📚 课程目录第1章课程导论

1. 课程导论：边缘AI的崛起与STM32的机遇

各位同学好，我是你们这门课的主讲工程师。在嵌入式这行摸爬滚打了十几年，从最早的8位单片机做到现在的双核Cortex-M7，我亲眼看着AI从云端一点点「下沉」到了我们手边的MCU上。

说实话，五年前如果有人跟我说，要在STM32上跑图像识别，我肯定觉得他疯了。那时候我们连跑个JPEG解码都得精打细算，更别提卷积神经网络了。但现在不一样了——STM32Cube AI工具链成熟了，NPU加速器也集成进来了，边缘AI不再是噱头，而是实打实的工程需求。

  边缘AI的核心价值： 低延迟、隐私保护、离线运行、低功耗。这些恰恰是云端方案做不到的。

你可能会问：市面上那么多MCU，为什么偏偏选STM32做边缘AI？我个人的看法是，STM32的优势不在于算力最强，而在于生态最完整。

我记得2019年第一次用CubeAI做手势识别时，模型量化后精度掉了8个点，折腾了两天才找到原因——是输入图像的归一化参数没对齐。这种经验，说白了就是靠时间和项目堆出来的。

这门课不是讲理论，而是讲实战。我假设你已经会用STM32做基本的GPIO、UART、I2C操作，也大概知道什么是卷积神经网络。如果你还不会，也没关系，我会在关键地方补上必要的背景知识。

我的建议： 每章结束后，别急着往下看。先把你手边的开发板跑一遍示例代码，哪怕只是点个灯，也比光看强。嵌入式这东西，不动手永远学不会。

这门课一共30章，我把它分成了四个阶段。你不需要一次性啃完，但建议按顺序来——因为后面的章节会用到前面的知识。

我个人习惯是每学完一个阶段，停下来做个复盘。把踩过的坑、用过的技巧、跑过的数据都记下来。这些东西在面试或者做下一个项目时，比任何理论都管用。

工欲善其事，必先利其器。咱们先把环境搭好，后面才能专心搞优化。

我推荐以下三块开发板，覆盖了从入门到进阶的需求：

避坑提醒： 我曾经买过一块二手F746开发板，结果摄像头接口是坏的，排查了三天才发现是硬件问题。建议从正规渠道购买，或者至少确认所有外设都能正常工作再开始项目。

软件方面，我们主要用以下工具。我会在第二章详细讲安装配置，这里先列个清单：

嗯，这里要注意一点：CubeAI的版本更新很快，不同版本对算子支持不一样。我建议统一用课程配套的版本，避免出现「我的代码明明跟你一样，为什么跑不通」的情况。

下面这张图，是我自己整理的课程知识体系。你可以把它当作地图，随时回来看看自己走到哪了。

这张图把整个课程的核心流程串起来了。你注意看，从图像输入到最终输出，中间经过了预处理、模型部署、推理加速三个关键环节。每个环节都有对应的优化手段，这也是咱们这门课要重点攻克的内容。

  核心思路： 边缘AI的性能瓶颈往往不在模型本身，而在数据搬运和预处理上。我见过太多人花大量时间优化模型，却忽略了图像从摄像头到神经网络输入层之间的那几步——恰恰是这几步，占了整个推理时间的30%-50%。

最后说几句心里话。做边缘AI，说白了就是在资源受限的环境下「戴着镣铐跳舞」。你不可能像在服务器上那样随意堆算力，每一KB内存、每一个CPU周期都得精打细算。

但正是这种限制，让这个领域变得有趣。当你看到自己优化的模型在STM32上以30fps跑起来的时候，那种成就感，是调参调出来的高精度给不了的。

好，咱们开始吧。