ST发布四款STM32边缘AI工具，覆盖模型开发至实机评估
要点
- ST（意法半导体）发布四款新工具，支持STM32的AI模型开发。
- 覆盖模型搜索、数据集创建、训练与优化、实机评估的一体化流程。
- 可使用400多种预训练模型，计划11月下旬开始提供。
STMicroelectronics（意法半导体，ST）宣布，将刷新面向STM32微控制器（MCU）嵌入式机器学习模型实现的“ST Edge AI Suite”工作流，并新增四款工具。
此次新增的是用于搜索预训练AI模型的“Model Explorer”、用于创建数据集的“Dataset Factory”、负责模型训练与优化的“Model Factory”，以及在目标硬件上验证性能的“Model Bench”。这四款工具将让AI模型选型、数据准备、模型调整和实机评估能够在统一环境中完成。
ST Edge AI Suite是汇集嵌入式AI应用开发所需工具、软件和开发资产的集成环境。此次刷新将过去需要借助多个代码仓库和工具完成的开发工作，整合为面向STM32开发者的一套连续工作流。
从AI模型选型到实机评估一体化
Model Explorer提供直观的Web界面，用于搜索和浏览适合特定用途的预训练AI模型。相关模型此前通过“STM32 AI Model Zoo”的GitHub仓库提供。借助Model Explorer，开发者可在Web上查看模型列表及用途，并选择适合待开发应用和所用STM32 MCU的模型。
Dataset Factory用于收集来自传感器等的原始数据，并将其转换为可用于AI模型训练和评估的数据集。通过辅助数据准备，帮助创建易于使用且可靠性更高的数据集。
Model Factory支持根据用途进行模型训练、定制、量化和进一步调优。它可针对STM32 MCU的内存容量和运算性能优化模型，使嵌入式设备能够高效执行AI推理。
Model Bench利用ST提供的板级固件，通过Web界面在实际硬件上远程评估AI模型。开发者可在将模型部署到产品前，确认其在目标硬件上的处理性能和运行情况。Model Bench将作为现有云端评估环境“ST Edge AI Developer Cloud”的替代工具提供。
提供400多种预训练AI模型
ST备有400多种预训练AI模型，并称这是微控制器厂商中规模最大的模型库。其中包括面向物理AI（Physical AI）的模型，可在终端侧分析传感器获取的信息并识别现实世界状况。
在嵌入式设备上执行AI推理时，无需将数据发送至云端，可在设备端完成处理。这不仅能降低通信延迟和数据流量，还能在无法持续连接外部网络的环境中使用AI功能。
另一方面，与高性能处理器相比，MCU可用的内存容量和运算处理能力有限。因此，需要选择适合用途的模型，并在保持处理精度的同时削减模型规模和运算量。
ST Edge AI Suite将模型搜索、训练数据准备、包含量化在内的模型优化以及实机评估整合到一个工作流中，以减轻此类嵌入式AI开发负担。
ST边缘AI解决方案业务集团副总裁Stephane Henry表示，随着本地AI推理成为智能设备的重要特征，如何高效利用AI模型已成为设计者的优先课题。
每年支持超过26万个项目
ST通过ST Edge AI Suite每年支持超过26万个项目。使用者除大型科技企业的工程师外，还包括初创企业和独立开发者。
嵌入式AI的应用范围正扩展至消费电子、工业传感器、控制设备、医疗设备和车载系统等。这些设备不仅需要借助AI提升功能和性能，还要求降低功耗。
开发者不仅需要选择适合用途的AI模型，还需根据目标设备调整模型、优化内存使用量和运算量，并在实际硬件上确认性能。此次新增的四款工具可让这些工作以连续的开发流程执行。
与超过4000种STM32生态产品联动
ST Edge AI Suite与由超过4000个产品型号构成的STM32生态系统联动。
开发者可根据用途、所需处理性能、功耗和内存容量等选择STM32 MCU，并优化AI模型。ST支持在包括搭载NPU的“STM32N6”系列在内的广泛STM32产品上实现AI。
软件开发方面，可使用“STM32Cube”开发生态系统。除MCU选择和配置工具外，还提供软件库和示例代码，开发者可在熟悉的集成开发环境（IDE）中继续工作。
评估硬件方面，可使用STM32 Nucleo板和Discovery开发套件，同时还提供支持无线通信、图像识别、ToF（Time-of-Flight）测距、IoT传感和电机驱动等的扩展卡。
ST计划将这些硬件、软件、预训练AI模型和开发工具组合起来，构建面向STM32的边缘AI开发环境，支持从模型选型到实机部署的全过程。
四款新工具计划于11月下旬开始提供。当前版本的ST Edge AI Suite可通过该公司网站使用。
