内容简介
本篇教程详细阐述了如何将AI模型成功部署到STM32单片机上，并实现基础的逻辑推理功能。整个流程可划分为三个核心环节：模型获取、模型部署以及模型调用。接下来，我们将逐一拆解每个步骤。
模型获取
在模型部署的初期阶段，你可能还不具备独立训练模型的能力——但这并不要紧，当前的首要目标是“先用起来”，而不是从零开始创造。只要能顺利部署并成功调用模型，这一阶段的任务就算圆满达成。那么，模型从哪里来？主要有以下几种常见途径。
意法半导体官方获取
在STM32CubeMX AI的官方下载页面中，下拉页面即可找到对应的官方模型库。网址如下：
下拉后可以看到STM32 Model Zoo的相关信息，点击“了解更多信息”。
在新弹出的页面中选择“前往Model Zoo”。
随后便跳转到了意法半导体官方在GitHub上提供的模型仓库。
下拉即可找到不同类型的开源模型。
不过，仔细观察就能发现：官方提供的AI模型大多用于图像处理相关操作。这类模型对板载芯片性能要求较高，还需要搭配摄像头模块，更重要的是部署难度不小，对初期学习阶段并不友好。等后期熟练掌握了模型部署流程，或者确实需要做单片机图像处理时，再回来看看这里有没有满足需求的模型。
关于模型下载的网络环境提示
意法半导体的AI模型主要存放在GitHub和Hugging Face这两个国际开源社区。国内用户直接访问时，可能会遇到页面加载缓慢、响应超时或资源无法下载等网络不稳定的情况。
建议在获取这些官方模型时，尽量保持良好的网络环境。如果下载过程中反复遇到超时问题，可以尝试在Gitee（码云）等国内代码托管平台上搜索 STM32 Model Zoo 相关的镜像搬运仓库，这能极大提高模型获取效率。
浏览器搜索获取
现在在各大浏览器中搜索“TinyML”“Edge AI”等关键词，都能找到不少教程。一般情况下，教程中也会提供相应的模型供我们去复现操作。当然，在技术社区和视频平台也能找到相关资源。
模型部署
环境搭建
将AI模型部署到MCU上，有手动和自动两种方式。绝大多数情况下我们会选择自动化部署，这就需要用到STM32CubeMX软件。不过，CubeMX并不能开箱即用，需要在原有基础上做一些额外配置。这里默认大家已经安装好了CubeMX，并且能正常使用它进行单片机程序的初始化操作。
- 打开软件，在初始界面中选择Help选项，随后在弹出的窗口中选择Manager embedded software packages（或者直接按键盘快捷键Alt+U）。
- 在新弹出的界面中选择STMicroelectronics选项，在下方的选项框中下拉找到X-CUBE-AI，点开折叠区，选择需要安装的版本，然后点击Install。
- 至此，基本的AI模型环境搭建操作就完成了。
模型部署流程
单片机型号选择
打开CubeMX，像往常一样创建一个新的MCU工程。来到芯片选型界面后，在左侧的选项栏中一路下拉，最后一栏就能看到对应的AI模型使能选项。勾选它即可开启AI功能。
但如果此时选取的是F1系列的芯片，你会发现对应的选项框变成灰色，无法选择。
这说明CubeMX并不支持对F1系列芯片进行AI模型的自动化部署，主要原因是F1系列芯片性能较弱。但这不代表F1芯片上完全不能跑AI模型——我们可以手动将较小型的模型移植进去，只是操作流程会复杂很多。
模型选择与部署
-
例如，使用正点原子的F7系列开发板。工程创建后，通过图形化界面对项目进行一系列初始化操作。
-
当时钟、串口等基础配置设置完成后，就可以进行AI模型部署了。在图形化界面中选择Software Packs，并在弹出的选项框中选择Select Components（或者直接按Alt+O快捷键）。
在弹出的新窗口中进行模型功能的使能和添加工作——在对应的选项框中打勾，并选择相应的模式。
选择X-CUBE-AI折叠选项中的Core之后，AI功能就被激活了。下面几个选项框对应的是不同的模式，三种模式的应用场景各不相同：
- SystemPerformance模式：主要用于评估在STM32硬件上的实时性能指标（如推理时间、CPU负载等），适用于部署前的性能分析。
- Validation模式：用于验证模型转换后的准确性，可在桌面环境或MCU中进行验证，主要检查模型在压缩、量化后的精度损失。
- Application Template模式：提供AI模型的框架，便于用户添加业务逻辑（如传感器数据采集等），适用于实际落地项目。
根据当前需求，我们不需要做可靠性检测——这部分工作别人已经完成了。我们只需完成模型部署和调用即可，因此选择Application Template模式。
选择成功后，在左侧侧边栏选择最底部的折叠选项卡，在新弹出的选项中选择X-CUBE-AI，然后在右侧窗口中点击Add network，为当前项目添加新的AI神经网络模型。
接下来就可以在新弹出的窗口中对AI模型进行配置了。
当前界面中各选项的作用依次如下：
network所在栏：当前AI模型的名称，支持自定义。Keras所在栏：模型文件格式。CubeMX支持三种格式：Keras（后缀.h5）、TFLite（后缀.tflite）、ONNX（后缀.onnx）。使用时注意选择合适的文件类型。Compression：压缩等级。当模型体积较大无法完整写入MCU时，可以用这个选项适当压缩，减少资源消耗。Optimization：优化等级，可对模型进行空间优化和推理时间优化。Validation inputs：验证数据源。选择Random numbers表示使用随机生成的数据进行验证，也可以使用自己准备的数据。Validation outputs：控制验证输出结果的处理方式，这个选项使用频率较低。- 下面的
