手把手教你将神经网络部署到STM32：从模型训练到STM32CubeMX X-Cube-AI落地（附源码）

嵌入式人工智能与边缘计算

        随着物联网技术的演进，单纯的数据采集已无法满足需求。我们需要将 AI 算力下沉到设备端，这就是当下火热的 嵌入式人工智能 和 边缘计算 。本文将演示一套完整的开发流程：从原始环境下的数据采集开始，利用 Anaconda 进行环境管理，完成模型训练与 PC端验证，并通过 ST Developer Cloud 进行云端评估与优化，最终使用 STM32CubeMX + X-CUBE-AI 实现部署。

我将通过双案例贯穿全文：

1. n-分类（核素识别）：基于多类别的 Excel 数据集。
2. 图像异常检测（机械臂视觉质检）：基于“50张正常+50张异常”的小样本数据集。

第一步：环境搭建 (Anaconda)

为了避免 Python 环境冲突，我们使用 Anaconda 管理依赖。

conda create -n stm32_ai python=3.8 conda activate stm32_ai pip install tensorflow pandas numpy matplotlib pillow

第二步：数据收集（至关重要）

2.1 文本数据：多 Excel 归类

场景：我们需要识别不同的放射性核素。
操作：假设我们收集了 3 类指令，分别存储在 3 个 Excel 文件中（Cs.xlsx, Co.xlsx, Am.xlsx）。

2.2 图像数据：小样本集构建

场景：机械臂抓取过程的异常检测。
操作：我们在实际产线上利用摄像头采集了图片，并人工筛

• 数据集结构：
  • /dataset/normal: 放 50 张机械臂正常工作的照片。
  • /dataset/abnormal: 放 50 张出现故障（如掉件、姿态错误）的照片。

这种50 vs 50的均衡数据集对于二分类问题非常关键，能避免模型产生偏见。

第三步：模型训练 (Keras)

此处以核素识别为例，搭建一个轻量级 CNN：

import os import numpy as np import pandas as pd import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers # 加载谱图数据函数 def load_spectrum(file_path): df = pd.read_excel(file_path, engine='openpyxl') counts = df.iloc[:, 1].values # 补齐/裁剪为1024维 if len(counts) < 1024: counts = np.pad(counts, (0, 1024 - len(counts)), mode='constant') elif len(counts) > 1024: counts = counts[:1024] # 归一化 spectrum = counts / np.sum(counts) return spectrum # 数据集目录，每个xlsx文件是一个核素类别 data_dir = "D:/Desk/2025qiansai/model_train./" # 当前目录，你可以改成 D:/Desk/2025qiansai/model_train 之类的绝对路径 X = [] y = [] label_map = {} # 遍历所有Excel文件 for idx, filename in enumerate(os.listdir(data_dir)): if filename.endswith(".xlsx"): file_path = os.path.join(data_dir, filename) spectrum = load_spectrum(file_path) X.append(spectrum) y.append(idx) label_map[idx] = filename # 映射类别标签和文件名 X = np.array(X) y = np.array(y) # 构建模型 model = keras.Sequential([ layers.Input(shape=(1024,)), layers.Dense(512, activation='relu'), layers.Dense(256, activation='relu'), layers.Dense(len(label_map), activation='softmax') ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 训练模型 model.fit(X, y, epochs=100) # 保存模型 model.save("nuclear_model.h5") model.save("nuclear_model.keras") # 使用 Keras 官方推荐的新保存格式 print("训练完成 ✅ 模型已保存为 nuclear_model.h5") 

第四步：PC 端验证 (Re-test)

这一步绝不能省！ 很多时候模型训练集表现很好，但实际预测全是错的。在部署到 STM32 之前，必须在 PC 上用从未见过的新数据进行测试。

import numpy as np import pandas as pd from tensorflow.keras.models import load_model # 加载单个谱图样本并进行预处理 def load_spectrum(file_path): df = pd.read_excel(file_path, engine='openpyxl') spectrum = df.iloc[:, 1].values # 假设第二列是计数值 spectrum = spectrum[:1024] # 截断到 1024 if len(spectrum) < 1024: spectrum = np.pad(spectrum, (0, 1024 - len(spectrum))) spectrum = spectrum / np.max(spectrum) # 归一化 return spectrum # 加载模型 model = load_model("nuclear_model.h5") # 你想测试的文件路径（请替换成你自己的） test_file = "D:/Desk/2025qiansai/model_train/test_data/test.xlsx" # 加载并准备数据 x = load_spectrum(test_file) x = np.expand_dims(x, axis=0) # 添加 batch 维度 # 预测 prediction = model.predict(x) predicted_label = np.argmax(prediction) # 输出结果 print(f"\n预测类别编号: {predicted_label}") print(f"各类别概率分布: {prediction[0]}") 

