4、模型选择与预处理：适合STM32的模型选型原则、数据预处理（归一化、尺寸调整、格式转换）、数据集准备与标注

在STM32Cube AI的开发流程中，模型选型与数据预处理是决定最终部署效果的两大基石。许多开发者往往急于训练模型，却忽略了STM32作为MCU（微控制器）在算力、内存和功耗上的硬性约束，导致模型在PC端表现优异，转换后却无法在板卡上运行或精度骤降。本章将系统讲解适合STM32的模型选型原则、完整的数据预处理流程以及数据集准备与标注的工程化方法，帮助你在进入Cube AI工具链之前，就建立起正确的工程判断。

上图展示了从模型选型到数据预处理再到数据集构建的完整逻辑链路。三者并非孤立步骤，而是相互制约的整体：模型结构决定了可接受的输入尺寸和预处理方式，而数据集的分布和质量直接影响模型在MCU上的泛化能力。下面我们将逐一深入剖析。

4.1 模型选型原则：在精度与资源之间寻找平衡

4.1.1 核心原理：MCU的“不可能三角”

STM32系列MCU（如H7、F4、L4）的典型Flash容量在512KB至2MB之间，RAM在256KB至1MB之间，主频通常在80MHz至480MHz。这意味着模型部署面临三个硬性约束：存储空间（Flash存放权重）、运行内存（RAM存放激活值和中间张量）、计算延迟（单次推理时间）。这三者构成“不可能三角”——追求更高精度必然带来更大的模型体积和更长的推理时间，而MCU的资源天花板是固定的。

以STM32H743（2MB Flash, 1MB RAM, 480MHz）为例，若部署一个MobileNetV1（参数量约4.2M，INT8量化后约4.2MB），Flash将直接溢出。因此，选型的首要原则是“先算资源账，再谈精度”。

4.1.2 判断方法：量化资源预算与算子兼容性

在选型前，建议按以下步骤进行资源预算：

1. 估算模型体积：参数量（Params）× 量化位数（1字节/INT8）≈ Flash占用。例如，一个50万参数的模型，INT8量化后约500KB。
2. 估算RAM占用：激活值大小 ≈ 输入特征图尺寸 × 通道数 × 4字节（float32）或 ×1字节（INT8）。以96×96×3输入、第一层卷积输出96×96×16为例，激活值约96×96×16×1=147KB（INT8），已接近部分MCU的RAM上限。
3. 检查算子支持：STM32Cube AI支持Conv2D、DepthwiseConv2D、AveragePooling、GlobalAveragePooling、Add、Concat、Reshape、Softmax等常见算子。但不支持自定义算子、动态形状、循环神经网络（RNN/LSTM）等复杂结构。

4.1.3 案例拆解：从ResNet到MCU的“瘦身”之路

某工业视觉项目需要在STM32F746（1MB Flash, 320KB RAM, 216MHz）上实现产品缺陷分类（10类）。初始方案采用ResNet-18，参数量约11.2M，INT8量化后约11.2MB，远超Flash容量。经过分析，我们进行了以下调整：

• 模型替换：改用MobileNetV1（α=0.25），参数量约0.47M，INT8后约470KB，Flash占用降至47%。
• 输入尺寸压缩：从224×224降至96×96，激活值从约1.2MB降至约220KB（INT8），RAM占用降至69%。
• 算子优化：将Softmax层替换为线性分类头（仅输出logits），在Cube AI中配置为“分类输出”，减少计算量。

最终模型在测试集上精度从98.2%降至96.5%，但推理时间从无法运行变为85ms/帧，满足产线实时性要求。这个案例说明，在MCU场景下，精度的小幅牺牲换取可部署性是完全值得的。

4.1.4 常见误区与总结

选型总结：参数量≤500KB（INT8）、RAM峰值≤100KB、算子兼容CMSIS-NN、输入尺寸≤96×96是STM32部署的“黄金准则”。

4.2 数据预处理：让模型“看到”与MCU一致的世界

4.2.1 核心原理：训练与推理的“数据一致性”

数据预处理的核心目标不是“美化数据”，而是确保训练时的输入分布与部署后MCU接收到的输入分布完全一致。STM32Cube AI在转换模型时会固化预处理参数，如果训练时使用均值方差归一化，而部署时直接输入原始像素值，模型精度将大幅下降。

