AIGlasses OS Pro开发工具链Keil5与视觉算法嵌入式部署最近有不少朋友在问在AIGlasses OS Pro上训练好的轻量级视觉模型比如人脸识别、物体检测这些能不能直接放到眼镜的微控制器上跑起来毕竟眼镜这种设备对功耗、体积和实时性要求都很高如果能直接在端侧处理不用联网上传数据那隐私、延迟和成本都会是巨大的优势。答案是肯定的而且这个过程并没有想象中那么复杂。今天我就以一个过来人的身份和大家聊聊怎么把AIGlasses OS Pro里训练好的模型一步步部署到ARM Cortex-M这类资源受限的芯片上。我们会用到大家熟悉的Keil MDK-ARM也就是Keil5作为开发环境整个过程会涉及到模型瘦身、代码转换、工程集成和性能调优几个关键环节。如果你手头正好有STM32的开发板或者对嵌入式AI感兴趣那这篇文章应该能给你一些实实在在的参考。1. 环境准备搭建你的嵌入式AI工作台工欲善其事必先利其器。在开始“魔改”模型之前我们需要先把开发环境搭建好。这里主要分两部分一是模型转换和优化的工具链二是嵌入式端的开发环境。1.1 模型侧工具链安装在AIGlasses OS Pro上你通常会用TensorFlow Lite for Microcontrollers、PyTorch Mobile或者ONNX Runtime这类框架来训练和导出轻量级模型。我们的第一步就是把这些模型“翻译”成嵌入式芯片能理解的格式。首先确保你的Python环境建议3.8以上已经就绪。然后安装几个核心的转换和优化工具# 安装ONNX运行时和转换工具如果你用的是PyTorch模型这个很有用 pip install onnx onnxruntime # 安装TensorFlow Lite相关工具用于TFLite模型的转换和量化 pip install tensorflow # 安装一个实用的模型可视化工具Netron方便查看模型结构 pip install netron对于更专业的模型压缩比如剪枝和量化你可能还需要用到一些框架特定的工具比如TensorFlow Model Optimization Toolkit。不过别担心我们后面会讲到更通用的方法。1.2 嵌入式开发环境Keil MDK-ARM安装与配置接下来是重头戏嵌入式开发环境。我们选择Keil MDK-ARM因为它对ARM Cortex-M系列芯片的支持非常成熟生态完善。下载与安装访问Keil官网下载MDK-ARM的安装包。安装过程基本是“下一步”到底注意安装路径不要有中文和空格。安装完成后它会提示你安装设备支持包Device Family Pack, DFP。安装芯片支持包这一步很关键。在Keil的Pack Installer里搜索并安装你目标芯片的DFP。比如如果你用的是STM32F4系列就安装Keil.STM32F4xx_DFP。这包含了芯片的启动文件、外设驱动和链接脚本模板。获取AI推理库要让芯片跑AI模型我们需要一个轻量级的推理引擎。对于Cortex-M系列CMSIS-NNARM官方推出的神经网络内核库是绝佳选择。它针对ARM处理器做了高度优化。你可以通过Keil的Pack Installer直接安装ARM.CMSIS包其中就包含了CMSIS-NN。或者你也可以从ARM的GitHub仓库获取最新源码。环境搭好之后你的工作流大概是这样的在AIGlasses OS Pro完成模型训练和初步轻量化 - 在PC端用工具进行进一步优化和转换 - 在Keil5中集成生成的C代码并编译 - 烧录到开发板验证。听起来步骤不少但一步步来都很清晰。2. 模型瘦身与转换从“大胖子”到“小精灵”直接从AIGlasses OS Pro导出的模型哪怕已经是“轻量级”对于只有几百KB内存的MCU来说可能还是个“大胖子”。所以部署前必须进行“瘦身手术”主要手段就是量化和剪枝。2.1 模型量化用精度换空间与速度量化是嵌入式AI的“标配”操作。简单说就是把模型权重和激活值从高精度的浮点数比如float32转换成低精度的整数比如int8。好处非常直接模型体积缩小约75%内存占用减少整数运算速度通常也比浮点运算快。这里以TensorFlow Lite模型为例展示如何进行训练后量化import tensorflow as tf # 1. 加载你在AIGlasses OS Pro训练并导出的模型 model tf.keras.models.load_model(your_model_from_aiglasses.h5) # 2. 创建一个代表性的数据集用于校准量化参数通常用训练集或验证集的一小部分 def representative_dataset(): for data in your_calibration_data: # 你的校准数据比如100-200张图片 yield [data.astype(np.float32)] # 注意输入数据的shape # 3. 