STM32F103C8T6最小系统板在边缘AI中的应用

说到边缘AI，很多人第一反应是树莓派、Jetson Nano这些“明星”板卡。但如果你手头预算有限，或者项目对成本极其敏感，有没有更接地气的选择？今天咱们就来聊聊一个老朋友——STM32F103C8T6最小系统板，看看这个经典的“蓝色药丸”如何在边缘AI项目中发挥意想不到的作用。

你可能觉得，一个72MHz主频、64KB内存的MCU跑AI模型是天方夜谭。但实际情况是，经过精心优化的轻量级模型，完全可以在这样的资源约束下完成一些实用的推理任务。比如，识别几个简单的物体、检测异常声音、或者做个手势控制开关。这背后的核心思路不是追求大而全，而是“小而精”——用最小的资源解决特定的问题。

接下来，我会带你看看怎么把AI模型“塞进”这块小小的板子里，从硬件连接到模型部署，一步步实现一个能跑起来的边缘AI应用。

1. 为什么选择STM32F103C8T6做边缘AI？

首先得明确一点，用STM32F103做AI推理，和用树莓派、Jetson是完全不同的思路。它不是要跑YOLO或者ResNet这种大家伙，而是瞄准那些对实时性、功耗、成本有苛刻要求的场景。

想想看，一个智能家居的窗帘控制器，需要识别“拉开”和“关闭”两种手势；一个工业设备的状态监测器，需要判断电机声音是否正常；或者一个简单的垃圾分类桶，识别塑料瓶和易拉罐。这些任务都不需要识别上千个类别，往往几个、几十个类别就足够了。

STM32F103C8T6的核心优势就在这里：便宜、功耗低、实时性强。一块板子也就十几块钱，用电池能跑上好几天甚至几周，而且响应是毫秒级的。对于很多消费电子、物联网设备来说，这些特性比单纯的识别精度更重要。

当然，它的局限性也很明显：内存小、算力有限、没有硬件加速单元。这意味着你没法直接扔一个现成的TensorFlow模型上去，必须经过专门的优化和裁剪。但好消息是，现在有很多工具能帮你完成这个转换过程。

2. 硬件准备与连接

要玩转边缘AI，光有核心板还不够，你得给它配上“眼睛”和“耳朵”。下面是我常用的一套搭配，兼顾了成本和易用性。

2.1 核心硬件清单

组件	型号/说明	大致价格	作用
主控板	STM32F103C8T6最小系统板（蓝色药丸）	15-20元	运行AI模型的核心
摄像头模块	OV7670带FIFO版本	30-40元	采集图像，注意要带FIFO，不然STM32处理不过来
或麦克风模块	MAX9814驻极体麦克风放大模块	10-15元	采集音频，用于声音分类
调试器	ST-Link V2（或兼容版）	15-20元	下载程序、调试
杜邦线	母对母、公对母若干	5-10元	连接各模块
电源	USB转5V模块或3.7V锂电池	5-15元	供电

如果你主要做图像识别，就选OV7670；如果做声音分类，就选MAX9814。两个都买也行，但一次只能接一个，因为STM32的资源和引脚都有限。

2.2 硬件连接示意图

以OV7670摄像头为例，连接其实不复杂，主要是电源、时钟、数据和几个控制信号。下面这个表格是我实际测试过的连接方式，比较稳定：

OV7670引脚	STM32F103C8T6引脚	说明
VCC	3.3V	电源正极
GND	GND	电源地
SIOC	PB10	I2C时钟，用于配置摄像头参数
SIOD	PB11	I2C数据，用于配置摄像头参数
VSYNC	PA8	垂直同步信号，告诉MCU一帧图像开始
HREF	PA9	行同步信号，告诉MCU一行数据开始
PCLK	PA10	像素时钟，每个时钟传输一个像素
D0-D7	PA0-PA7	8位数据总线，传输像素数据
XCLK	PA11	给摄像头的主时钟，通常用MCU的MCO输出

连接的时候注意，OV7670的D0-D7最好按顺序接到PA0-PA7，这样程序里处理起来方便。如果引脚冲突，也可以换到其他端口，但代码要相应调整。

电源一定要接3.3V，OV7670是3.3V器件，接5V会烧掉。STM32的IO口也是3.3V电平，所以直接连就行，不需要电平转换。

2.3 上电检查

全部接好后，先别急着写代码，做个简单的上电检查：

1. 检查电源：用万用表量一下OV7670的VCC和GND之间是不是3.3V左右。
2. 检查时钟：用示波器或者逻辑分析仪看看PA11（XCLK）有没有输出时钟信号（通常8MHz左右）。
3. 检查I2C：同样用工具看看PB10和PB11上有没有I2C波形。

