|
|
发表于 2026-7-23 15:51:00
|
显示全部楼层
这是我整理的TensorFlow Lite Micro（TFL微版）完整部署全流程：
环境：Windows 10/11 + STM32F407ZG
目标：PC 上 Python 训练模型 → 转为 TFLite → 生成 TFLite Micro 可执行 C 数组模型 → 移植到 STM32 裸机 / RTOS 工程，MCU 实时推理。
TFLM 官方不支持 Windows 原生编译，模型转换在 Windows Python 完成；MCU 侧 TFLM 源码直接纳入 Keil/STM32CubeIDE 工程编译。
一、Windows PC 需要安装全部软件清单
1. Python 环境（模型训练、转换核心）：推荐版本：Python 3.8 ~ 3.10（太高版本 TensorFlow 兼容性差）
2. STM32 开发工具（二选一）
方案 A：STM32CubeIDE（免费，推荐）官网下载 1.10~1.13 版本，自带 GCC 编译器，无需 Keil
方案 B：Keil MDK-ARM 5.37+，需要 STM32F4 器件支持包；注意：TFLM 大量 C++ 代码，Keil 必须开启 C++ 支持。
3. 辅助工具
- Git for Windows：拉取 TFLite Micro 源码
- STM32CubeMX：生成 STM32F407 底层初始化工程（时钟、串口、ADC、DMA 等）
- ST-LINK 驱动：下载程序到开发板
4. 获取 TensorFlow Lite Micro 源码（核心！）
二、略、
三、阶段 1：PC Python 数据集准备 + 模型训练
3.1 数据集形式：一维数据，数据集格式：csv 文件每行：特征 1, 特征 2, 特征 3... ,
数据集来源：
1.自己采集 MCU 传感器数据，串口上传 PC 保存 csv
2.公开数据集：UCI 传感器数据集、MNIST 手写数字 (28×28 灰度，经典入门)
3.2 Keras 训练模型完整示例：新建 train_model.py，运行：python train_model.py，本阶段生成物：mnist_model.h5
四、阶段 2：.h5模型转换为 .tflite（浮点 / INT8 量化）
方式 A：浮点模型（简单，速度慢，RAM 占用高，不推荐 F407 长期使用）
方式 B：INT8 全量化【强烈推荐 STM32F407！】MCU 没有硬件 FPU 浮点加速时，int8 推理速度提升 3~10 倍，Flash 占用更小。
新建脚本 convert_tflite.py，运行脚本得到：model_int8.tflite，当前阶段产物model_float.tflite / model_int8.tflite 二进制模型文件
五、阶段 3：.tflite 文件转为 C数组（最重要一步）
MCU 不能直接读取外部 bin 文件，必须把模型编译进 Flash，转换成头文件数组。
方法 1：Windows 下使用 python 脚本转换（最简单，不用命令行工具）
generate_model_header.py运行后输出 model.h，产物：model.h，直接拷贝进 STM32 工程。
六、阶段 4：STM32F407 工程搭建 + 移植 TFLM 源码
6.1 使用 STM32CubeMX 生成基础工程，TFLM 推理时需要内存缓冲区，栈太小直接 HardFault！
TFLM 主体是 C++ 代码，开启工程 C++ 编译支持，main.c 如果调用 TFLM 函数，需要使用 extern "C" 包裹接口。
6.2 筛选需要导入工程的 TFLM 源码文件：从tensorflow/tensorflow/lite/micro/ 复制下列目录到你的 STM32 工程目录，命名 tflite_micro需要包含：
tensorflow/
├─ lite/
├─ micro/ # 核心micro接口
├─ c/ # flatbuffer解析代码
├─ core/ # tflite基础结构
├─ kernels/ # 算子实现(conv,dense,maxpool等)
├─ schema/ # flatbuffer模型解析头文件
必须添加的头文件路径（工程 Include Path）
../tflite_micro
../tflite_micro/tensorflow
../tflite_micro/tensorflow/lite
../tflite_micro/tensorflow/lite/micro
6.3 TFLM 最重要概念：张量内存缓冲区（Arena）
TFLM 不在堆动态 malloc！所有推理中间变量放在一块预先分配连续内存 Tensor ArenaSTM32F407ZG RAM 只有 192KB，Arena 大小必须精准估算。示例定义： Arena 太小 → 初始化解释器直接失败，推理崩溃。
// 放在全局区(不要定义在函数栈里！栈空间很小)
#define TENSOR_ARENA_SIZE 60*1024 // 60KB，根据模型调整
uint8_t tensor_arena[TENSOR_ARENA_SIZE];
七、阶段 5：MCU 推理主代码编写（完整可参考框架）
把前面生成的 model.h 复制到工程 Inc/新建 tflm_inference.cpp（C++ 文件）
在 main.c 调用（注意 extern C） |
|
发表于 2021-2-11 08:33:04
楼主
