STM32 上运行 AI 大模型的四种方案及案例
AI 模型能跑在 STM32 上吗？
一、先说结论
不仅能跑，还一共有四种方案。
方案一：STM32 官方提供的 STM32Cube.AI（X-CUBE-AI）
原理是将 PC 上训练好的神经网络自动转换成可在 MCU 上运行的 C 库，然后在软件工程中调用已编译产生的 C 库。
方案二：直接用 TensorFlow Lite Micro（TFLM）+ CMSIS-NN 在 STM32 上做端侧推理
TensorFlow 是由谷歌开发并开源的机器学习库，它支持模型训练和模型推理。这里提到的 TFLM，全称是 TensorFlow Lite for Microcontrollers，翻译过来就是'针对微控制器的 TensorFlow Lite'。
它适用于微控制器和其他一些仅有数千字节内存的设备。可以直接在'裸机'上运行，不需要操作系统支持、任何标准 C/C++ 库和动态内存分配。核心运行时在 Cortex M3 上运行时仅需 16KB，加上足以用来运行语音关键字检测模型的操作，也只需 22KB 的空间。
方案三：NanoEdge AI Studio
对于'异常检测/分类/回归'这类小模型，还可以用 NanoEdge AI Studio 生成适配 STM32 的库。
NanoEdge AI Studio 是用于 STM32 部署边缘 AI 的软件，Studio 可生成四种类型的库：异常检测、单分类、多分类、预测。它支持所有类型的传感器，所生成的库不需要任何云连接，可以直接在本地学习与部署，支持 STM32 所有 MCU 系列。
方案四：STM32N6 + NPU
STM32N6 这代芯片把 NPU（Neural-ART）直接塞进 MCU，峰值可达百亿次级别运算，面向更重的视觉/音频任务——这等于把'在 STM32 上跑 AI'从'小巧求稳'，推进到'更大模型也能实时'。
二、四种方案的对比？该怎么选择？
| 路线 | 适用任务 | 优点 | 注意点 |
|---|---|---|---|
| STM32Cube.AI（X-CUBE-AI） | 小到中等 CNN/MLP、KWS、人形检测、回归/分类 | 图形化/命令行一体，自动把模型转成优化的 C 代码；新版本支持 ONNX 量化网络与在线开发/板农场验证 | 模型算子需被支持；建议 Int8 量化；结合板端性能页面做预估 |
| TFLite Micro + CMSIS-NN | 经典 TinyML 示例（hello_world、kws、gesture、person_detection） | 开源、可控；CMSIS-NN 将核函数映射到 Cortex-M，常见可获 4–5× 提速/能效改善 | 需要自己选/裁剪算子与内存；工程化工作量稍大 |
| NanoEdge AI Studio | 异常检测、简单分类/回归（工业声音、振动等） | 向导式生成库，数据量要求低，上手快 | 黑盒程度更高，适合追'快落地'的项目 |
| STM32N6 + NPU | 更重的视觉/音频（目标/人形、语音场景） | MCU 等级首次具备'类 MPU'级别的 AI 推理吞吐；官方工具链直接支持 | 面向新芯片与生态，需对齐支持的模型/算子与工具 |
三、直接上干货：可复制的案例分享
方案 1 案例：STM32 AI Model Zoo（图像分类等多任务）
STM32 AI 模型库（Model Zoo）是一个针对 STM32 微控制器优化的可以直接用于设计参考的机器学习模型集合。
（1）它包含大量面向应用的模型，这些模型通常可以直接用于再训练（retraining）。
（2）提供在标准数据集上已经预训练好的模型。
（3）附带脚本，用以简化在用户自己数据集上对任一模型进行再训练、量化（quantization）、评估或基准测试（benchmarking）的过程。
（4）提供将用户 AI 模型自动生成对应应用端代码（部署代码）的示例。
下面是针对 AI 模型库的案例集：（字体太小可以将下面图片保存到自己手机中放大查看）。
方案 2 案例：TensorFlow Lite Micro（配 CMSIS-NN）
STM32 TFLM Demos（KWS/手势/人形等）
上面的案例中包含了最基础的'Hello World'，以及语音命令识别（Micro Speech）、手写数字分类（MNIST）等工程模板，可以从零起步逐层提升我们学习在单片机中使用 AI 的能力。
方案 3 案例：NanoEdge AI Studio
NanoEdge 数据采集 + 在线训练 + 上板推理（电流/振动/声音）
这个案例可以实现在 STM32 平台上实现数据记录（datalogging）功能，并集成 NanoEdge AI 库用于异常检测 / 模型学习 / 推理。包括示例 C 代码、NanoEdge AI 所需库、硬件连接说明、多个开发板与传感器的组合支持。
方案 4 案例：STM32（集成 NPU，如 STM32N6）
这个案例是应用在 STM32N6 系列开发板的入门级图像分类示例工程。它展示了如何利用 STEdgeAI 工具将量化后的 AI 模型部署到 STM32N6 平台上，并通过 Neural-ART NPU 加速器实现高效推理。
包含了完整的图像采集、预处理、分类显示流程，可在 STM32N6570-DK 等硬件上运行。
通过该示例，开发者可快速上手 STM32N6 的 AI 部署流程，体验端到端的图像分类应用，从模型生成到实时推理一站式实现。