如果没工具，也有土办法：先下载一个简单的测试程序（比如让一个LED闪烁），确保STM32本身是好的。然后下载OV7670的初始化代码，如果摄像头旁边的LED亮了，说明至少电源和基本通信是通的。

3. 软件环境搭建

硬件搞定后，就该准备软件环境了。这里的关键是把AI模型转换成STM32能理解的格式，并且准备好相应的推理库。

3.1 开发工具链

我推荐用STM32CubeIDE，它是ST官方推出的免费IDE，基于Eclipse，集成了编译器、调试器和STM32CubeMX配置工具。用起来比Keil或者IAR更顺手，特别是对新手来说。

安装步骤很简单：

1. 去ST官网下载STM32CubeIDE安装包。
2. 一路Next安装完成。
3. 第一次启动时，它会自动下载STM32F1的芯片支持包。

如果你习惯用命令行，也可以装Arm GNU Toolchain，然后用Makefile管理项目。但对于大多数开发者，STM32CubeIDE的图形化界面更友好。

3.2 AI模型转换工具链

这是最核心的部分。STM32跑AI模型，通常需要经过这么几个步骤：

1. 训练模型：在PC上用TensorFlow或PyTorch训练一个轻量级模型。
2. 转换为ONNX：把训练好的模型转成ONNX格式，这是一个中间表示。
3. 转换为TFLite：如果你用TensorFlow，可以直接转成TFLite；如果是从PyTorch来的，可能需要先转ONNX再转TFLite。
4. 用STM32Cube.AI转换：ST官方提供的工具，把TFLite或ONNX模型转换成C代码，包含权重和网络结构。

这里重点说说STM32Cube.AI。它有两个版本：一个是命令行工具，可以集成到你的CI/CD流程里；另一个是STM32CubeMX的插件，图形化操作更直观。

我通常这么用：

# 安装STM32Cube.AI命令行工具（需要Java环境）
java -jar stm32ai.jar generate -m model.tflite -o ./generated

# 或者用Python接口
from stm32ai import stm32ai
ai = stm32ai.STM32AI()
ai.generate(model='model.tflite', output_dir='./generated')

生成的代码里会有一个network.c和network.h，还有一堆权重数组。你只需要把这些文件加到你的工程里，然后调用几个简单的API就能做推理了。

3.3 必要的库文件

除了模型代码，你还需要一些底层驱动和中间件：

1. CMSIS-NN：Arm提供的针对Cortex-M系列优化的神经网络内核库。STM32Cube.AI生成的代码会用到它。
2. DSP库：STM32CubeF1包里自带的DSP库，里面有一些优化过的数学函数。
3. 摄像头驱动：OV7670的初始化代码和图像采集代码。

这些库在STM32CubeIDE里都可以通过图形化界面添加，基本上点几下鼠标就行。

4. 从零实现一个图像分类应用

理论说了这么多，咱们来点实际的。下面我带你一步步实现一个简单的手势分类应用：识别“手掌”和“拳头”两种手势。

4.1 模型训练与转换

首先在PC上训练一个超轻量的模型。这里我用TensorFlow的Keras接口，建一个只有几层的CNN：

import tensorflow as tf
from tensorflow import keras

# 构建一个极简的CNN
model = keras.Sequential([
    keras.layers.Input(shape=(64, 64, 1)),  # 输入64x64的灰度图
    keras.layers.Conv2D(8, (3, 3), activation='relu'),
    keras.layers.MaxPooling2D((2, 2)),
    keras.layers.Conv2D(16, (3, 3), activation='relu'),
    keras.layers.MaxPooling2D((2, 2)),
    keras.layers.Flatten(),
    keras.layers.Dense(32, activation='relu'),
    keras.layers.Dense(2, activation='softmax')  # 两个类别：手掌和拳头
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 这里假设你已经有数据集了，实际训练代码略
# model.fit(train_images, train_labels, epochs=10)

# 转换为TFLite格式
converter = tf.lite.TFLiteConverter.from_keras_model(model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_model = converter.convert()