配置转换器并进行量化 converter tf.lite.TFLiteConverter.from_keras_model(model) converter.optimizations [tf.lite.Optimize.DEFAULT] converter.representative_dataset representative_dataset # 以下两行是确保输入输出也是int8实现全整数推理可选兼容性要求高 # converter.target_spec.supported_ops [tf.lite.OpsSet.TFLITE_BUILTINS_INT8] # converter.inference_input_type tf.int8 # converter.inference_output_type tf.int8 quantized_tflite_model converter.convert() # 4. 保存量化后的模型 with open(model_quantized_int8.tflite, wb) as f: f.write(quantized_tflite_model)量化后记得用一些测试数据验证一下精度损失是否在可接受范围内通常下降1-3个百分点是可以接受的。2.2 模型转换生成C语言数组MCU可不会直接读取.tflite或.onnx文件。我们需要把模型权重和结构“拍平”转换成纯C语言的头文件里面主要就是一个巨大的常量数组。有很多工具可以做这件事比如TensorFlow Lite for Microcontrollers自带的xxd命令或者更通用的xxd工具# 使用xxd工具将.tflite二进制文件转换为C数组 xxd -i model_quantized_int8.tflite model_data.cc打开生成的model_data.cc文件你会看到类似这样的内容unsigned char model_quantized_int8_tflite[] { 0x1c, 0x00, 0x00, 0x00, 0x54, 0x46, 0x4c, 0x33, 0x14, 0x00, 0x20, 0x00, // ... 成千上万个十六进制数 ... }; unsigned int model_quantized_int8_tflite_len 123456; // 模型字节数这个数组就是你的模型本体接下来要把它放进Keil工程里。3. Keil5工程集成让模型在芯片里“安家”现在我们进入嵌入式开发的主场——Keil5。目标是把上一步得到的模型C数组和推理引擎如CMSIS-NN集成到一个STM32工程中。3.1 创建或打开一个STM32基础工程如果你不熟悉可以使用STM32CubeMX生成一个包含基础外设如GPIO、UART用于打印调试信息的工程然后导出为Keil MDK项目。确保工程编译通过能点灯、能打印“Hello World”。3.2 集成模型数据与推理引擎添加模型文件在Keil工程的Source Group里新建一个分组叫Model。然后把上一步生成的model_data.cc或重命名为.c文件添加进来。同时创建一个对应的头文件model_data.h声明这个外部数组。// model_data.h #ifndef MODEL_DATA_H #define MODEL_DATA_H extern const unsigned char g_model_data[]; extern const unsigned int g_model_data_len; #endif集成CMSIS-NN库将CMSIS-NN的源码通常在CMSIS/NN目录下添加到你的工程中。在Keil的Manage Project Items里添加这些源文件组。更简单的方法是通过Keil的Run-Time Environment管理器勾选CMSIS::NN组件让它自动配置。编写推理封装层这是连接模型数据和推理引擎的桥梁。你需要根据模型类型比如是简单的全连接分类还是带卷积的视觉模型来调用CMSIS-NN里对应的函数。// ai_inference.c #include model_data.h #include arm_nnfunctions.h // CMSIS-NN头文件 // 定义输入输出缓冲区根据你的模型调整大小 static int8_t input_buffer[128*128*3]; // 例如128x128 RGB输入 static int8_t output_buffer[10]; // 例如10分类输出 // 初始化TFLite Micro解释器伪代码需根据实际框架调整 void ai_model_init(void) { // 这里需要初始化TFLite Micro运行时并注册CMSIS-NN作为后端 // 将g_model_data传递给解释器 printf(AI Model initialized.\n); } // 执行一次推理 int ai_model_run(const int8_t* image_data) { // 1. 预处理图像数据填充到input_buffer // 2. 调用推理引擎例如调用TFLite Micro的invoke函数 // 3. 将output_buffer中的结果后处理如找最大值 int predicted_class 0; // ... 