MiniCPM-V-2_6嵌入式AI应用实战STM32F103C8T6最小系统板集成指南1. 引言当轻量级AI模型遇见经典MCU如果你正在开发一个智能门铃、一个能识别手势的玩具或者一个需要“看懂”周围环境的物联网设备可能会遇到一个头疼的问题AI模型太“重”了。传统的视觉模型动辄几百兆需要强大的处理器和充足的内存这显然不是一块小小的单片机能够承受的。这正是我们今天要探讨的核心场景。想象一下你手头有一块非常经典且廉价的STM32F103C8T6最小系统板它只有64KB的RAM和20KB的RAM却想让它拥有“视觉”能力比如识别面前摆放的是苹果还是橘子或者检测手势指令。这听起来像是个不可能完成的任务但MiniCPM-V-2_6这类轻量化视觉模型的出现让这个想法变成了现实。本文将带你走通一条从云端模型到边缘设备的完整路径。我们不会停留在理论层面而是聚焦于如何将MiniCPM-V-2_6模型真正“塞进”STM32F103C8T6这块小小的板子里并让它跑起来。整个过程涉及模型瘦身、引擎适配、数据流处理以及功耗控制我们会用最直白的语言和可操作的步骤让你也能在自己的项目中实现边缘智能视觉。2. 核心挑战与解决思路在资源“螺丝壳”里做“道场”在STM32F103C8T6上跑视觉模型就像在一辆微型轿车上安装一台重型卡车的发动机首要任务是给发动机“减肥”和“改造”。我们需要直面几个核心挑战内存是最大的瓶颈。20KB的RAM意味着模型参数和中间计算结果必须极度精简。模型本身的大小必须远小于Flash容量并且在推理时占用的活动内存不能超过RAM的极限。算力捉襟见肘。Cortex-M3内核的主频通常只有72MHz没有专用的神经网络加速单元。每一笔乘加运算都需要精打细算复杂的算子必须被简化或替换。数据输入是道坎。如何将摄像头采集的图像数据高效地转换成模型能“吃”下去的格式同时不占用过多内存和时间是个需要精心设计的过程。面对这些挑战我们的解决思路是一条清晰的流水线模型瘦身与转化在强大的PC或服务器上使用专门的工具对预训练好的MiniCPM-V-2_6模型进行“手术”。目标是将其从浮点精度转换为整数INT8精度并可能进行剪枝大幅减少模型体积和计算量。推理引擎适配选择一个或自研一个极度轻量级的推理引擎Runtime。这个引擎需要能理解我们转化后的模型格式并针对Cortex-M3的指令集进行优化高效利用每一KB内存和每一个CPU周期。端侧集成与优化在STM32的工程中集成这个轻量引擎和瘦身后的模型。编写代码来驱动摄像头传感器将采集到的图像进行预处理缩放、归一化、格式转换然后喂给推理引擎。最后还要考虑如何降低整体功耗让设备能长时间工作。下面这张图概括了从云端到边缘的完整工作流graph TD A[云端: 原始MiniCPM-V-2_6模型] -- B(模型量化与剪枝); B -- C[得到: 轻量化模型文件]; C -- D[边缘端: STM32F103C8T6]; D -- E{端侧集成}; E -- F[轻量推理引擎]; E -- G[摄像头驱动与预处理]; F -- H[执行推理]; G -- H; H -- I[输出识别结果]; style A fill:#f9f,stroke:#333,stroke-width:2px style C fill:#ccf,stroke:#333,stroke-width:2px style D fill:#9f9,stroke:#333,stroke-width:2px style I fill:#f96,stroke:#333,stroke-width:2px3. 第一步模型准备与“瘦身手术”在把模型部署到MCU之前我们必须先在资源丰富的开发环境比如你的笔记本电脑或云端服务器里完成模型的准备工作。这一步的目标是让模型变得足够“苗条”和“高效”。3.1 模型量化从“浮点”到“整数”的精简模型量化是压缩模型最关键、最有效的一步。你可以把它理解为将模型计算从高精度的“浮点数”模式切换到低精度的“整数”模式。浮点数如FP32表示范围广、精度高但每个数占4字节32位计算也慢。整数如INT8表示范围小、精度低但每个数只占1字节8位计算速度快得多。对于STM32F103这类没有硬件浮点单元FPU的MCU来说用软件模拟浮点运算会极其缓慢。量化到INT8后不仅模型文件大小能缩减为原来的1/4左右推理速度也能获得数量级的提升。当然这会带来一定的精度损失但对于许多嵌入式视觉应用如物体分类、手势识别轻微的精度下降是可以接受的。