Complexity、Used Flash、Used RAM：在未选择模型时，显示当前MCU的硬件资源。例如图中展示的MCU有1MB Flash和512KB RAM——类比电脑就是1MB磁盘和512KB内存。 Analyze：验证当前AI模型能否在MCU上正常运行。如果模型体积过大，这里会出现警告。validate on desktop和validate on target：分别在PC端和MCU端进行模型可靠性验证。
了解了配置面板的功能后，接下来选择合适的模型类型。本次选用的是后缀为.tflite的模型文件，因此选择TFLite类型。选择完成后点击Browse，在对应文件夹中找到下载好的AI模型。
随后点击Analyze。当结果没有报错时，就代表模型可以正确烧录到MCU中。
从分析界面中可以查看AI模型占用的Flash和RAM等资源。
如果模型占用资源超过了当前选型的芯片，可以尝试使用Compression选项进行压缩。之后点击进入项目配置界面，填写工程名称以及使用的IDE（本次使用MDK-ARM）。
随后点击Code Generator栏目进行相应改进。
最后点击右上角的Generate Code，即可一键生成对应工程。
模型使用
生成文件介绍
项目生成后，用Keil5打开工程，会发现比之前多了一个新文件夹，里面的文件都跟AI模型相关。
所以只需要了解新增文件的内容，就能轻松实现AI模型调用。新增文件中有4个.c文件，每个.c文件对应一个头文件，一共8个文件。不过没必要详细了解每一个文件的内容——这几个文件的作用各不相同：
network.c/network.h：文件名与添加模型时自定义的名称一致。其中.c文件存储了模型的结构和接口函数实现代码，.h文件声明了模型的接口函数、宏定义等。network_data.c/network_data.h：存放模型的权重(Weights)和偏置(Bias)等参数，通常是常量数据，存储在Flash中。network_data_params.c/network_data_params.h：这是连接训练好的AI模型与STM32硬件的桥梁，相当于AI模型的数据仓库，AI依赖此文件中的内容才能正常进行推理。
上述文件在开发时有一个共同特点：我们不需要、也不能修改文件中的内容，只需大致了解即可。具体的AI运行逻辑函数大多在app_x-cube-ai.c文件中编写，里面提供了空的模板函数，我们可以在其中完善自己需要的业务逻辑。如果觉得麻烦，也可以直接在main.c中编写对应函数。
代码编写流程
由于CubeMX的AI模型库并不开源，因此要实现AI模型初始化及推理等函数功能，必须调用官方提供的API函数。前面提到，AI模型的函数接口都在network.h中进行了声明，我们可以去该头文件中查找。下面简单介绍几个常用API函数及其功能：
ai_network_create：创建模型实例，分配AI模型的基础内存。ai_network_init：初始化模型，设置权重和激活内存。ai_network_run：执行一次推理，并获取输出。ai_network_inputs_get：获取输入缓冲区的指针。ai_network_outputs_get：获取输出缓冲区的指针，用于获取输出。ai_network_get_error：在API调用失败后，获取并清除最近的错误码。
至于如何使用这些API函数，可以参考意法半导体官方提供的操作案例。
看过这些资料后，应该对AI初始化函数和推理过程函数有了大致了解。接下来就尝试动手编写这些函数——为了方便，函数的声明和定义都放在main.c中完成，减少操作流程。
重写fputc函数
本次程序将调用AI模型来实现将对应角度的正弦值通过串口输出到PC端。由于不同MCU的串口引脚不同，为了降低复刻难度，将串口输出统一通过printf函数来实现：
- printf函数的底层实现依赖fputc函数，因此只需要重写fputc即可。在此之前，需要先使能一个可以与PC端进行数据收发的串口，确保能正常发送数据后再开始下一步。
- 重写部分代码如下，将
huart1替换为自己程序中已经使能成功的串口即可：
int fputc(int ch, FILE *f) { HAL_UART_Transmit(&huart1, (uint8_t *)&ch, 1, HAL_MAX_DELAY); return ch;}
- 在Keil5主界面中点击魔法棒，在弹出的界面中选择Use MicroLIB即可。
AI初始化函数
在初始化函数中，需要实现获取模型参数、创建模型、初始化模型、获取输入输出缓冲区指针等操作。这些操作看起来无从下手，但别忘了前面提到的network.c中官方提供的API函数——我们只需要调用它们即可。具体代码实现如下：
void AI_Model_Init(void) {
ai_error err;
ai_network_params params;
printf("Initializing AI Model...\r");
// 调用参数获取API函数获取AI模型参数
if (!ai_network_data_params_get(¶ms)) {
printf("Failed to get network params\r");
Error_Handler();
}
// 调用创建模型API函数创建模型实例
err = ai_network_create(&network, AI_NETWORK_DATA_CONFIG);
if (err.type != AI_ERROR_NONE) {
printf("AI Model Creation Failed\r");
Error_Handler();
}
// 调用初始化API函数初始化模型
if (!ai_network_init(network, ¶ms)) {