推理逻辑 ... return predicted_class; }3.3 内存与性能优化关键配置在Options for Target中这几项配置至关重要Target选项卡根据你的芯片型号正确设置ROM和RAM的起始地址和大小。模型数组通常放在ROMFlash中。C/C选项卡在Define中添加宏定义ARM_MATH_CM4或对应你内核的宏如CM7、CM33和__FPU_PRESENT1如果芯片有FPU。优化等级选择-O2或-O3但要注意-O3可能显著增加代码体积。Linker选项卡勾选Use Memory Layout from Target Dialog。如果模型很大你可能需要手动编辑分散加载文件.sct确保有足够的ROM空间存放模型数据并预留充足的RAM给输入、输出和中间层缓冲区AI_RAM_SECTION。4. 从零到一一个简单的端侧视觉应用实例理论说了这么多我们来看一个具体的例子在STM32F407上部署一个用于手写数字识别的轻量级卷积神经网络MNIST分类器。4.1 步骤详解模型准备在AIGlasses OS Pro或PC上训练一个极简的CNN例如两层卷积池化全连接并用前面介绍的方法量化为int8格式转换成C数组mnist_model_data.c。Keil工程集成创建基于STM32F407的工程。添加mnist_model_data.c和TFLite Micro的源码或CMSIS-NN的封装。在main.c中初始化模型并准备一个28x28的灰度图像缓冲区。编写推理循环// main.c 片段 #include ai_inference.h int main(void) { // 硬件初始化系统时钟、GPIO、摄像头接口等 hardware_init(); // AI模型初始化 ai_model_init(); while(1) { // 1. 从摄像头或传感器获取一帧图像这里用模拟数据代替 int8_t image[28*28]; capture_image(image); // 你需要实现的图像采集函数 // 2. 运行AI推理 int digit ai_model_run(image); // 3. 输出结果通过串口打印或LCD显示 printf(Predicted digit: %d\n, digit); HAL_Delay(100); // 简单延时 } }调试与验证连接串口调试助手上电运行。你应该能看到模型初始化的信息然后循环打印识别出的数字。用已知的测试图片数据灌入验证识别是否正确。4.2 避坑指南与实用技巧内存不足这是最常见的问题。如果编译时提示ROM或RAM溢出首先检查优化等级尝试-Os优化尺寸其次审视模型是否还能进一步剪枝或降低输入分辨率最后检查链接脚本确保缓冲区没有重叠。速度太慢推理一帧要好几秒确保使用了CMSIS-NN库并且编译器优化已打开。对于卷积运算CMSIS-NN提供了高度优化的函数。也可以考虑降低帧率或者使用更小的模型。精度下降严重回顾量化步骤检查校准数据集是否有代表性。尝试使用float16量化如果芯片支持代替int8在精度和速度间取得更好平衡。如何获取图像对于AIGlasses这样的产品你需要驱动摄像头模块如OV2640。通常需要编写I2C配置代码和DMA采集代码将图像数据搬运到input_buffer中。这部分属于传统嵌入式开发是必备基础。5. 总结走完这一整套流程你会发现把AIGlasses OS Pro上的视觉模型部署到嵌入式端其实是一条清晰可行的路径。核心思路就是**“轻量化”和“翻译”**通过量化、剪枝把模型变小变快再通过工具转换成C代码最后在Keil这样的IDE里像集成普通驱动一样把它和芯片的硬件资源结合起来。这个过程最考验人的其实不是某个高深的算法而是对嵌入式系统资源内存、算力、功耗的精细把控以及跨领域AI和嵌入式的调试能力。一开始可能会遇到各种报错内存炸了、速度慢了、精度掉了都很正常。我的建议是从一个最简单的模型比如MNIST分类和一块性能稍有余量的开发板开始把整个流程跑通建立信心。然后再逐步挑战更复杂的模型和更贴近实际的应用场景比如在AIGlasses上实现实时的人眼定位或者简单的物品识别。嵌入式AI的魅力就在于它能将智能真正带到设备边缘让像智能眼镜这样的产品变得更加独立、响应迅速且保护隐私。希望这篇指南能帮你推开这扇门剩下的精彩就靠你去探索和创造了。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。
AIGlasses OS Pro开发工具链：Keil5与视觉算法嵌入式部署
发布时间：2026/5/20 2:15:42
