基于STM32N6的端侧AI应用开发实战:模型训练、部署与系统实现
举报
正版全新
-
ISBN:
9787512452985
-
出版时间:
2022-12
售价
￥
55.54
7.0折
定价
￥79.00
品相
全新
上书时间2026-11-09
卖家超过10天未登录
-
-
商品描述：
-
【书 名】 基于STM32N6的端侧AI应用开发实战:模型训练、部署与系统实现
【书 号】 9787512452985
【出 版 社】 北京航空航天大学出版社
【作 者】 刘斌 编著
【出版日期】 2026-11-01
【定 价】 79.00元
【编辑推荐】
聚焦新一代 NPU 异构 MCU，打通端侧 AI 从模型训练到产品落地全链路实战教程！
本书围绕集成 Ethos?U55 NPU 的 STM32N6 平台展开，从芯片硬件架构、神经网络基础、模型轻量化讲起，系统解析 Cortex?M55、DSP、NPU 协同工作机制。完整讲解 STM32Cube.AI、NanoEdge AI Studio 两大核心工具链，覆盖模型导入、转换、量化、C 代码生成、传感器智能检测开发全流程。
书中深入剖析边缘云端协同、RTOS 系统集成、内存调度、功耗控制、算子加速、INT8 量化等工程痛点，不只讲解理论，更给出可复现的实战项目：端侧语音关键词识别、轻量化视觉目标检测，落地智能语音助手、智能门禁真实场景，兼顾性能、功耗、精度三者权衡。
适合嵌入式工程师、物联网开发者、TinyML 科研人员快速上手 MCU 端 AI 开发；也可供高校电子信息、嵌入式相关专业高年级本科生、研究生作为工程实践参考，帮助读者建立 “需求?模型?部署?优化?验证” 的端侧 AI 闭环开发思维，实现从算法模型到可量产嵌入式智能产品的能力跃迁。
【内容简介】
本书系统介绍了基于 STM32N6 的端侧 AI 应用开发方法，涵盖芯片架构解析、AI 模型适配、工具链使用、推理优化与工程化集成等多个环节。
全书共 10 章，通过对 Cortex?M55 与 DSP 扩展、Ethos?U55 NPU 特性、存储结构与外设接口的剖析，帮助读者理解其在低功耗、实时边缘智能中的优势。在模型与算法层面，聚焦 CNN、RNN、Transformer 及轻量化改造，结合 TensorFlow、PyTorch 与 ONNX 的训练与转换流程，介绍适合 STM32N6 的模型量化、剪枝和蒸馏方法，并详细讲解了 STM32Cube.AI 与 NanoEdge AI Studio 的使用，实现模型部署与传感器异常检测。书中还系统分析了推理流程优化、算子加速、INT8 量化与能耗基准，强调了边缘 AI 的性能与工程化平衡。*后通过端侧语音关键词识别与端侧视觉目标检测两个实战案例，将前述理论与方法落地于具体应用。
本书适合嵌入式系统工程师、边缘 AI 与物联网开发者，以及从事智能传感、低功耗 AI 应用的技术人员阅读；也可作为高校相关专业高年级本科生和研究生学习端侧 AI 工程实践的参考用书。
【目录】
第 1 章 STM32N6 与端侧 AI 应用开发概述
- 1.1 STM32N6 芯片架构与 AI 定位
- 1.1.1 Cortex?M55 主核与 DSP 扩展
- 1.1.2 Ethos?U55 NPU 特性与算子支持
- 1.1.3 片上存储结构与带宽优化
- 1.1.4 外设接口与 AI 应用的适配性
- 1.2 端侧 AI 应用的典型需求
- 1.2.1 低功耗与实时性要求
- 1.2.2 模型轻量化与存储约束
- 1.2.3 安全与隐私保护需求
- 1.2.4 边缘与云端的分工
- 1.3 STM32 生态与开发工具链
- 1.3.1 STM32CubeIDE 与 Keil 支持
- 1.3.2 STM32Cube.AI 模型转换器
- 1.3.3 NanoEdge AI Studio 与传感器 AI
- 1.4 学习路径与应用定位
