2. 开发环境搭建：工欲善其事，必先利其器

做嵌入式AI开发，环境搭建是第一道坎。我见过不少朋友卡在这一步，工具链版本对不上，或者漏装了某个包，折腾半天连个demo都跑不起来。说实话，这章内容看起来琐碎，但每一步都踩过坑的我，会尽量把关键点给你讲透。

咱们要装的东西，说白了就四大块：

• STM32CubeMX —— 图形化配置芯片外设和时钟
• STM32CubeIDE —— 写代码、编译、调试的一体化环境
• X-CUBE-AI 扩展包 —— 把训练好的模型“翻译”成STM32能跑的代码
• Python + TensorFlow —— 训练模型的“大本营”

它们之间的关系，我画了张图，你看一眼就明白了：

2.1 STM32CubeMX 安装

CubeMX 是 ST 官方出品的图形化配置工具。你用它选芯片型号、配引脚、设时钟，最后自动生成初始化代码。我个人习惯把它当作项目的“起点”。

安装步骤其实很简单：

1. 去 ST 官网搜 STM32CubeMX，下载最新版安装包（需要注册账号，免费）。
2. 双击安装，一路 Next。注意安装路径不要有中文或空格。
3. 安装完成后，首次启动会提示你更新固件包。建议先不更新，等用到具体芯片时再下载。

2.2 STM32CubeIDE 安装

CubeIDE 是 ST 基于 Eclipse 打造的免费 IDE。它集成了编译器、调试器，还自带 CubeMX 的配置界面。说白了，你装这一个就能搞定配置+编码+调试。

安装要点：

• 同样去 ST 官网下载 STM32CubeIDE 安装包。
• 安装时会让你选 Debug Probe 驱动。如果你用 ST-Link，默认勾选就行。
• 安装路径同样避免中文。

2.3 X-CUBE-AI 扩展包安装

这是咱们课程的核心工具。X-CUBE-AI 能把 TensorFlow、Keras、ONNX 等框架训练好的模型，转换成 STM32 能调用的 C 代码。它还会做量化、内存优化，甚至生成基准测试报告。

安装方式有两种：

我记得第一次用的时候，找了半天没找到入口。后来才发现，得先在 CubeMX 里选中一个 STM32 芯片，才能看到 Software Packs 的选项。嗯，这个坑我帮你踩过了。

2.4 Python 与 TensorFlow 环境配置

这部分是训练模型的基础。我建议用 Anaconda 来管理 Python 环境，这样不同项目之间不会互相干扰。

具体步骤：

1. 安装 Anaconda（或者 Miniconda，更轻量）。
2. 创建虚拟环境：conda create -n stm32ai python=3.10
3. 激活环境：conda activate stm32ai
4. 安装 TensorFlow：pip install tensorflow==2.13.0
5. 安装依赖库：pip install numpy matplotlib scikit-learn

验证安装是否成功，你可以在终端里跑一下：

python -c "import tensorflow as tf; print(tf.__version__)"

如果输出了 2.13.0，恭喜你，环境搭好了。

2.5 验证整个工具链

环境都装完了，怎么知道它们能不能协同工作？我一般会跑一个“最小验证流程”：

• 在 Python 里训练一个简单的全连接网络（比如识别手写数字的 3 层 MLP）。
• 导出为 .h5 文件。
• 在 CubeMX 里通过 X-CUBE-AI 导入这个模型，生成 C 代码。
• 在 CubeIDE 里编译、下载到开发板，跑一下推理。

这个流程走通了，后面的课程你就放心学。如果卡在哪一步，大概率是版本问题。别慌，回头检查一下版本号，或者去 ST 社区搜一下，基本都有答案。