常用的量化工具包括TensorFlow Lite的转换器、PyTorch的TorchScript量化功能或者一些针对MCU优化的框架如TensorFlow Lite for Microcontrollers自带的量化工具。你需要加载预训练的MiniCPM-V-2_6模型运行一些校准数据通常是从训练集中抽取的一部分图片让工具自动确定每一层权重和激活值的最佳量化参数。3.2 模型剪枝剪掉“不重要”的连接如果说量化是给模型“减肥”那么剪枝就是给模型“塑形”。神经网络中存在着大量的冗余连接权重接近零的神经元这些连接对最终输出的贡献微乎其微。模型剪枝就是识别并移除这些不重要的连接。剪枝后模型会变得稀疏有很多零值这本身可以压缩模型大小。更重要的是配合支持稀疏计算的推理引擎可以跳过大量零值运算显著提升在MCU上的推理速度。对于资源极度紧张的STM32F103剪枝往往是必不可少的步骤。3.3 获得最终部署模型经过量化和剪枝后你会得到一个新模型文件。这个文件格式需要与你选择的MCU端推理引擎兼容。常见的格式有TensorFlow Lite的.tflite文件量化后或者一些专用框架的自定义格式。确保这个最终模型的体积远小于STM32F103C8T6的64KB Flash空间为你的应用程序代码留出余地。4. 第二步端侧集成与推理引擎适配有了瘦身成功的模型接下来就要为它在STM32上安家了。这需要一个能在MCU上高效运行的“大脑”——推理引擎。4.1 选择或移植轻量推理引擎你不必从头写一个神经网络推理引擎那太复杂了。幸运的是有一些优秀的开源选择TensorFlow Lite for Microcontrollers (TFLM)这是最流行的选择之一。它专为微控制器设计代码库非常精简支持INT8量化模型并且有良好的社区支持。你需要将TFLM的源码作为库添加到你的STM32工程中。CMSIS-NN如果你使用ARM Cortex-M系列内核CMSIS-NN是一个由ARM官方提供的、高度优化的神经网络内核函数库。它通常需要与其他框架如TFLM结合使用作为底层加速库能极大提升卷积等算子的计算速度。其他轻量级引擎如NNoM、MicroTVM等也各有特点可以根据模型复杂度和个人熟悉程度选择。以集成TFLM为例主要步骤包括下载TFLM源码。在你的STM32项目如使用STM32CubeIDE或Keil中添加相关的源文件路径和头文件路径。只编译你模型用到的算子Op相关的代码以节省编译空间。TFLM提供了脚本来帮助完成这一步。将量化后的.tflite模型文件通过一个转换工具如xxd转换为C语言字节数组直接嵌入到你的固件代码中。这样模型就成了代码的一部分无需文件系统。4.2 编写端侧推理代码集成好引擎后你需要编写C代码来调用它。这个过程通常遵循一个固定模式// 伪代码示例基于TFLM风格 #include tensorflow/lite/micro/micro_interpreter.h #include model_data.h // 这里包含了你的模型数组 // 1. 定义模型、解释器、Tensor Arena内存池 const tflite::Model* model ::tflite::GetModel(g_model_data); tflite::MicroInterpreter* interpreter nullptr; // 关键Tensor Arena是模型运行时的工作内存大小需要精心计算 const int kTensorArenaSize 10 * 1024; // 例如分配10KB uint8_t tensor_arena[kTensorArenaSize]; // 2. 创建解释器 static tflite::MicroInterpreter static_interpreter( model, resolver, tensor_arena, kTensorArenaSize); interpreter static_interpreter; // 3. 分配内存从tensor_arena中 interpreter-AllocateTensors(); // 4. 获取输入输出Tensor指针 TfLiteTensor* input interpreter-input(0); TfLiteTensor* output interpreter-output(0); // 5. 在循环中填充输入数据 // 将摄像头预处理后的图像数据拷贝到input-data.int8中 memcpy(input-data.int8, processed_image_data, input_size); // 6. 