- 1.4.1 从传统 MCU 开发到 AI?MCU 开发的转变
- 1.4.2 TinyML 在 STM32N6 中的角色
- 1.4.3 开发者适配与工程化
- 1.4.4 面向产业的落地场景
- 1.5 本章小结
第 2 章 AI 模型基础与端侧适配
- 2.1 常见神经网络结构
- 2.1.1 卷积神经网络 (CNN) 与轻量化变体
- 2.1.2 循环网络与时序建模
- 2.1.3 Transformer 与注意力机制
- 2.1.4 传统 ML 与深度学习结合
- 2.2 模型训练与框架生态
- 2.2.1 TensorFlow 与 TensorFlow Lite
- 2.2.2 PyTorch 与 ONNX 导出
- 2.2.3 Scikit?Learn 与轻量化模型集成
- 2.2.4 TinyML 社区与开源资源
- 2.3 模型轻量化方法
- 2.3.1 模型剪枝与通道裁剪
- 2.3.2 权重量化与整数量化
- 2.3.3 知识蒸馏与模型压缩
- 2.3.4 结构重设计与可移植性
- 2.4 模型评估与适配指标
- 2.4.1 延迟与实时性测试
- 2.4.2 内存占用分析
- 2.4.3 能耗与功率测试
- 2.4.4 精度与鲁棒性权衡
- 2.5 本章小结
第 3 章 STM32N6 硬件与 AI 计算特性
- 3.1 Cortex?M55 与 DSP 能力
- 3.1.1 ARMv8?M 架构与指令优化
- 3.1.2 矩阵乘累加与卷积加速
- 3.1.3 SIMD 与矢量化
- 3.1.4 FPU 与浮点计算能力
- 3.2 Ethos?U55 NPU 详解
- 3.2.1 NPU 架构与算子支持范围
- 3.2.2 内部加速引擎与数据流调度
- 3.2.3 CNN、RNN、Transformer 支持能力
- 3.2.4 硬件加速与 CPU 协作模式
- 3.3 存储与数据传输优化
- 3.3.1 SRAM 分区与模型参数存放
- 3.3.2 Flash 存储与加载机制
- 3.3.3 DMA 与外设数据流优化
- 3.3.4 缓存与带宽瓶颈
- 3.4 外设接口与 AI 应用结合
- 3.4.1 摄像头接口与图像采集
- 3.4.2 音频接口与语音采集
- 3.4.3 IMU 与加速度传感器
- 3.4.4 通信接口与边缘协作
- 3.5 本章小结
第 4 章 STM32Cube.AI 开发与模型转换部署
- 4.1 模型转换流程
- 4.1.1 Keras/TFLite 模型导入
- 4.1.2 ONNX 模型支持
- 4.1.3 模型兼容性检查
- 4.1.4 模型分析与优化建议
- 4.2 自动生成的 C 代码结构
- 4.2.1 API 函数调用方式
- 4.2.2 内存初始化与分配策略
- 4.2.3 输入 / 输出接口定义
- 4.2.4 错误处理与日志记录
- 4.3 部署优化
- 4.3.1 模型量化在 STM32Cube.AI 中的应用
- 4.3.2 中间特征图管理
- 4.3.3 延迟与功耗权衡
- 4.3.4 性能基准测试与调优
- 4.4 工程集成
- 4.4.1 FreeRTOS 任务调度集成
- 4.4.2 与外设驱动结合
- 4.4.3 模块化封装与复用
- 4.4.4 OTA 升级与模型更新
- 4.5 本章小结
第 5 章 NanoEdge AI Studio 与传感器智能
- 5.1 传感器 AI 应用场景
- 5.1.1 异常检测与预测性维护
- 5.1.2 振动分析与机械状态监控
- 5.1.3 动作识别与手势识别
- 5.1.4 环境感知与多模态融合
- 5.2 特征提取与信号处理
- 5.2.1 时域特征与频域特征
- 5.2.2 短时傅里叶变换
- 5.2.3 小波变换与分解
- 5.2.4 特征选择与降维
- 5.3 模型生成与自动学习
- 5.3.1 NanoEdge AI Studio