4.2.2 操作流程：三步完成标准预处理

以图像分类任务为例，标准预处理流程如下：

1. 归一化：将像素值从[0,255]映射到[0,1]（除以255.0）或[-1,1]（(x-127.5)/127.5）。推荐使用除以255.0，因为INT8量化时更友好。
2. 尺寸调整：将原始图像缩放至模型输入尺寸。常用方法包括：
   • 直接Resize：使用双线性插值，简单但可能改变宽高比。
   • 中心裁剪+Resize：先裁剪中心区域，再缩放，保留更多有效信息。
   • Letterbox：保持宽高比，填充灰色边框，适合目标检测。
3. 格式转换：将图像从HWC（Height-Width-Channel）转换为CHW（Channel-Height-Width），并调整通道顺序（如RGB→BGR，取决于训练框架）。

# Python预处理示例（与STM32Cube AI对齐）
import cv2
import numpy as np

def preprocess(image_path, input_size=96):
    # 读取图像
    img = cv2.imread(image_path)  # BGR格式
    # 尺寸调整：中心裁剪+缩放
    h, w = img.shape[:2]
    min_side = min(h, w)
    top = (h - min_side) // 2
    left = (w - min_side) // 2
    img = img[top:top+min_side, left:left+min_side]
    img = cv2.resize(img, (input_size, input_size))
    # 归一化：除以255.0
    img = img.astype(np.float32) / 255.0
    # 格式转换：HWC→CHW，BGR→RGB
    img = img[:, :, ::-1]  # BGR→RGB
    img = np.transpose(img, (2, 0, 1))  # HWC→CHW
    return img

4.2.3 实战场景：Cube AI中的预处理配置

在STM32Cube AI的“Validation”阶段，工具会要求提供验证数据集。此时，你需要将预处理后的数据保存为.npy或.bin文件。关键点在于：验证数据的预处理必须与训练时完全一致。例如，若训练时使用了均值[0.485,0.456,0.406]和标准差[0.229,0.224,0.225]，则验证时也必须使用相同的均值和标准差，而不是简单的除以255。

4.2.4 常见误区与总结

预处理总结：归一化方法、尺寸调整策略、通道顺序、数据布局（HWC/CHW）四项必须做到训练与部署完全对齐。

4.3 数据集准备与标注：质量决定精度上限

4.3.1 核心原理：数据分布决定模型泛化能力

MCU部署场景通常具有高度特异性——例如，工业相机固定在产线上，光照、角度、背景相对固定。因此，数据集准备不应盲目追求“大而全”，而应聚焦于目标场景的真实分布。一个包含1000张现场采集图像的数据集，往往比包含10万张网络爬取图像的数据集更有价值。

4.3.2 操作流程：从采集到标注的完整链路

1. 数据采集：使用目标设备（或同型号传感器）在真实场景下采集。覆盖不同光照（强光/弱光/逆光）、不同角度（±30°）、不同遮挡程度。建议采集原始格式（如BMP/PNG），避免JPEG压缩引入噪声。
2. 数据清洗：剔除模糊、过曝、欠曝、重复的图像。使用模糊检测（拉普拉斯方差）和亮度直方图进行自动化筛选。
3. 数据标注：根据任务类型选择标注方式：
   • 分类任务：为每张图像打一个类别标签。
   • 目标检测：使用LabelImg或CVAT绘制边界框，输出Pascal VOC或YOLO格式。
   • 分割任务：使用LabelMe或Supervisely绘制像素级掩码。
4. 数据增强：在训练时进行在线增强（随机翻转、旋转±15°、亮度调整±20%、高斯噪声），但验证集和测试集不做增强，以反映真实性能。

4.3.3 案例拆解：工业缺陷检测数据集构建

某项目需检测PCB板上的焊点缺陷（正常/虚焊/短路）。初始数据集仅500张，模型在验证集上精度达99%，但部署到产线后误检率高达15%。分析发现：

• 问题根因：训练集图像均在实验室均匀光照下拍摄，而产线存在强烈反光和阴影。
• 改进措施：在产线加装相机，连续采集3天共3000张图像，覆盖早中晚不同光照；标注时特别标注了“反光区域”和“阴影区域”的样本。
• 数据增强：增加亮度扰动（±30%）和对比度扰动（±20%），模拟产线光照波动。

改进后，误检率从15%降至2.3%。这个案例表明，数据集的场景覆盖度比数量更重要。

4.3.4 常见误区与总结

数据集总结：场景覆盖、标注一致性、增强策略是三大关键。建议将数据集按8:1:1划分为训练/验证/测试集，且测试集必须来自独立采集批次，以评估真实泛化能力。