printf("AI Model Initialization Failed\r");
err = ai_network_get_error(network);
printf("Initialization Error\r");
Error_Handler();
}
// 调用对应API函数获取输入输出缓冲区指针
ai_input = ai_network_inputs_get(network, NULL);
ai_output = ai_network_outputs_get(network, NULL);
printf("AI Model Initialized Successfully.\r");
}
AI推理函数
AI推理函数的主要作用是处理输入的角度，并尝试求取它们的正弦值。执行逻辑大致为：
- 对输入数据进行量化处理，确保所有输入角度都在有效范围内。
- 将数据量化后传递给AI模型进行计算。
- 从输出缓冲区中读取数据并进行反量化处理。
具体代码实现如下：
/**
* @brief 运行AI模型进行推理
* @param angle_deg: 输入的角度值（0-360度）
* @retval 模型推理出的正弦值（反量化后的float值）
*/
float AI_Model_Run(int angle_deg) {
ai_i32 batch;
float real_output;
// 角度预处理：将0-360度映射到0-255范围
// 计算：normalized_angle = (angle % 360) × 255 ÷ 360
uint8_t normalized_angle = (uint8_t)((angle_deg % 360) * 255 / 360);
// 量化处理：将0-255范围转换到int8_t的标准范围(-128到127)
// 计算：quantized_input = normalized_angle - 128
int8_t quantized_input = (int8_t)(normalized_angle - 128);
// 将预处理后的数据写入模型输入缓冲区
*((int8_t*)(ai_input[0].data)) = quantized_input;
// 执行模型推理
batch = ai_network_run(network, ai_input, ai_output);
if (batch != 1) {
printf("AI Model Run Failed. Batch: %ld\r", batch);
Error_Handler();
}
// 从模型输出缓冲区读取量化结果
int8_t quantized_output = *((int8_t*)(ai_output[0].data));
// 反量化处理：将量化输出转换为真实的正弦值
/* 使用network.c中定义的量化参数：
* scale = 0.008472006767988205f
* zero_point = 4
* 计算：real_output = (quantized_output - zero_point) × scale
*/
real_output = (quantized_output - 4) * 0.008472006767988205f;
return real_output;
}
main函数调用
完成上述函数后，就可以在主函数中进行调用。首先调用模型初始化函数：
// 初始化AI模型
AI_Model_Init();
printf("Starting AI Mode");
随后在主循环中调用AI推理函数。主循环实现了从0度开始，每隔10度输出一次对应角度的正弦值，主要执行逻辑如下：
- 内部循环每隔10度进行一次计算。
- 调用AI推理函数计算对应角度的正弦值。
- 调用数学库中的正弦函数计算角度对应的准确正弦值。
- 计算两种正弦值的误差。
- 输出结果。
代码内容如下：
while (1)
{
/* USER CODE END WHILE */
/* USER CODE BEGIN 3 */
// 遍历0-360度，步长为10度，进行正弦值推理验证
for (int angle_deg = 0; angle_deg <= 360; angle_deg += 10) {
// 调用AI模型推理当前角度的正弦值
float sine_value = AI_Model_Run(angle_deg);
// 计算真实的正弦值用于对比验证（使用数学库sinf函数）
float real_sine = sinf(angle_deg * 3.14159265f / 180.0f);
// 计算模型输出与真实值的绝对误差
float error = fabsf(sine_value - real_sine);
// 输出结果
printf("Angle: %d deg -> AI Output: %7.4f, Real: %7.4f, Error: %6.4f\r",
angle_deg, sine_value, real_sine, error);
HAL_Delay(100);
}
printf("\rCycle complete. Starting again...\r\r");
HAL_Delay(2000);
}
观察输出结果
完成上述代码后，点击编译运行，将程序烧录到单片机中。打开串口助手（如VOFA+），连接对应端口，即可看到如下输出：
至此，程序的编写就全部完成了。
总结
综合模型获取及嵌入的整个过程，我们会发现模型的使用并不困难。CubeMX AI已经生成了便捷可靠的API函数，在这个阶段，只需要多进行几次模型下载和使用的操作，熟悉总体流程，后续的学习和开发节奏就能明显加快。