- 5.3.2 训练样本采集与预处理
- 5.3.3 自动算法搜索与优化
- 5.3.4 在线学习与自适应更新
- 5.4 部署与运行机制
- 5.4.1 与 STM32Cube.AI 的互补关系
- 5.4.2 嵌入式 C 库调用
- 5.4.3 内存与延迟开销评估
- 5.4.4 应用案例：电机异常检测
- 5.5 本章小结
第 6 章 边缘计算与系统协同
- 6.1 边缘智能的系统定位
- 6.1.1 边缘与云端的任务划分
- 6.1.2 分布式 AI 与协同推理
- 6.1.3 联邦学习与本地模型更新
- 6.1.4 边缘安全与隐私保护
- 6.2 通信与数据上传机制
- 6.2.1 BLE 与低功耗传输
- 6.2.2 LoRa 与远距离传输
- 6.2.3 Wi?Fi 边缘设备上报
- 6.2.4 MQTT/CoAP 协议集成
- 6.3 系统资源与能耗管理
- 6.3.1 动态电源管理 (低功耗模式)
- 6.3.2 算法计算功耗评估
- 6.3.3 通信功耗优化策略
- 6.3.4 多任务协同与 RTOS 调度
- 6.4 边缘 AI 与应用生态
- 6.4.1 工业物联网监测系统
- 6.4.2 智能家居与消费类应用
- 6.4.3 智能穿戴设备
- 6.4.4 智能机器人子系统
- 6.5 本章小结
第 7 章 AI 推理优化与性能分析
- 7.1 推理流程与实时性保证
- 7.1.1 数据预处理加速
- 7.1.2 模型加载与运行
- 7.1.3 后处理与结果解析
- 7.2 算子优化与库支持
- 7.2.1 CMSIS?NN 库优化
- 7.2.2 ARM Compute Library 适配
- 7.2.3 SIMD 并行优化方法
- 7.2.4 硬件加速与软件算子结合
- 7.3 量化推理与 INT8 优化
- 7.3.1 对称与非对称量化
- 7.3.2 量化感知训练与后量化
- 7.3.3 INT8 算子加速
- 7.4 性能与能耗基准
- 7.4.1 推理延迟测试
- 7.4.2 内存占用与瓶颈分析
- 7.5 本章小结
第 8 章 嵌入式系统集成与工程化开发
- 8.1 软件架构设计
- 8.1.1 分层结构与模块化设计
- 8.1.2 AI 推理线程与 RTOS 调度
- 8.1.3 数据采集与 AI 处理耦合
- 8.1.4 通信与外设驱动集成
- 8.2 存储与内存优化
- 8.2.1 Flash 分区与代码部署
- 8.2.2 SRAM 分配与缓冲管理
- 8.2.3 数据流缓存机制
- 8.3 功耗管理与低功耗设计
- 8.3.1 时钟动态调整
- 8.3.2 任务休眠与唤醒机制
- 8.3.3 数据采集功耗优化
- 8.4 工程调试与优化工具
- 8.4.1 ST?Link 与调试方法
- 8.4.2 性能分析工具
- 8.4.3 内存与功耗实时监控
- 8.4.4 OTA 升级与远程维护
- 8.5 本章小结
第 9 章 端侧语音关键词识别
- 9.1 语音关键词识别系统框架
- 9.1.1 声学前端与特征提取
- 9.1.2 KWS 模型选择与训练
- 9.1.3 模型量化与部署流程
- 9.2 特征提取与 DSP 实现
- 9.2.1 MFCC 特征计算
- 9.2.2 梅尔滤波器组实现
- 9.2.3 DSP 优化与实时计算
- 9.3 模型部署与集成
- 9.3.1 STM32Cube.AI 模型转换
- 9.3.2 输入缓冲与滑窗机制
- 9.3.3 输出触发与事件响应
- 9.4 性能测试与优化
- 9.4.1 延迟测试与响应时间
- 9.4.2 误识率与鲁棒性评估
- 9.4.3 实际应用案例：智能语音助手
- 9.5 本章小结
第 10 章 端侧视觉目标检测
- 10.1 系统设计与任务定义
- 10.1.1 图像采集系统设计
- 10.1.2 模型选择 (YOLO?Nano/MobileNet SSD)
