上一篇我们跑通了数据闭环，现在NanoEdge AI Studio，从「采集 → 训练 → 验证 → 出代码」

软件在两千多种模型组合中自动挑选，最终选中的冠军模型（Library ID 116，LSTM）实测指标如下：

• Quality Index（质量指数）：99.0 分，接近满分；

• Balanced Accuracy（平衡准确率）：100.00%，马达四种状态全部识别正确；

• 资源占用：RAM 3.7 KB、Flash 4.1 KB，单次推理 4.4 ms；

• 将 libneai.a 加载进工程、把采集程序改为把数据喂给模型，编译烧录后串口直接返回 CLASS DETECTED，与模拟仿真结果基本一致。实测试结果如下：

无需手动调参，软件自动完成特征提取、模型选择与压缩，把模型压到几 KB 直接跑在单片机上：

一、选定开发板与传感器

NanoEdge AI Studio（5.2.0）将流程分为五步：Project Settings → Signals → Benchmark → Validation → Deployment。

Project Settings 只需确定模型运行的开发板与采集的传感器类型：

• Target 选 NUCLEO-H533RE（STM32H533 开发板），右上角自动带出资源上限 272 KB RAM / 512 KB Flash；

• Sensor 选 Time Series → Accelerometer、3 Axes，对应三轴加速度计 LIS3DH；

图 1  Project Settings：选 NUCLEO-H533RE + Accelerometer 三轴，右上角标出 272KB RAM / 512KB Flash 资源上限

二、按四种状态分别采集

Signals 一步把「马达当前状态」转成可训练数据，提供导入文件、串口实时采集、创建数据采集器三种入口。本例采用串口采集，选好 COM 口与波特率 921600，点 START 开始录制。

图 2  Add signals：三种采集入口——导入文件 / 串口实时采集 / 创建数据采集器

关键是让软件知道每段数据属于哪个标签——将马达按四种状态各录一段，分别建成四个 Class：

• 停止（静止）、低速、中速、高速，一档一录，标签清晰；

• 每组数据缓冲区 3×256，对应三轴 × 256 采样点，录制时实时显示单轴波形与 FFT 频谱。

完成后，Signals 页将各 Class 的三轴时域波形与 FFT 频谱并排展示，四档差异一目了然——高速档抖动更密、能量更高。

图 3  Signals 页：四类状态各自的三轴时域波形与 FFT 频谱，不同档位差异一目了然

三、一键搜索最优模型

进入 Benchmark 点击开始，软件自动搜索整条机器学习流水线：是否降维、去趋势、用 STFT、提取特征、PCA，以及采用 CNN / LSTM / 随机森林等模型。本例共测试 21837 种库组合，耗时两个多小时。训练界面实时显示进度、质量指数与平衡准确率曲线，并高亮选中的 ML Pipeline。

图 4  Benchmark 训练中：实时显示进度、质量指数与平衡准确率曲线，下方为 ML Pipeline 与最佳库指标

无需理解内部节点，只需关注质量指数、平衡准确率与 RAM / Flash 占用。

四、模拟验证与选型

Validation 将候选模型排成成绩单，列出 Library ID、质量指数、平衡准确率、RAM、Flash、执行时间与模型类型。本例三个候选均为 100% 准确、99 分，需按体积与速度择优。

图 6  模型排行榜：Library 116（LSTM，RAM 3.7 KB / Flash 4.1 KB / 4.4 ms）体积与性能综合最优

点模型右侧播放键可打开 Emulator 模拟器：从串口喂入数据，实时显示 CLASS DETECTED 结果、概率分布柱状图与四类占比环形图，可切换不同模型反复验证。本例最终选定 Library ID 116（LSTM）：四类全对、体积最小。

图 7  Emulator 模拟验证：喂入数据后输出 CLASS DETECTED，概率柱状图与四类占比环形图，可换模型反复验证

五、代码输出与上板

点 DEPLOY LIBRARY 进入 Deployment，工具链选 GNU Arm Embedded (GCC)，编译选项（mfloat-abi、-fshort-enums）保持默认，即可导出静态库 libneai.a。

图 8  Deployment：选择 GNU Arm Embedded (GCC) 工具链与编译选项，导出 libneai.a

回到 STM32 IDE 工程，改动仅两处：

• 将 libneai.a 作为库加入项目、头文件加入包含路径；

• 把原采集程序改为将数据喂给模型的 classify 接口，函数返回值即判断结果（停止 / 低速 / 中速 / 高速）。

图 9  工程文件树：libneai.a 集成进 fetch_accel_data 工程，包含 ai_model_nanoeai 等模型文件

编译烧录后，上电即通过串口逐行输出 CLASS DETECTED，与模拟仿真结果基本一致，至此「采数据」到「单片机上实时判断」的链路完全跑通。测试视频：

六、小结

  本次评测的最大感受：NanoEdge AI Studio 显著降低了机器学习在嵌入式上的落地门槛。全程无需手写模型代码，软件自动完成特征提取、模型选择与调参，最终产出一个仅几 KB、可直接在 Cortex-M33 上运行的库，用户只需喂入数据、读取结果。

感谢 DigiKey 与 EEPW 的支持，敬请期待下一篇。