第五步：ST Developer Cloud 云端优化与评估

在打开 CubeMX 之前，我们使用 ST Developer Cloud (STM32 AI Cloud) 对模型进行深度评估。这是 ST 推出的神器，可以在云端直接连接真实的开发板农场（Board Farm）进行测速。

1. 上传模型：登录 ST Developer Cloud，上传 nuclear.h5。
2. 基准测试 (Benchmark)：
   • 选择你的目标芯片（如 STM32F407 或 STM32H7）。
   • 系统会生成详细的报告：推理时间 (ms)、RAM 占用、Flash 占用。
   • （此处重点截图：展示云端生成的饼图或柱状图，特别是参数比重分析，看哪一层网络占用的内存最大）。
3. 优化建议：如果模型太大，云端工具会建议进行 8-bit 量化 (Quantization)。量化后模型体积通常能缩小 4 倍，且精度损失极小。
4. 下载优化后的模型：下载优化好的 .h5 或 .tflite 文件。

第六步：STM32CubeMX X-CUBE-AI 部署

拿到经过云端验证的模型后，我们开始本地部署。

1. 配置 X-CUBE-AI：
   • CubeMX -> Software Packs -> Enable X-CUBE-AI。
   • 导入模型。点击 Analyze，此时看到的资源占用应该和云端分析的一致。
2. 硬件配置：
   • 开启 CRC (必须)。
   • 开启 UART (用于输出结果)。
   • 配置摄像头接口 (DCMI) 或准备好测试数据的数组。
3. 生成代码。

第七步：代码落地与效果实测

/* 包含标准库 */ #include <stdio.h> #include <string.h> #include "app_x-cube-ai.h" #include "ai_datatypes_defines.h" /* 定义输入输出缓冲区 (由 X-CUBE-AI 生成) */ /* 假设模型输入层是 energy_spectrum_input，长度为 N (如 256 或 1024) */ ai_float in_data[AI_NETWORK_IN_1_SIZE]; ai_float out_data[AI_NETWORK_OUT_1_SIZE]; // 长度为3 (Am, Cs, Co) /* 模拟从 ADC/MCA 获取的原始能谱数据 (整数数组) */ /* 实际项目中，这里的数据来自你的传感器驱动 */ uint32_t raw_spectrum_data[AI_NETWORK_IN_1_SIZE]; /* * 核心任务：核素识别 * 入参：采集到的原始计数值数组 */ void AI_Radionuclide_Process_Task(uint32_t *pRawData) { printf("Starting Spectrum Analysis...\r\n"); /* --- 步骤 1: 数据预处理 (Normalization) --- */ /* 神经网络对数值范围敏感，通常需要归一化到 0.0 ~ 1.0 之间 */ /* 方法A：除以最大值 (Min-Max Scaling) */ /* 方法B：除以总计数 (Total Count Normalization) -> 常用 */ float max_count = 0.0f; // 1.1 找到最大值 (为了归一化) for (int i = 0; i < AI_NETWORK_IN_1_SIZE; i++) { if ((float)pRawData[i] > max_count) { max_count = (float)pRawData[i]; } } // 1.2 填充输入 Buffer (防止除0错误) if (max_count == 0.0f) max_count = 1.0f; for (int i = 0; i < AI_NETWORK_IN_1_SIZE; i++) { // 将整数计数转为浮点，并归一化 in_data[i] = (ai_float)pRawData[i] / max_count; } /* --- 步骤 2: 执行 AI 推理 --- */ // 调用 X-CUBE-AI 引擎 ai_error err = ai_network_run(network, &ai_input, &ai_output); if (err.type != AI_ERROR_NONE) { printf("AI Inference Error: %d\r\n", err.type); return; } /* --- 步骤 3: 解析结果 (寻找最大概率) --- */ int predicted_class = -1; float max_prob = 0.0f; // 遍历输出数组 (Size = 3) for (int i = 0; i < AI_NETWORK_OUT_1_SIZE; i++) { // out_data[i] 代表是第 i 种核素的概率 if (out_data[i] > max_prob) { max_prob = out_data[i]; predicted_class = i; } } /* --- 步骤 4: 业务逻辑与报警 --- */ // 设定置信度阈值 > 80% 才确认为识别成功 if (max_prob > 0.8f) { switch (predicted_class) { case 0: printf("Result: [Am-241] Detected! (Prob: %.2f)\r\n", max_prob); break; case 1: printf("Result: [Cs-137] Detected! (Prob: %.2f)\r\n", max_prob); break; case 2: printf("Result: [Co-60] Detected! (Prob: %.2f)\r\n", max_prob); HAL_GPIO_WritePin(LED_RED_Port, LED_RED_Pin, GPIO_PIN_SET); break; default: break; } } else { printf("Result: Background / Unknown Source.\r\n"); } }

如上图所示，识别效果极佳！