078 STM32Cube.AI的视觉处理案例从一次现场调试说起去年冬天，一个客户把一块STM32H743开发板拍在我桌上，屏幕上显示着一张模糊到几乎无法辨认的猫脸。客户说：“我们用了STM32Cube.AI生成的模型，在PC上跑F1分数0.92，部署到板子上就变成了0.3。”我盯着那张被噪声淹没的图像，第一反应是——数据流在某个环节被截断了。这不是模型精度问题，是视觉处理管线在嵌入式端的“水土不服”。今天这篇笔记，就从这个案例展开，聊聊STM32Cube.AI做视觉处理时那些文档里不会写的坑。视觉处理管线的“最后一公里”STM32Cube.AI的官方教程喜欢展示从Keras模型到CubeMX配置的平滑流程，仿佛拖拽几个选项就能完成部署。但真实场景中，摄像头采集的原始数据、预处理、模型推理、后处理，这四个环节每个都可能成为性能瓶颈。那个客户的模型输入是224x224的RGB图像，但OV2640摄像头输出的是JPEG压缩流。他们直接在Cube.AI的预处理配置里勾选了“自动缩放”，以为万事大吉。结果呢？JPEG解码后的YUV数据未经转换就喂给了模型——RGB通道顺序错乱，像素值范围也不对。别这样写：不要在Cube.AI的预处理配置里依赖“自动”选项。手动检查数据格式转换的每一步。数据预处理：别让Cube.AI替你“猜”STM32Cube.AI的X-CUBE-AI扩展包提供了ai_prep