执行推理 TfLiteStatus invoke_status interpreter-Invoke(); if (invoke_status ! kTfLiteOk) { // 错误处理 } // 7. 解析输出结果 int8_t* output_data output-data.int8; // 根据任务如分类找到输出数组中值最大的索引即为预测类别 int predicted_class argmax(output_data, output_size);这里最关键的环节是确定kTensorArenaSize。这个值必须足够大以容纳所有中间Tensor但又不能超过MCU的RAM限制。通常需要通过实验或工具估算并留有一定余量。5. 第三步传感器数据流与低功耗实战模型和引擎都就位了现在需要解决“眼睛”摄像头的问题并让整个系统省电地工作。5.1 摄像头驱动与图像预处理STM32F103通常通过DCMI接口或模拟I2C/SPI接口连接OV7670等低成本摄像头模块。你需要配置外设初始化I2C用于配置摄像头寄存器初始化DCMI或GPIO用于接收图像数据。DMA传输为了不占用CPU资源务必使用DMA将摄像头数据直接搬运到内存缓冲区。这对于维持系统流畅性至关重要。实时预处理摄像头采集的通常是YUV或RGB格式的图像分辨率可能较高如QVGA 320x240。而模型的输入可能要求是更小的灰度图如96x96且像素值需要归一化到INT8的范围如-128到127。这个预处理流程裁剪、缩放、色彩转换、归一化最好在摄像头数据到来时实时完成或者使用双缓冲区机制避免在内存中存储完整的原始图像因为那会消耗大量RAM。5.2 低功耗优化策略对于电池供电的设备功耗是生命线。以下策略可以帮助你延长续航间歇性工作不要让系统一直运行。例如智能门铃可以每2秒唤醒一次采集一帧图像进行识别如果没发现人就立刻进入停止模式。这需要利用STM32的低功耗模式Stop Mode。动态频率调整在推理时将系统时钟调到最高72MHz。在等待或休眠时将时钟降到最低。外设电源管理不使用时关闭摄像头模块的电源。推理完成后也可以考虑关闭推理引擎占用的部分外设时钟。优化推理本身前面提到的量化和剪枝除了减小模型也能直接降低计算功耗。一个简单的工作循环伪代码可能如下while(1) { // 1. 从低功耗模式唤醒初始化时钟和外设 SystemClock_Config_MAX(); Camera_PowerOn(); // 2. 采集并预处理一帧图像 CaptureAndProcessOneFrame(); // 3. 执行推理 RunInference(); // 4. 根据结果做出决策如点亮LED MakeDecision(); // 5. 关闭外设降低时钟进入停止模式 Camera_PowerOff(); SystemClock_Config_LOW(); EnterStopMode(); HAL_Delay(2000); // 休眠2秒实际使用RTC唤醒 }6. 总结把MiniCPM-V-2_6这样的视觉模型部署到STM32F103C8T6上确实是一项充满挑战但也极具成就感的工作。它要求开发者不仅理解AI模型还要深入掌握嵌入式系统的资源管理、外设驱动和低功耗设计。整个过程就像一场精密的资源调配游戏在Flash、RAM、算力和功耗之间寻找最佳平衡点。回顾整个流程最关键的三步是在云端对模型进行彻底的量化与剪枝将其体积和计算复杂度降到MCU可承受的范围选择一个像TFLM这样高度优化的轻量推理引擎并精心管理其运行时内存最后设计高效的数据流管道和休眠-唤醒机制让系统既能完成智能任务又能持久工作。虽然STM32F103C8T6的资源极其有限只能运行非常轻量的模型和处理低分辨率的图像但对于很多简单的物体识别、手势检测或状态分类应用来说这已经足够了。这种方案最大的优势在于极低的硬件成本和功耗非常适合对成本敏感、需要电池长期供电的物联网终端设备。如果你正准备尝试建议从一个最简单的“二分类”任务开始比如识别“有物体”和“无物体”确保整个数据采集、预处理、推理的流水线能跑通。然后再逐步尝试更复杂的模型和任务。在这个过程中你会对边缘AI有更深刻、更实际的理解。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
MiniCPM-V-2_6嵌入式AI应用实战：STM32F103C8T6最小系统板集成指南