AIGlasses OS Pro开发工具链Keil5与视觉算法嵌入式部署最近有不少朋友在问在AIGlasses OS Pro上训练好的轻量级视觉模型比如人脸识别、物体检测这些能不能直接放到眼镜的微控制器上跑起来毕竟眼镜这种设备对功耗、体积和实时性要求都很高如果能直接在端侧处理不用联网上传数据那隐私、延迟和成本都会是巨大的优势。答案是肯定的而且这个过程并没有想象中那么复杂。今天我就以一个过来人的身份和大家聊聊怎么把AIGlasses OS Pro里训练好的模型一步步部署到ARM Cortex-M这类资源受限的芯片上。我们会用到大家熟悉的Keil MDK-ARM也就是Keil5作为开发环境整个过程会涉及到模型瘦身、代码转换、工程集成和性能调优几个关键环节。如果你手头正好有STM32的开发板或者对嵌入式AI感兴趣那这篇文章应该能给你一些实实在在的参考。1. 环境准备搭建你的嵌入式AI工作台工欲善其事必先利其器。在开始“魔改”模型之前我们需要先把开发环境搭建好。这里主要分两部分一是模型转换和优化的工具链二是嵌入式端的开发环境。1.1 模型侧工具链安装在AIGlasses OS Pro上你通常会用TensorFlow Lite for Microcontrollers、PyTorch Mobile或者ONNX Runtime这类框架来训练和导出轻量级模型。我们的第一步就是把这些模型“翻译”成嵌入式芯片能理解的格式。首先确保你的Python环境建议3.8以上已经就绪。然后安装几个核心的转换和优化工具# 安装ONNX运行时和转换工具如果你用的是PyTorch模型这个很有用 pip install onnx onnxruntime # 安装TensorFlow Lite相关工具用于TFLite模型的转换和量化 pip install tensorflow # 安装一个实用的模型可视化工具Netron方便查看模型结构 pip install netron对于更专业的模型压缩比如剪枝和量化你可能还需要用到一些框架特定的工具比如TensorFlow Model Optimization Toolkit。不过别担心我们后面会讲到更通用的方法。1.2 嵌入式开发环境Keil MDK-ARM安装与配置接下来是重头戏嵌入式开发环境。我们选择Keil MDK-ARM因为它对ARM Cortex-M系列芯片的支持非常成熟生态完善。下载与安装访问Keil官网下载MDK-ARM的安装包。安装过程基本是“下一步”到底注意安装路径不要有中文和空格。安装完成后它会提示你安装设备支持包Device Family Pack, DFP。安装芯片支持包这一步很关键。在Keil的Pack Installer里搜索并安装你目标芯片的DFP。比如如果你用的是STM32F4系列就安装Keil.STM32F4xx_DFP。这包含了芯片的启动文件、外设驱动和链接脚本模板。获取AI推理库要让芯片跑AI模型我们需要一个轻量级的推理引擎。对于Cortex-M系列CMSIS-NNARM官方推出的神经网络内核库是绝佳选择。它针对ARM处理器做了高度优化。你可以通过Keil的Pack Installer直接安装ARM.CMSIS包其中就包含了CMSIS-NN。或者你也可以从ARM的GitHub仓库获取最新源码。环境搭好之后你的工作流大概是这样的在AIGlasses OS Pro完成模型训练和初步轻量化 - 在PC端用工具进行进一步优化和转换 - 在Keil5中集成生成的C代码并编译 - 烧录到开发板验证。听起来步骤不少但一步步来都很清晰。2. 模型瘦身与转换从“大胖子”到“小精灵”直接从AIGlasses OS Pro导出的模型哪怕已经是“轻量级”对于只有几百KB内存的MCU来说可能还是个“大胖子”。所以部署前必须进行“瘦身手术”主要手段就是量化和剪枝。2.1 模型量化用精度换空间与速度量化是嵌入式AI的“标配”操作。简单说就是把模型权重和激活值从高精度的浮点数比如float32转换成低精度的整数比如int8。好处非常直接模型体积缩小约75%内存占用减少整数运算速度通常也比浮点运算快。这里以TensorFlow Lite模型为例展示如何进行训练后量化import tensorflow as tf # 1. 加载你在AIGlasses OS Pro训练并导出的模型 model tf.keras.models.load_model(your_model_from_aiglasses.h5) # 2. 创建一个代表性的数据集用于校准量化参数通常用训练集或验证集的一小部分 def representative_dataset(): for data in your_calibration_data: # 你的校准数据比如100-200张图片 yield [data.astype(np.float32)] # 注意输入数据的shape # 3. 配置转换器并进行量化 converter tf.lite.TFLiteConverter.from_keras_model(model) converter.optimizations [tf.lite.Optimize.DEFAULT] converter.representative_dataset representative_dataset # 以下两行是确保输入输出也是int8实现全整数推理可选兼容性要求高 # converter.target_spec.supported_ops [tf.lite.OpsSet.TFLITE_BUILTINS_INT8] # converter.inference_input_type tf.int8 # converter.inference_output_type tf.int8 quantized_tflite_model converter.convert() # 4. 