# 保存模型
with open('gesture_model.tflite', 'wb') as f:
    f.write(tflite_model)

这个模型非常小，参数量大概就几千个，完全能在STM32F103上跑起来。训练的时候注意用灰度图，分辨率降到64x64，这样既能减少计算量，又能满足基本识别需求。

训练好后，用STM32Cube.AI转换：

stm32ai generate -m gesture_model.tflite -o ./stm32_code --name gesture_net

4.2 STM32工程搭建

打开STM32CubeIDE，新建一个STM32F103C8T6工程：

1. 配置时钟：在CubeMX里把系统时钟调到72MHz（最高速度）。
2. 配置GPIO：按照前面的连接表，把PA0-PA7、PA8-PA11、PB10、PB11都配置好。
3. 配置I2C：PB10和PB11配置为I2C2，用于配置OV7670。
4. 配置DMA（可选但推荐）：用DMA来搬运摄像头数据，能大大减轻CPU负担。
5. 添加中间件：在Software Packs里添加CMSIS-NN和DSP库。

生成代码后，把STM32Cube.AI生成的gesture_net.c和gesture_net.h复制到工程目录，然后在IDE里添加这些文件。

4.3 摄像头驱动与图像采集

OV7670的驱动稍微有点复杂，因为它有一堆寄存器要配置。好在网上有很多现成的代码可以参考。这里我给出一个简化的版本：

// ov7670.c 部分关键代码
#include "ov7670.h"

// I2C写寄存器
uint8_t OV7670_WriteReg(uint8_t reg, uint8_t data) {
    uint8_t status = 0;
    HAL_I2C_Mem_Write(&hi2c2, OV7670_ADDR, reg, 1, &data, 1, 100);
    return status;
}

// 初始化OV7670
void OV7670_Init(void) {
    // 复位摄像头
    OV7670_WriteReg(0x12, 0x80);
    HAL_Delay(100);
    
    // 配置为QVGA灰度图模式
    OV7670_WriteReg(0x12, 0x0C);  // COM7：QVGA，YUV输出
    OV7670_WriteReg(0x11, 0x80);  // CLKRC：内部时钟
    OV7670_WriteReg(0x0C, 0x00);  // COM3：默认
    OV7670_WriteReg(0x3E, 0x00);  // COM14：默认
    OV7670_WriteReg(0x40, 0xD0);  // COM15：RGB565格式
    OV7670_WriteReg(0x1C, 0x00);  // COM9：默认
    // ... 更多寄存器配置
}

// 采集一帧图像
void OV7670_CaptureFrame(uint8_t *buffer) {
    // 等待VSYNC下降沿（一帧开始）
    while(HAL_GPIO_ReadPin(VSYNC_GPIO_Port, VSYNC_Pin) == GPIO_PIN_SET);
    
    // 采集320x240个像素
    for(int row = 0; row < 240; row++) {
        // 等待HREF变高（一行开始）
        while(HAL_GPIO_ReadPin(HREF_GPIO_Port, HREF_Pin) == GPIO_PIN_RESET);
        
        for(int col = 0; col < 320; col++) {
            // 等待PCLK上升沿
            while(HAL_GPIO_ReadPin(PCLK_GPIO_Port, PCLK_Pin) == GPIO_PIN_RESET);
            
            // 读取数据总线
            uint8_t high_byte = GPIOA->IDR & 0xFF;
            
            while(HAL_GPIO_ReadPin(PCLK_GPIO_Port, PCLK_Pin) == GPIO_PIN_SET);
            uint8_t low_byte = GPIOA->IDR & 0xFF;
            
            // 转换为灰度值（简单取高字节作为亮度）
            buffer[row * 320 + col] = high_byte;
        }
    }
}

这段代码是最基础的轮询方式，实际使用时最好用DMA+中断，不然CPU占用率会很高。但作为演示，轮询方式更容易理解。

4.4 推理代码集成

图像采集到后，需要先预处理，然后送给模型推理：

// main.c 中的关键部分
#include "gesture_net.h"

// 图像缓冲区
uint8_t camera_buffer[320 * 240];  // 原始图像
float input_buffer[64 * 64];        // 预处理后的输入

// 图像预处理：缩放+归一化
void preprocess_image(uint8_t *src, float *dst) {
    for(int y = 0; y < 64; y++) {
        for(int x = 0; x < 64; x++) {
            // 从320x240中取对应的像素（简单平均）
            int src_x = x * 320 / 64;
            int src_y = y * 240 / 64;
            uint8_t pixel = src[src_y * 320 + src_x];
            
            // 归一化到[0, 1]
            dst[y * 64 + x] = pixel / 255.0f;
        }
    }
}

int main(void) {
    // 初始化硬件
    HAL_Init();
    SystemClock_Config();
    MX_GPIO_Init();
    MX_I2C2_Init();
    