发布时间：2026/7/27 8:53:35
MiniCPM-V-2_6嵌入式AI应用实战STM32F103C8T6最小系统板集成指南1. 引言当轻量级AI模型遇见经典MCU如果你正在开发一个智能门铃、一个能识别手势的玩具或者一个需要“看懂”周围环境的物联网设备可能会遇到一个头疼的问题AI模型太“重”了。传统的视觉模型动辄几百兆需要强大的处理器和充足的内存这显然不是一块小小的单片机能够承受的。这正是我们今天要探讨的核心场景。想象一下你手头有一块非常经典且廉价的STM32F103C8T6最小系统板它只有64KB的RAM和20KB的RAM却想让它拥有“视觉”能力比如识别面前摆放的是苹果还是橘子或者检测手势指令。这听起来像是个不可能完成的任务但MiniCPM-V-2_6这类轻量化视觉模型的出现让这个想法变成了现实。本文将带你走通一条从云端模型到边缘设备的完整路径。我们不会停留在理论层面而是聚焦于如何将MiniCPM-V-2_6模型真正“塞进”STM32F103C8T6这块小小的板子里并让它跑起来。整个过程涉及模型瘦身、引擎适配、数据流处理以及功耗控制我们会用最直白的语言和可操作的步骤让你也能在自己的项目中实现边缘智能视觉。2. 核心挑战与解决思路在资源“螺丝壳”里做“道场”在STM32F103C8T6上跑视觉模型就像在一辆微型轿车上安装一台重型卡车的发动机首要任务是给发动机“减肥”和“改造”。我们需要直面几个核心挑战内存是最大的瓶颈。20KB的RAM意味着模型参数和中间计算结果必须极度精简。模型本身的大小必须远小于Flash容量并且在推理时占用的活动内存不能超过RAM的极限。算力捉襟见肘。Cortex-M3内核的主频通常只有72MHz没有专用的神经网络加速单元。每一笔乘加运算都需要精打细算复杂的算子必须被简化或替换。数据输入是道坎。如何将摄像头采集的图像数据高效地转换成模型能“吃”下去的格式同时不占用过多内存和时间是个需要精心设计的过程。面对这些挑战我们的解决思路是一条清晰的流水线模型瘦身与转化在强大的PC或服务器上使用专门的工具对预训练好的MiniCPM-V-2_6模型进行“手术”。目标是将其从浮点精度转换为整数INT8精度并可能进行剪枝大幅减少模型体积和计算量。推理引擎适配选择一个或自研一个极度轻量级的推理引擎Runtime。这个引擎需要能理解我们转化后的模型格式并针对Cortex-M3的指令集进行优化高效利用每一KB内存和每一个CPU周期。端侧集成与优化在STM32的工程中集成这个轻量引擎和瘦身后的模型。编写代码来驱动摄像头传感器将采集到的图像进行预处理缩放、归一化、格式转换然后喂给推理引擎。最后还要考虑如何降低整体功耗让设备能长时间工作。下面这张图概括了从云端到边缘的完整工作流graph TD A[云端: 原始MiniCPM-V-2_6模型] -- B(模型量化与剪枝); B -- C[得到: 轻量化模型文件]; C -- D[边缘端: STM32F103C8T6]; D -- E{端侧集成}; E -- F[轻量推理引擎]; E -- G[摄像头驱动与预处理]; F -- H[执行推理]; G -- H; H -- I[输出识别结果]; style A fill:#f9f,stroke:#333,stroke-width:2px style C fill:#ccf,stroke:#333,stroke-width:2px style D fill:#9f9,stroke:#333,stroke-width:2px style I fill:#f96,stroke:#333,stroke-width:2px3. 第一步模型准备与“瘦身手术”在把模型部署到MCU之前我们必须先在资源丰富的开发环境比如你的笔记本电脑或云端服务器里完成模型的准备工作。这一步的目标是让模型变得足够“苗条”和“高效”。3.1 模型量化从“浮点”到“整数”的精简模型量化是压缩模型最关键、最有效的一步。你可以把它理解为将模型计算从高精度的“浮点数”模式切换到低精度的“整数”模式。浮点数如FP32表示范围广、精度高但每个数占4字节32位计算也慢。整数如INT8表示范围小、精度低但每个数只占1字节8位计算速度快得多。对于STM32F103这类没有硬件浮点单元FPU的MCU来说用软件模拟浮点运算会极其缓慢。量化到INT8后不仅模型文件大小能缩减为原来的1/4左右推理速度也能获得数量级的提升。当然这会带来一定的精度损失但对于许多嵌入式视觉应用如物体分类、手势识别轻微的精度下降是可以接受的。