1. 引言
- TinyML 的概念与价值：在资源受限的MCU上运行机器学习推理
- 为什么选择 STM32：生态成熟、工具链完善、性能与功耗平衡
- 本文目标：从零开始，在STM32上完整跑通一个TinyML项目（数据采集→模型训练→模型转换→部署推理）
2. 环境与硬件准备
- 硬件清单：
- STM32开发板推荐（如 STM32F746G-Discovery、STM32L4 系列、NUCLEO-H743ZI2）
- 传感器选型（加速度计/麦克风/摄像头模块）
- 调试器（ST-Link / J-Link）
- 软件工具链：
- STM32CubeMX / STM32CubeIDE
- X-CUBE-AI 扩展包（模型转换与代码生成）
- TensorFlow / TensorFlow Lite for Microcontrollers
- Python 环境（训练用）
- 开发环境搭建步骤简述
3. TinyML 工作流概览
- 标准流程：数据采集 → 模型训练 → 模型量化 → 模型转换 → 部署推理
- 各环节在STM32上的特殊约束（内存、Flash、算力）
- 本文采用的示例项目：基于加速度计的手势识别（或关键词唤醒）
4. 数据采集与预处理
- 传感器数据采集方式（串口/DMA/定时器）
- 数据标注策略
- 数据清洗与归一化
- 生成训练数据集（CSV / TFRecord 格式）
- 数据增强技巧（适用于MCU场景的轻量增强）
5. 模型训练（Python端）
- 模型选型原则：小模型优先（DNN / 1D-CNN / 轻量RNN）
- 使用 TensorFlow 构建分类模型
- 训练参数配置（学习率、batch size、epochs）
- 模型评估与调优（准确率、参数量、模型大小）
- 导出为 TensorFlow Lite 模型（
.tflite）
6. 模型量化与优化
- 为什么需要量化：FP32 → INT8 的精度与体积权衡
- TensorFlow Lite 量化方法：
- 训练后量化（Post-training quantization）
- 量化感知训练（Quantization-aware training）
- 验证量化后模型精度
- 模型大小与RAM占用预估
7. 模型转换与集成（X-CUBE-AI）
- 安装 X-CUBE-AI 扩展包
- 在 STM32CubeMX 中导入
.tflite模型 - 配置模型输入输出（数据格式、缓冲区大小）
- 生成 C 代码（AI 推理函数、内存分配）
- 验证生成的代码结构（
network.h、network_data.c等）
8. STM32 端代码实现
- 工程初始化（时钟、GPIO、串口、传感器驱动）
- 集成 AI 推理代码
- 数据采集与预处理（滑动窗口、特征提取）
- 调用推理函数（
ai_run()） - 解析推理结果并输出（串口打印 / LED指示 / OLED显示）
- 完整代码示例（关键函数片段）
9. 性能测试与优化
- 推理耗时测量（使用 DWT 或 TIM 定时器）
- Flash 与 RAM 占用分析
- 优化方向：
- 模型剪枝与进一步量化
- 使用 CMSIS-NN 加速
- 调整缓冲区大小与推理频率
- 对比不同STM32型号的性能差异
10. 常见问题与调试技巧
- 模型推理结果全为0或固定值 → 检查输入数据格式与归一化
- 内存不足 → 减小模型/调整缓冲区/使用外部SRAM
- 推理速度慢 → 启用硬件加速/降低模型复杂度
- CubeMX 导入模型报错 → 检查模型版本与算子兼容性
- 串口数据乱码 → 检查波特率与数据格式
11. 总结与扩展方向
- 本文回顾：从数据到部署的完整链路
- 进阶方向：
- 多传感器融合
- 边缘端在线学习
- 低功耗场景优化（STM32L4+ 系列）
- 使用 Edge Impulse / NanoEdge AI 等平台
- 推荐学习资源（官方文档、社区、开源项目）
附录
- A. 完整工程目录结构
- B. 关键代码清单（训练脚本、STM32主程序）
- C. 常用命令速查表（CubeMX CLI、X-CUBE-AI 命令行）
