2. 开发环境搭建：工欲善其事，必先利其器

做嵌入式AI开发，最怕什么？环境搭到一半卡住，然后发现某个版本不兼容，得从头再来。我刚开始接触STM32Cube AI时，就吃过这个亏——X-CUBE-AI版本和CubeMX对不上，折腾了大半天。

这一章，咱们就把开发环境一次性捋顺。说白了，就是四步走：装CubeMX、装X-CUBE-AI扩展包、配好CubeIDE、准备好硬件板子。每一步我都会把坑指出来，你跟着走就行。

2.1 STM32CubeMX安装：图形化配置的第一步

STM32CubeMX是ST官方出品的图形化配置工具。你想想看，以前配时钟树、管脚映射、外设参数，得翻几百页数据手册。现在用CubeMX，点几下鼠标就搞定了。

安装步骤：

1. 去ST官网下载最新版STM32CubeMX（需要注册账号，免费）。
2. 运行安装包，选好安装路径——我个人习惯装在非系统盘，比如 D:\ST\STM32CubeMX。
3. 安装Java运行环境（JRE），CubeMX依赖Java。如果电脑里没有，安装程序会自动提示。
4. 安装完成后，首次启动会提示更新固件包。建议先跳过，等配好扩展包再一起更新。

2.2 X-CUBE-AI扩展包安装：让STM32学会“思考”

X-CUBE-AI是ST的AI中间件扩展包。它的作用，说白了就是把训练好的神经网络模型（比如TensorFlow Lite、ONNX、Keras）转换成能在STM32上跑的C代码。

安装方式有两种：

我建议用在线安装，省事。安装完成后，在CubeMX的Pinout & Configuration面板里，就能看到“Software Packs”下面多了一个“X-CUBE-AI”选项。

2.3 STM32CubeIDE配置：写代码、编译、调试一条龙

STM32CubeIDE是ST基于Eclipse打造的集成开发环境。它和CubeMX深度集成，你可以在CubeMX里生成代码后，一键用CubeIDE打开。

配置要点：

• 工作空间设置： 建议每个项目单独建一个工作空间，避免配置冲突。
• 编译器选择： 默认用GCC for ARM，别乱改。除非你非要用IAR或Keil。
• 调试器配置： 如果是NUCLEO板，板载ST-LINK/V2-1，选“ST-LINK (OpenOCD)”就行。
• 优化等级： 调试阶段用 -Og，发布阶段用 -O2 或 -Os。

2.4 硬件平台准备：NUCLEO与Discovery板

做AI推理，选对板子很重要。ST主推的有两个系列：NUCLEO和Discovery。我个人的建议是：

• 入门/原型验证： NUCLEO-F746ZG 或 NUCLEO-H743ZI。性价比高，性能够用。
• 高性能/复杂模型： Discovery kit with STM32H747（比如STM32H747I-DISCO）。双核架构，M7跑推理，M4跑控制。
• 超低功耗场景： NUCLEO-L4R5ZI 或 NUCLEO-U575ZI-Q。

硬件准备清单：

1. 一块NUCLEO或Discovery板（确保USB线能供电和通信）。
2. 一根Micro USB或USB Type-C数据线（别用充电线，我吃过这个亏——能供电但连不上调试器）。
3. 跳线帽若干（NUCLEO板默认配置即可，一般不用动）。
4. 可选：外接串口模块（如果板子没有板载虚拟串口）。

2.5 整体环境关系图

下面这张图，帮你理清各个工具之间的关系。你从模型训练到板端部署，数据流是怎么走的，一目了然。

2.6 环境验证：跑通第一个AI示例

环境搭好了，怎么知道它能不能用？我建议跑一个ST官方提供的AI示例——Image Classification（图像分类）。

快速验证步骤：

1. 打开CubeMX，选择你的板型（比如NUCLEO-F746ZG）。
2. 在Software Packs里选择X-CUBE-AI，添加一个AI模型（可以用ST自带的示例模型，比如 image_classification_network.tflite）。
3. 配置好串口（USART），用于打印推理结果。
4. 生成代码，用CubeIDE打开。
5. 编译、下载到板子。
6. 打开串口助手（波特率115200），复位板子，看输出。

2.7 常见问题与解决

嗯，环境搭建这部分就到这里。别嫌麻烦，这一步走稳了，后面模型部署、性能优化才能顺风顺水。你想想看，如果连工具链都没跑通，后面再好的算法也落不了地，对吧？