚。你跟着一步步来，保证能跑通。

  本章核心目标： 搭建一套完整的STM32 AI开发流水线，从芯片配置到模型部署，所有工具链打通。

2.1 工具链全景图

先看看我们要装哪些东西，它们之间是什么关系。我画了张图，你一看就明白。

2.2 STM32CubeMX 安装与配置

CubeMX 是 ST 官方出品的硬件配置工具。说白了，它就是帮你生成初始化代码的。你点点鼠标，选好外设、时钟、引脚，它就能给你生成一套完整的 HAL 库工程。

2.2.1 下载与安装

去 ST 官网搜 "STM32CubeMX"，下载最新版本（目前是 6.x）。
安装时选好路径，我习惯放 D 盘，别放 C 盘，你懂的。
安装完成后，第一次启动会提示更新固件包。别急，先跳过。

我的经验： 固件包建议按需下载。你用到哪个系列就下哪个，全下的话十几个 G，太占空间。我一般只下 F4 和 H7 系列。

2.2.2 配置要点

打开 CubeMX，新建工程，选好芯片型号。这里有几个关键配置项：

配置项	推荐值	说明
HAL 库版本	最新稳定版	别用 beta 版，坑多
时钟源	HSE（外部晶振）	内部振荡器精度不够
调试接口	SWD（4线）	JTAG 占引脚太多
堆栈大小	Heap: 0x2000, Stack: 0x1000	跑 AI 模型时堆要够大

注意： 如果你用的是 F4 系列，记得把 FPU 打开。我遇到过有人忘了开，结果浮点运算慢得离谱。

2.3 STM32CubeIDE 安装

CubeIDE 是 ST 基于 Eclipse 定制的 IDE。它集成了编辑器、编译器、调试器，一条龙服务。我个人觉得比 Keil 好用，关键是免费。

2.3.1 安装步骤

同样去 ST 官网下载 "STM32CubeIDE"，选对应操作系统版本。
安装时注意：它会自带 GCC 编译器，不用额外装。
第一次启动会提示设置工作空间路径。我建议和 CubeMX 工程放一起，方便管理。

避坑指南： 我曾经遇到过 CubeIDE 启动后卡在 "Loading" 界面。后来发现是 Java 环境冲突。解决办法：卸载旧版 Java，让 CubeIDE 用自己的 JRE。

2.3.2 与 CubeMX 联动

CubeMX 生成的工程可以直接用 CubeIDE 打开。具体操作：

在 CubeMX 中点击 "Project" → "Generate Code"。
生成完成后，用 CubeIDE 打开工程文件夹下的 .project 文件。
或者直接在 CubeMX 里点 "Open Project"，它会自动调用 CubeIDE。

2.4 X-CUBE-AI 扩展包安装

X-CUBE-AI 是 ST 的 AI 工具包。它的作用是把训练好的模型（比如 TensorFlow、Keras、ONNX）转换成能在 STM32 上跑的 C 代码。

2.4.1 安装方式

有两种方式：

通过 CubeMX 安装： 在 CubeMX 的 "Software Packs" 里搜索 "X-CUBE-AI"，点击安装。
手动下载： 去 ST 官网下载安装包，解压后放到 CubeMX 的扩展包目录。

  版本选择： 目前 X-CUBE-AI 最新是 8.x 版本。我建议用 7.3.0 或 8.0.0，这两个版本对 TFLite Micro 支持最好。

2.4.2 验证安装

安装完成后，在 CubeMX 的 "Pinout & Configuration" 标签页里，应该能看到 "Software Packs" 下多了一个 "X-CUBE-AI" 选项。点进去，能看到模型导入界面。

注意： 如果你用的是 Linux 系统，X-CUBE-AI 的验证工具可能依赖 Python 3.8+。我踩过这个坑，装了半天才发现是 Python 版本不对。

2.5 TFLite Micro 源码获取与编译

TFLite Micro 是 TensorFlow 的微控制器版本。它专门为资源受限的 MCU 设计，内存占用极小。咱们要把它移植到 STM32 上。

2.5.1 获取源码

推荐用 Git 克隆官方仓库：

git clone https://github.com/tensorflow/tflite-micro.git
cd tflite-micro
git checkout main  # 或者指定某个 release 版本

我的习惯： 我一般用 v0.4.0 版本，这个版本比较稳定，而且文档齐全。最新版虽然功能多，但有时候 API 会变。

2.5.2 编译测试

TFLite Micro 自带 Makefile 构建系统。咱们先编译一个测试用例，验证环境是否正常：

make -f tensorflow/lite/micro/tools/make/Makefile \
  TARGET=linux \
  test_hello_world_test

编译成功后，运行测试：

./tensorflow/lite/micro/tools/make/gen/linux_x86_64/bin/hello_world_test

如果看到 "Hello World!" 输出，说明编译环境没问题。

2.5.3 交叉编译到 ARM

咱们的目标是 STM32，所以要用 ARM GCC 交叉编译：

make -f tensorflow/lite/micro/tools/make/Makefile \
  TARGET= cortex_m_generic \
  TARGET_ARCH=cortex-m4 \
  OPTIMIZED_KERNEL_DIR=cmsis_nn \
  test_hello_world_test

参数	说明	常用值
TARGET	目标平台	cortex_m_generic
TARGET_ARCH	内核架构	cortex-m4 / cortex-m7
OPTIMIZED_KERNEL_DIR	优化内核	cmsis_nn（推荐）

  关键点： 加上 OPTIMIZED_KERNEL_DIR=cmsis_nn 后，推理速度能提升 3-5 倍。这是 ARM 官方的 CMSIS-NN 库，专门为 Cortex-M 优化的。

2.5.4 集成到 CubeIDE 工程

编译完成后，把生成的库文件和头文件复制到 CubeIDE 工程中：

在 CubeIDE 工程里新建一个 "Middlewares" 文件夹。
把 TFLite Micro 的 tensorflow 目录复制进去。
在工程设置里添加头文件路径和库路径。
在链接器设置里添加 -l:libtflm.a。

注意： 复制源码时，别把整个仓库都拷进去。只需要 tensorflow/lite/micro 目录下的文件。我见过有人把整个 TensorFlow 都拷进去，编译直接报内存不足。

2.6 环境验证

所有工具装完后，咱们跑一个简单的验证流程：

用 CubeMX 新建一个工程，配置好时钟和串口。
在 CubeIDE 中打开工程，添加 TFLite Micro 库。
写一个简单的推理代码，比如加载一个预训练好的模型，输入一个数据，看输出是否正确。
编译、烧录、运行。

我的经验： 第一次跑通时，别急着上复杂模型。先用 TFLite Micro 自带的 "Hello World" 模型验证。这个模型只有几个参数，跑通了说明环境没问题。

嗯，到这里，开发环境就全部搭好了。你可能会觉得步骤有点多，但相信我，一次配好，后面能省很多事。我当年第一次配的时候，折腾了两天，踩了无数坑。现在把这些经验写出来，就是希望你别走弯路。