常用的量化工具包括TensorFlow Lite的转换器、PyTorch的TorchScript量化功能或者一些针对MCU优化的框架如TensorFlow Lite for Microcontrollers自带的量化工具。你需要加载预训练的MiniCPM-V-2_6模型运行一些校准数据通常是从训练集中抽取的一部分图片让工具自动确定每一层权重和激活值的最佳量化参数。3.2 模型剪枝剪掉“不重要”的连接如果说量化是给模型“减肥”那么剪枝就是给模型“塑形”。神经网络中存在着大量的冗余连接权重接近零的神经元这些连接对最终输出的贡献微乎其微。模型剪枝就是识别并移除这些不重要的连接。剪枝后模型会变得稀疏有很多零值这本身可以压缩模型大小。更重要的是配合支持稀疏计算的推理引擎可以跳过大量零值运算显著提升在MCU上的推理速度。对于资源极度紧张的STM32F103剪枝往往是必不可少的步骤。3.3 获得最终部署模型经过量化和剪枝后你会得到一个新模型文件。这个文件格式需要与你选择的MCU端推理引擎兼容。常见的格式有TensorFlow Lite的.tflite文件量化后或者一些专用框架的自定义格式。确保这个最终模型的体积远小于STM32F103C8T6的64KB Flash空间为你的应用程序代码留出余地。4. 第二步端侧集成与推理引擎适配有了瘦身成功的模型接下来就要为它在STM32上安家了。这需要一个能在MCU上高效运行的“大脑”——推理引擎。4.1 选择或移植轻量推理引擎你不必从头写一个神经网络推理引擎那太复杂了。幸运的是有一些优秀的开源选择TensorFlow Lite for Microcontrollers (TFLM)这是最流行的选择之一。它专为微控制器设计代码库非常精简支持INT8量化模型并且有良好的社区支持。你需要将TFLM的源码作为库添加到你的STM32工程中。CMSIS-NN如果你使用ARM Cortex-M系列内核CMSIS-NN是一个由ARM官方提供的、高度优化的神经网络内核函数库。它通常需要与其他框架如TFLM结合使用作为底层加速库能极大提升卷积等算子的计算速度。其他轻量级引擎如NNoM、MicroTVM等也各有特点可以根据模型复杂度和个人熟悉程度选择。以集成TFLM为例主要步骤包括下载TFLM源码。在你的STM32项目如使用STM32CubeIDE或Keil中添加相关的源文件路径和头文件路径。只编译你模型用到的算子Op相关的代码以节省编译空间。TFLM提供了脚本来帮助完成这一步。将量化后的.tflite模型文件通过一个转换工具如xxd转换为C语言字节数组直接嵌入到你的固件代码中。这样模型就成了代码的一部分无需文件系统。4.2 编写端侧推理代码集成好引擎后你需要编写C代码来调用它。这个过程通常遵循一个固定模式// 伪代码示例基于TFLM风格 #include tensorflow/lite/micro/micro_interpreter.h #include model_data.h // 这里包含了你的模型数组 // 1. 定义模型、解释器、Tensor Arena内存池 const tflite::Model* model ::tflite::GetModel(g_model_data); tflite::MicroInterpreter* interpreter nullptr; // 关键Tensor Arena是模型运行时的工作内存大小需要精心计算 const int kTensorArenaSize 10 * 1024; // 例如分配10KB uint8_t tensor_arena[kTensorArenaSize]; // 2. 创建解释器 static tflite::MicroInterpreter static_interpreter( model, resolver, tensor_arena, kTensorArenaSize); interpreter static_interpreter; // 3. 分配内存从tensor_arena中 interpreter-AllocateTensors(); // 4. 获取输入输出Tensor指针 TfLiteTensor* input interpreter-input(0); TfLiteTensor* output interpreter-output(0); // 5. 