1. 课程导学与开发环境搭建

各位同学，欢迎来到《STM32Cube AI图像识别模型移植实战》的第一章。

说实话，做嵌入式AI这几年，我见过太多人卡在环境搭建这一步。工具链装到一半报错，版本对不上，或者跑第一个demo就黑屏。嗯，这很正常。我自己第一次搭X-CUBE-AI时也折腾了大半天，后来才发现是CubeMX版本太老。

所以这一章，咱们先把地基打牢。我会带你走一遍整个生态，把硬件、软件、工具链全部理清楚。你跟着我的步骤来，保证后面30章走得顺。

1.1 STM32Cube AI生态概述

STM32Cube AI，说白了就是ST官方给嵌入式设备做的一套AI部署工具链。它不负责训练模型，只负责把训练好的模型——比如你电脑上用TensorFlow或Keras跑通的图像分类网络——压缩、优化、转换成能在STM32上跑的C代码。

整个生态包含三个核心部分：

• STM32CubeMX：图形化配置工具，用来生成初始化代码和引脚配置。
• X-CUBE-AI：扩展包，负责模型转换、验证和代码生成。
• STM32CubeIDE：集成开发环境，编译、调试、下载一条龙。

你想想看，以前要在MCU上跑AI，得手写卷积、池化、全连接层的C代码，还得自己调内存对齐。现在呢？CubeMX里点几下，X-CUBE-AI自动帮你把模型转成优化后的C函数，直接调用就行。我当年做第一个手势识别项目时，光手写卷积就写了两个星期，还跑不满帧率。现在用这套工具，半天就能搞定。

1.2 硬件平台介绍：STM32H747 Discovery Kit

咱们课程用的板子是STM32H747I-DISCO，也就是Discovery Kit。这块板子什么水平？双核Cortex-M7 + Cortex-M4，主频最高480MHz，2MB Flash，1MB SRAM，还带一个DCMI摄像头接口和TFT-LCD屏幕。

为什么选它做图像识别？

• 算力够：M7核跑480MHz，做卷积推理没问题。
• 内存大：1MB SRAM，能装下中小型CNN模型。
• 外设全：摄像头、屏幕、以太网、USB，做视觉项目不用额外接模块。
• 性价比高：相比NXP的i.MX RT系列，ST的生态更成熟，社区资源多。

我记得有一次项目评审，客户问为什么选H7而不是F4。我说，F4跑一个MobileNetV1要3秒一帧，H7只要200毫秒。客户当场就拍板了。说白了，做图像识别，算力和内存是硬门槛，H7刚好卡在性能和成本的最佳平衡点。

参数	STM32H747	STM32F429	STM32L4
核心	M7 + M4 双核	M4 单核	M4 单核
主频	480 MHz	180 MHz	80 MHz
SRAM	1 MB	256 KB	128 KB
DCMI	支持	支持	不支持
典型推理时间（MobileNetV1）	~200 ms	~3 s	不支持

1.3 软件工具链安装

工具链安装这块，我建议你按顺序来，别跳步。我曾经帮一个学员远程调试，他先装了CubeIDE再装CubeMX，结果版本冲突，折腾了一下午。顺序很重要。

1.3.1 STM32CubeMX

这是第一步。去ST官网下载最新版（目前是6.12.0）。安装时注意：

• 选择安装路径，不要有中文和空格。
• 勾选“Install STM32CubeMX as a standalone application”。
• 安装完成后，打开并更新固件包。H7系列需要下载STM32H7xx固件包，大约500MB。

1.3.2 X-CUBE-AI

X-CUBE-AI是作为CubeMX的扩展包安装的。打开CubeMX，进入Help → Manage embedded software packages，搜索“X-CUBE-AI”，选择最新版本（目前是9.1.0）安装。

安装完成后，你会在CubeMX的Pinout & Configuration界面看到“Software Packs”选项卡，里面多了一个“X-CUBE-AI”。点进去就能配置AI模型了。

1.3.3 STM32CubeIDE

这是咱们的编译和调试环境。同样去ST官网下载，选择对应操作系统版本。安装时默认选项即可，它会自动配置好GCC工具链和OpenOCD调试器。

安装完成后，建议先导入一个官方示例工程，验证编译链是否正常。我一般用STM32Cube_FW_H7里的UART_TxRx示例，编译通过就说明环境没问题。

1.4 开发环境验证

工具都装好了，怎么知道能不能用？咱们跑一个最简单的验证流程：

1. 打开CubeMX，新建一个基于STM32H747I-DISCO的工程。
2. 在Pinout界面，随便配置一个GPIO输出（比如PA5，板载LED）。
3. 生成代码，用CubeIDE打开。
4. 写一个简单的LED闪烁程序，编译、下载到板子。
5. 如果LED开始闪烁，恭喜你，环境搭建成功。

这一步看起来简单，但能帮你排除90%的环境问题。我见过有人装完工具链直接跑AI demo，结果编译报错，排查半天发现是CubeMX生成的代码路径有中文。所以，先跑一个最简单的GPIO工程，确认工具链没问题，再往上加AI功能。

1.5 本章知识体系总览

下面这张图，把咱们这一章的核心逻辑串起来了。你从左上角开始看，顺着箭头走一遍，就能理解整个开发流程是怎么衔接的。

从这张图你能看到，整个流程是单向的：PC端训练 → X-CUBE-AI转换 → CubeMX配置 → CubeIDE编译 → 硬件运行 → 验证。每一步都依赖上一步的结果。所以，环境搭建这一步走稳了，后面就是水到渠成的事。