2. 开发环境搭建：STM32CubeMX 安装、STM32CubeIDE 安装、X-CUBE-AI 扩展包安装、Python 与 TensorFlow Lite 环境配置

说实话，做嵌入式AI开发，最怕的不是算法难，而是环境搭到一半卡住了。我见过太多人卡在安装这一步，然后就开始怀疑人生。别急，这一章我带你一步步把工具链捋顺。

咱们要装的东西其实就四块：STM32CubeMX（芯片配置工具）、STM32CubeIDE（集成开发环境）、X-CUBE-AI（AI模型转换扩展包）、以及Python + TensorFlow Lite（模型训练与量化环境）。

2.1 STM32CubeMX 安装

CubeMX 是 ST 官方出品的芯片配置工具。说白了，它就是帮你省掉手写初始化代码的苦力活。你点点鼠标，它就把 GPIO、时钟、外设全给你配好，还能生成 Makefile 或 IDE 工程。

安装步骤：

1. 去 ST 官网搜 "STM32CubeMX"，下载最新版安装包（需要注册账号，免费）。
2. Windows 直接双击 .exe，Linux 用 .sh 脚本。我建议装到默认路径，省得后面找不着。
3. 安装完成后，第一次启动会提示下载固件包。别急，先关掉，后面用到哪个芯片再下哪个。

2.2 STM32CubeIDE 安装

CubeIDE 是 ST 基于 Eclipse 魔改的 IDE，集成了编译器、调试器、FreeRTOS 插件等等。我个人觉得它比 Keil 清爽，比 IAR 便宜（免费），而且跟 CubeMX 无缝衔接。

安装要点：

• 同样从 ST 官网下载，注意区分 Windows/Linux/macOS 版本。
• 安装过程中会提示安装驱动，务必勾选，否则后面连不上调试器。
• 安装路径不要有中文，不要有空格。我见过有人装在 "D:\程序\STM32" 然后编译报错，折腾半天才发现是路径问题。

2.3 X-CUBE-AI 扩展包安装

X-CUBE-AI 是 ST 的 AI 模型转换工具。它能把 TensorFlow Lite、Keras、ONNX 等格式的模型，转成能在 STM32 上跑的 C 代码。说白了，它就是 AI 模型和嵌入式之间的翻译官。

安装方式有两种：

方式	操作	适用场景
CubeMX 内安装	Help → Manage embedded software packages → X-CUBE-AI → 勾选版本 → Install	最推荐，版本自动匹配
手动下载安装	官网下载 .pack 文件 → CubeMX 中 File → Import → 选择 .pack	网络不好或需要特定旧版本

2.4 Python 与 TensorFlow Lite 环境配置

这部分是很多嵌入式工程师的短板。别怕，咱们只装必要的，不搞花里胡哨的。

我推荐的 Python 环境：

• Python 3.10（别用 3.12，有些库还没适配）
• 建议用虚拟环境，避免跟系统 Python 打架

安装命令（在终端里逐条执行）：

# 创建虚拟环境（可选但强烈推荐）
python -m venv stm32ai_env
# Windows 激活
stm32ai_env\Scripts\activate
# Linux/macOS 激活
source stm32ai_env/bin/activate

# 安装核心库
pip install tensorflow==2.15.0
pip install numpy matplotlib
pip install pillow  # 图像处理，后面做视觉模型会用

验证安装：

python -c "import tensorflow as tf; print(tf.__version__)"
# 输出应为 2.15.0

python -c "import tflite_runtime; print('TFLite Runtime OK')"
# 如果报错，说明 tflite_runtime 没装，但没关系，TensorFlow 自带 TFLite 转换器

2.5 环境验证：跑一个最小测试

装完别急着关电脑。咱们跑个最小测试，确保所有工具能串起来。

测试流程：

1. 打开 CubeMX，选一个 STM32F407VGT6 芯片（我习惯用这个，资料多）。
2. 配一个串口 USART1，时钟配到 168MHz。
3. 在 Software Packs 里勾选 X-CUBE-AI，随便导入一个 .tflite 模型（没有的话用下面代码生成一个假的）。
4. 生成代码，用 CubeIDE 打开，编译。如果零错误零警告，说明环境通了。

生成一个测试用的 .tflite 模型：

import tensorflow as tf
import numpy as np

# 创建一个极简模型：输入 10 个特征，输出 3 个分类
model = tf.keras.Sequential([
    tf.keras.layers.Dense(16, activation='relu', input_shape=(10,)),
    tf.keras.layers.Dense(3, activation='softmax')
])

# 转成 TFLite
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# 保存
with open('test_model.tflite', 'wb') as f:
    f.write(tflite_model)

print("测试模型已生成：test_model.tflite")
print(f"模型大小：{len(tflite_model)} 字节")