从 STM32 Model Zoo 看边缘 AI 的 14 个落地场景
声明： STM32 AI Model Zoo 是 STMicroelectronics 维护的开源项目。本文是阅读该项目源码、文档和模型清单后整理的学习笔记，用于理解边缘 AI 在微控制器上的工程落地方式。本文作者不是该项目的开发者，未参与该项目的任何代码贡献。 文中所有模型数据均来自项目文档与 manifest，不代表本文作者的设计决策。
边缘 AI 跑到了 MCU 上。Cortex-M4、Cortex-M7、Cortex-M85 —— 几十 MHz 主频、几百 KB SRAM —— 这些单片机现在能直接运行量化后的神经网络。
STMicroelectronics 开源的 stm32ai-modelzoo 是观察这个趋势的绝佳窗口。仓库收录了 14 个应用领域、43 个预训练模型，全部经过 INT8 量化，提供 TensorFlow Lite 和 ONNX QDQ 两种格式，可以直接部署到 STM32H7、STM32MP2、STM32N6 等目标平台。配套仓库 stm32ai-modelzoo-services 包含完整的训练脚本和模型架构源码。
一、视觉类（8 类）
视觉是边缘 AI 最密集的方向，从简单分类到像素级理解，Model Zoo 提供了完整的任务链。
图像分类
最基础的 CV 任务：输入一张图，输出类别标签。Model Zoo 提供了 29 个模型变体 —— 是数量最多的分类。TensorFlow 侧有 MobileNetV1/V2、EfficientNetV2、ResNet8/20/32 等经典架构；PyTorch 侧覆盖 20 种轻量网络，包括 ShuffleNetV2、RegNet、HarDNet、PeleeNet，以及 ST 自研的 ST-ResNet 系列（pico / nano / micro / milli / tiny 五个尺寸）。
预训练数据集覆盖 ImageNet、Food101、CIFAR-10/100、TF Flowers、Plant Leaf Diseases 等。输入分辨率从 128×128 到 384×384 不等。
目标检测
框出物体位置并分类。16 个模型变体，YOLO 家族是主力：Tiny-YOLOv2、YOLOv8-n、YOLOv11-n、最新的 YOLO26-n，以及 ST 自研的 ST-YOLO-LC、ST-YOLO-X 系列。SSD/SSDLite + MobileNet 组合也在列。
人脸检测
YuNet 和 BlazeFace Front 两个模型，输入分辨率 128×128 和 320×320。输出人脸框和关键点（眼睛、鼻子、嘴角），通常作为人脸识别 pipeline 的第一级。
姿态估计
检测人体 17 个关键点。包含 MoveNet（ST 改进版）、YOLOv8-n Pose、YOLOv11-n Pose，以及手部关键点和头部关键点专用模型。
语义分割
给每个像素打类别标签。基于 DeepLabV3 + MobileNetV2 backbone，256×256 和 320×320 两种分辨率。在 NPU 加速的 STM32N6 上可以实时运行。
实例分割
比语义分割更进一步 —— 区分同一类别的不同实例。YOLOv8-n Seg 和 YOLOv11-n Seg 两个模型，需要 NPU 加速。
深度估计
从单张 2D 图像推断每个像素的距离。FastDepth 模型，基于 NYU Depth v2 数据集训练。
神经风格迁移
把照片转换成指定艺术风格。Xinet-Picasso-Muse 模型，输入 160×160，在 COCO 上训练。Model Zoo 里最"好玩"的模型，也可用于相机实时滤镜和 AR 特效。
二、音频类（2 类）
音频事件检测
识别声音中的特定事件：玻璃破碎、婴儿哭声、警报声等。MiniResNetV1/V2 和 YAMNet（多种嵌入尺寸），输入是梅尔频谱图。
语音增强
从嘈杂环境中提取干净人声。STFT-TCNN 模型，在 Valentini 数据集上训练。输入带噪语音的 STFT 频谱，输出降噪后的语音。
三、传感类（4 类）
视觉和音频之外，Model Zoo 还覆盖了基于传感器信号的四个场景。
人体活动识别
通过加速度计数据判断行走、跑步、静坐等状态。ST-GMP 和 ST-IGN 两个模型，输入 48×3 的时序数据（48 个时间步、3 轴加速度）。模型极小，Cortex-M4 可跑。
手势识别
用 ToF 测距传感器（VL53L5CX / VL53L8CX）识别 8 种手势。ST-CNN2D HandPosture 模型。ToF 只拿到低分辨率深度图，天然隐私友好，适合公共场所。
电弧故障检测
检测电路中的电弧 —— 电气火灾的主要成因之一。ST-Conv（时域 CNN）和 ST-Dense（频域全连接）两个模型，输入电流采样序列。
人员重识别
判断两张照片中是否为同一个人。MobileNetV2 和 OSNet 两个模型，256×128 输入分辨率。多摄像头跟踪系统的关键组件。
四、模型架构完全开源
模型架构定义代码在 stm32ai-modelzoo-services 中完整开源。以图像分类为例：
image_classification/
├── tf/src/models/
│ ├── mobilenetv1.py # MobileNetV1
│ ├── mobilenetv2.py # 倒置残差 + 线性瓶颈
│ ├── efficientnetv2.py # EfficientNetV2 B0~S
│ ├── resnet.py # ResNet8/20/32
│ ├── squeezenetv11.py # Fire 模块
│ └── ...
├── pt/src/models/
│ ├── mobilenetv1/ # PyTorch 版
│ ├── mobilenetv3/
│ ├── edgevit/ # EdgeViT
│ ├── stresnet/ # ST 自研 ResNet 系列
│ └── ...每个 .py 文件是完整的模型类定义，可以逐行阅读、修改宽度因子、换激活函数、加注意力模块。通过 stm32ai_main.py 加 YAML 配置文件驱动全流程：训练 → 评估 → 量化 → 部署。
主仓库提供的是量化后的推理文件：TFLite INT8（全整数量化）和 ONNX QDQ（支持混合精度 w4/w8/a8）。
五、为什么在 MCU 上跑 AI
云端 GPU 算力远超 MCU，但在以下四个维度上本地推理有不可替代的优势：
| 维度 | 云端推理 | MCU 本地推理 |
|---|---|---|
| 延迟 | 50-500ms（含网络往返） | 1-50ms |
| 隐私 | 数据上传服务器 | 数据不出设备 |
| 功耗 | WiFi/4G 持续工作 | 毫瓦级 |
| 离线 | 断网不可用 | 始终在线 |
一个典型场景：智能门铃的人形检测。如果每帧图像上传云端，延迟高、云服务持续计费、有隐私顾虑。在 STM32 上本地跑一个 300KB 的 SSD-MobileNet 模型，50ms 出结果，功耗不到 100mW。
六、总结
STM32 AI Model Zoo 覆盖了边缘 AI 的主流应用方向。从 43 个预训练模型出发，配合 modelzoo-services 的训练工具链，可以做到：选模型 → 改模型（微调或从头训练）→ 量化导出 → 上板运行。
如果你在做需要本地智能的嵌入式产品 —— 无论是产线视觉质检、智能门铃、可穿戴运动追踪，还是工业电弧检测 —— 这个仓库是一个务实的技术起点。
相关链接：
本文基于 STM32 AI Model Zoo v4.1（2026 年 4 月发布）撰写。