AI与单片机之：STM32上运行AI大模型的四种方案！（含案例，建议收藏）

原创于 2025-10-22 00:34:04 发布 · 2.8k 阅读

36 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能

部署运行你感兴趣的模型镜像

前几天小编写了2篇文章

“为什么AI会改变单片机的未来？”

单片机上如何运行AI？单片机如何“学会思考”之TinyML崛起！（含案例，建议收藏），

引起了非常多的留言、关注和加群讨论。但是，仍然有读者朋友给小编留言，能否整理一些关于比较常用芯片比如STM32实用AI大模型的案例。为了满足粉丝朋友的诉求，小编整理了“在STM32单片机上运行AI大模型的”真实案例。

从粉丝的一个问题引出本文的思考：AI 模型能跑在 STM32 上吗？

一：先说结论

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）

其实原理是我们把在 PC 上训练好的神经网络自动转换成可在 MCU 上运行的 C 库；然后在自己的软件/代码工程中调用已经编译产生的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一个机器学习库，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）上面文章中提到过的	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。

关注我：回复“STM32 AI Model Zoo”可以获取到小编已经为读者朋友准备好的下载链接。

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）。