- 10.1.3 模型裁剪与量化
- 10.2 图像预处理与加速
- 10.2.1 图像缩放、归一化与通道裁剪
- 10.2.2 DMA 加速图像传输
- 10.3 模型推理与后处理
- 10.3.1 目标框解码与 NMS 非极大值抑制
- 10.3.2 多目标跟踪与识别置信度计算
- 10.4 实际应用与性能评估
- 10.4.1 实时帧率与延迟测试
- 10.4.2 精度与误检漏检测试
- 10.4.3 应用案例：智能门禁系统
- 10.5 本章小结
参考文献
【前言】
随着人工智能在嵌入式设备中的广泛应用，端侧 AI 逐渐成为推动智能化发展的核心动力。在物联网、智能家居、工业监测以及可穿戴设备等领域，设备不仅需要感知环境，还必须具备本地推理与实时决策的能力。
STM32N6 作为 ST 公司推出的新一代 MCU，融合了 Cortex?M55 处理核心与 Ethos?U55 神经网络加速单元，在保证低功耗与嵌入式灵活性的同时，提供了可观的 AI 算力，为开发者实现端侧智能提供了新的平台。
本书正是基于这一背景，系统梳理了 STM32N6 在端侧 AI 应用开发中的方法、工具与实践路径。本书前半部分注重理论框架与工具链介绍，帮助读者夯实基础。*后两章不仅提供了可复现的开发流程，更通过语音助手与智能门禁等典型场景验证了 STM32N6 的实际应用价值。
第 1 章从 STM32N6 的芯片架构与 AI 定位入手，分析其主核、NPU、存储与外设的特性，并结合端侧 AI 应用的典型需求阐明低功耗、轻量化和安全与隐私保护的重要性。
第 2、3 章进一步延伸至模型与硬件的双重层面，既介绍了 CNN、RNN、Transformer 等常见神经网络结构及其轻量化方法，又详细解析了 STM32N6 的 DSP 与 NPU 计算特性，为后续部署提供理论支撑。
第 4、5 章则进入工具链实践，分别讲解了 STM32Cube.AI 在模型转换、代码生成与优化上的关键步骤，以及 NanoEdge AI Studio 在传感器异常检测与自动学习中的独特优势。
第 6 章聚焦边缘计算与系统协同，分析边缘与云端的任务划分、联邦学习与通信机制，提出功耗优化与多任务协同的工程方法。
第 7 章围绕推理优化展开，从预处理到后处理、从算子库到量化方法，全面覆盖了保证实时性与降低功耗的关键环节，并辅以性能基准的量化指标。
第 8 章则将 AI 推理融入嵌入式系统整体架构，涉及 RTOS 线程管理、内存优化、功耗控制与调试工具，确保 AI 应用能够在资源有限的硬件平台上稳定运行。
第 9 章以端侧语音关键词识别为例，展示了从声学特征提取、KWS 模型训练与量化，到 STM32Cube.AI 部署与性能测试的完整流程。
第 10 章则面向视觉任务，选取轻量化目标检测模型进行裁剪与量化，结合图像预处理与后处理策略，*终实现端侧实时目标检测应用。
本书的读者对象涵盖嵌入式开发工程师、AI 应用开发者以及对 TinyML 与边缘计算感兴趣的科研人员。对于有嵌入式开发经验的工程师，本书能帮助其快速切入端侧 AI 领域；对于已有 AI 建模经验的研究者，本书则提供了将模型落地到 MCU 平台的完整方法。通过理论与实践的结合，读者不仅能理解 STM32N6 的技术特性，还能掌握从模型训练、部署到应用落地的全流程技能。
我们期望读者在完成本书学习后，能够建立端侧 “需求 — 模型 — 部署 — 优化 — 验证” 的闭环方法论，具备针对功耗、实时性与精度进行权衡与调优的能力；并能举一反三，将书中的语音与视觉案例迁移到更多传感与控制场景中，持续迭代出可量产、可维护的嵌入式智能应用，从而真正把人工智能稳健落地到真实产品与复杂环境中，形成 AI 的系统工程思维。
作者
2026 年 4 月
![]()
孔网啦啦啦啦啦纺织女工火锅店第三课
开播时间：09月02日 10:30
即将开播，去预约
直播中，去观看
占位居中