在循环中填充输入数据 // 将摄像头预处理后的图像数据拷贝到input-data.int8中 memcpy(input-data.int8, processed_image_data, input_size); // 6. 执行推理 TfLiteStatus invoke_status interpreter-Invoke(); if (invoke_status ! kTfLiteOk) { // 错误处理 } // 7. 解析输出结果 int8_t* output_data output-data.int8; // 根据任务如分类找到输出数组中值最大的索引即为预测类别 int predicted_class argmax(output_data, output_size);这里最关键的环节是确定kTensorArenaSize。这个值必须足够大以容纳所有中间Tensor但又不能超过MCU的RAM限制。通常需要通过实验或工具估算并留有一定余量。5. 第三步传感器数据流与低功耗实战模型和引擎都就位了现在需要解决“眼睛”摄像头的问题并让整个系统省电地工作。5.1 摄像头驱动与图像预处理STM32F103通常通过DCMI接口或模拟I2C/SPI接口连接OV7670等低成本摄像头模块。你需要配置外设初始化I2C用于配置摄像头寄存器初始化DCMI或GPIO用于接收图像数据。DMA传输为了不占用CPU资源务必使用DMA将摄像头数据直接搬运到内存缓冲区。这对于维持系统流畅性至关重要。实时预处理摄像头采集的通常是YUV或RGB格式的图像分辨率可能较高如QVGA 320x240。而模型的输入可能要求是更小的灰度图如96x96且像素值需要归一化到INT8的范围如-128到127。这个预处理流程裁剪、缩放、色彩转换、归一化最好在摄像头数据到来时实时完成或者使用双缓冲区机制避免在内存中存储完整的原始图像因为那会消耗大量RAM。5.2 低功耗优化策略对于电池供电的设备功耗是生命线。以下策略可以帮助你延长续航间歇性工作不要让系统一直运行。例如智能门铃可以每2秒唤醒一次采集一帧图像进行识别如果没发现人就立刻进入停止模式。这需要利用STM32的低功耗模式Stop Mode。动态频率调整在推理时将系统时钟调到最高72MHz。在等待或休眠时将时钟降到最低。外设电源管理不使用时关闭摄像头模块的电源。推理完成后也可以考虑关闭推理引擎占用的部分外设时钟。优化推理本身前面提到的量化和剪枝除了减小模型也能直接降低计算功耗。一个简单的工作循环伪代码可能如下while(1) { // 1. 从低功耗模式唤醒初始化时钟和外设 SystemClock_Config_MAX(); Camera_PowerOn(); // 2. 采集并预处理一帧图像 CaptureAndProcessOneFrame(); // 3. 执行推理 RunInference(); // 4. 根据结果做出决策如点亮LED MakeDecision(); // 5. 关闭外设降低时钟进入停止模式 Camera_PowerOff(); SystemClock_Config_LOW(); EnterStopMode(); HAL_Delay(2000); // 休眠2秒实际使用RTC唤醒 }6. 总结把MiniCPM-V-2_6这样的视觉模型部署到STM32F103C8T6上确实是一项充满挑战但也极具成就感的工作。它要求开发者不仅理解AI模型还要深入掌握嵌入式系统的资源管理、外设驱动和低功耗设计。整个过程就像一场精密的资源调配游戏在Flash、RAM、算力和功耗之间寻找最佳平衡点。回顾整个流程最关键的三步是在云端对模型进行彻底的量化与剪枝将其体积和计算复杂度降到MCU可承受的范围选择一个像TFLM这样高度优化的轻量推理引擎并精心管理其运行时内存最后设计高效的数据流管道和休眠-唤醒机制让系统既能完成智能任务又能持久工作。虽然STM32F103C8T6的资源极其有限只能运行非常轻量的模型和处理低分辨率的图像但对于很多简单的物体识别、手势检测或状态分类应用来说这已经足够了。这种方案最大的优势在于极低的硬件成本和功耗非常适合对成本敏感、需要电池长期供电的物联网终端设备。如果你正准备尝试建议从一个最简单的“二分类”任务开始比如识别“有物体”和“无物体”确保整个数据采集、预处理、推理的流水线能跑通。然后再逐步尝试更复杂的模型和任务。在这个过程中你会对边缘AI有更深刻、更实际的理解。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
