STM32Cube AI Studio：MCU 端 AI 模型优化、验证与代码生成

点击工程按钮。

选择从零开始一个工程还是从已存在的工程开始（这里我选择从零开始）。

在弹出的对话框中输入工程名字、选择工程路径。

选择目标板（我这里选择 STM32N6570-DK）

选择编译工具，点击创建工程。

来到如下界面。

2.2 工程配置

开发板连接

开发板显示是未连接状态

我们需要在电脑上连接上我们的开发板。连接成功后，如下图所示。

目标板设置

使能 NPU，优化配置选择默认。

模型

点击导入模型。这里我用的是 stm32ai-modelzoo/object_detection/st_yoloxn/ST_pretrainedmodel_custom_dataset/st_person/st_yoloxn_d033_w025_416/中的 mobilenetv2_a035_128_int8.tflite 模型。

支持的模型格式有：

• ONNX (.onnx)
• TensorFlow Lite (.tflite)
• Keras (.h5, .keras, .hdf5).

内存设置与验证设置

内存设置选择自动设置。验证模型选择 On target。

点击运行

进入到下面的页面。

2.3 结果分析

环境信息

该模型为 int8 量化 MobileNetV2，使用平台为 STM32N657X0H3Q，使用了 ST NPU 加速器。

结果概览

结果概览中展示了模型所占硬件资源的大小（占 Flash 1825 KB、Ram 240 KB )；模型推理一次所用时间为 20.08637ms；

模型性能指标

优化前后对比

2.4 生成代码

点击生成代码

在弹出界面中选择生成模型 C 代码 or 生成基于 CubeMX 的完整工程。

我这里选择生成完整工程。生成后目录结构如下：

总结

本文从安装环境、创建工程到模型导入、验证与优化，再到完整工程生成，系统梳理了 STM32Cube AI Studio 的使用流程。 依托 ST 强大的工具链与 NPU 加速能力，AI 在 STM32 上的部署变得高效、可控且易于上手。