    // 初始化摄像头
    OV7670_Init();
    
    // 初始化AI模型
    gesture_net_init();
    
    while(1) {
        // 采集图像
        OV7670_CaptureFrame(camera_buffer);
        
        // 预处理
        preprocess_image(camera_buffer, input_buffer);
        
        // 推理
        float output[2];
        gesture_net_run(input_buffer, output);
        
        // 判断结果
        if(output[0] > output[1]) {
            // 手掌
            printf("Detected: Palm (%.2f%%)\n", output[0] * 100);
        } else {
            // 拳头
            printf("Detected: Fist (%.2f%%)\n", output[1] * 100);
        }
        
        HAL_Delay(1000);  // 每秒识别一次
    }
}

这里我做了最大程度的简化。实际应用中，预处理可能需要更精细的算法（比如双线性插值），推理结果也可能需要加个滑动平均滤波来稳定输出。

4.5 性能优化技巧

如果你的应用发现帧率太低或者准确度不够，可以试试下面这些优化方法：

1. 降低分辨率：从64x64降到32x32，计算量直接降到1/4。
2. 量化模型：在转换TFLite时使用全整数量化，这样STM32就不需要做浮点运算了。
3. 使用CMSIS-NN的优化函数：STM32Cube.AI生成的代码默认会用，但你可以检查一下。
4. 开启编译优化：在CubeIDE里把优化等级调到-O2或-O3。
5. 合理使用内存：STM32F103只有64KB RAM，要精打细算。大的缓冲区尽量用全局数组，避免在函数内定义大数组。

我实测过，一个8层的小模型在STM32F103上跑一次推理大概需要50-100ms，对于很多实时性要求不高的应用来说足够了。

5. 更多应用场景与扩展

除了图像分类，STM32F103还能做不少其他有趣的AI应用。下面我列举几个实际项目中的例子：

5.1 声音异常检测

这个特别适合工业设备监测。比如一台电机，正常运行时有一种声音，出现故障时声音频率会变化。用MAX9814麦克风采集声音，提取MFCC特征，然后用一个小的神经网络做二分类（正常/异常）。

关键点在于特征提取要在STM32上实现，因为原始音频数据量太大。好在MFCC算法不算复杂，用C语言实现一个简化版完全可行。

5.2 简单的人体姿态检测

如果你用两个以上的热释电红外传感器（PIR），可以大致判断人的移动方向。比如在智能灯的应用中，判断人是走进房间还是走出房间。

这其实不算严格的AI，更像是一个规则系统。但你可以用一个小神经网络来融合多个传感器的数据，提高判断准确率。

5.3 手势控制开关

前面演示的手势识别可以进一步扩展。比如用三个手势：手掌（开灯）、拳头（关灯）、V字手势（调光）。配合一个继电器模块，就能做成一个手势控制的智能开关。

这种应用在厨房特别实用，手上沾了水或者面粉时，不用碰开关就能控制灯光。

5.4 结合其他传感器

STM32的ADC可以接很多模拟传感器，比如温湿度、光照强度、气体浓度等。你可以用AI模型来做传感器融合，实现更智能的判断。

举个例子：一个智能花盆，根据土壤湿度、环境温度和光照强度，判断是否需要浇水。用一个很小的神经网络就能学会这三者之间的关系，比写一堆if-else规则更灵活。

6. 总结

回过头来看，用STM32F103C8T6做边缘AI，核心思想不是“能做什么”，而是“在资源有限的情况下，如何巧妙地解决问题”。它可能永远也达不到Jetson Nano的识别精度，但在成本、功耗、实时性这些维度上，它有独特的优势。

实际用下来，最大的感受是“够用就好”。很多物联网应用并不需要识别一千种物体，往往只需要区分几种状态。这时候，一个经过精心裁剪的小模型，配上STM32这样的低成本MCU，反而是最合适的方案。

当然，这个过程里会遇到不少挑战：内存不够用、算力吃紧、模型精度下降。但每解决一个问题，你对边缘AI的理解就会深一层。这种在约束条件下寻找最优解的过程，本身就是一种很好的工程训练。

如果你手头正好有STM32F103的板子，不妨从最简单的手势识别开始试试。先让摄像头能出图，再让模型能跑起来，最后慢慢优化性能。这个过程可能会踩不少坑，但走通之后，你会对边缘AI有完全不同的认识。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。