保存量化后的模型 with open(model_quantized_int8.tflite, wb) as f: f.write(quantized_tflite_model)量化后记得用一些测试数据验证一下精度损失是否在可接受范围内通常下降1-3个百分点是可以接受的。2.2 模型转换生成C语言数组MCU可不会直接读取.tflite或.onnx文件。我们需要把模型权重和结构“拍平”转换成纯C语言的头文件里面主要就是一个巨大的常量数组。有很多工具可以做这件事比如TensorFlow Lite for Microcontrollers自带的xxd命令或者更通用的xxd工具# 使用xxd工具将.tflite二进制文件转换为C数组 xxd -i model_quantized_int8.tflite model_data.cc打开生成的model_data.cc文件你会看到类似这样的内容unsigned char model_quantized_int8_tflite[] { 0x1c, 0x00, 0x00, 0x00, 0x54, 0x46, 0x4c, 0x33, 0x14, 0x00, 0x20, 0x00, // ... 成千上万个十六进制数 ... }; unsigned int model_quantized_int8_tflite_len 123456; // 模型字节数这个数组就是你的模型本体接下来要把它放进Keil工程里。3. Keil5工程集成让模型在芯片里“安家”现在我们进入嵌入式开发的主场——Keil5。目标是把上一步得到的模型C数组和推理引擎如CMSIS-NN集成到一个STM32工程中。3.1 创建或打开一个STM32基础工程如果你不熟悉可以使用STM32CubeMX生成一个包含基础外设如GPIO、UART用于打印调试信息的工程然后导出为Keil MDK项目。确保工程编译通过能点灯、能打印“Hello World”。3.2 集成模型数据与推理引擎添加模型文件在Keil工程的Source Group里新建一个分组叫Model。然后把上一步生成的model_data.cc或重命名为.c文件添加进来。同时创建一个对应的头文件model_data.h声明这个外部数组。// model_data.h #ifndef MODEL_DATA_H #define MODEL_DATA_H extern const unsigned char g_model_data[]; extern const unsigned int g_model_data_len; #endif集成CMSIS-NN库将CMSIS-NN的源码通常在CMSIS/NN目录下添加到你的工程中。在Keil的Manage Project Items里添加这些源文件组。更简单的方法是通过Keil的Run-Time Environment管理器勾选CMSIS::NN组件让它自动配置。编写推理封装层这是连接模型数据和推理引擎的桥梁。你需要根据模型类型比如是简单的全连接分类还是带卷积的视觉模型来调用CMSIS-NN里对应的函数。// ai_inference.c #include model_data.h #include arm_nnfunctions.h // CMSIS-NN头文件 // 定义输入输出缓冲区根据你的模型调整大小 static int8_t input_buffer[128*128*3]; // 例如128x128 RGB输入 static int8_t output_buffer[10]; // 例如10分类输出 // 初始化TFLite Micro解释器伪代码需根据实际框架调整 void ai_model_init(void) { // 这里需要初始化TFLite Micro运行时并注册CMSIS-NN作为后端 // 将g_model_data传递给解释器 printf(AI Model initialized.\n); } // 执行一次推理 int ai_model_run(const int8_t* image_data) { // 1. 预处理图像数据填充到input_buffer // 2. 调用推理引擎例如调用TFLite Micro的invoke函数 // 3. 将output_buffer中的结果后处理如找最大值 int predicted_class 0; // ... 推理逻辑 ... return predicted_class; }3.3 内存与性能优化关键配置在Options for Target中这几项配置至关重要Target选项卡根据你的芯片型号正确设置ROM和RAM的起始地址和大小。模型数组通常放在ROMFlash中。C/C选项卡在Define中添加宏定义ARM_MATH_CM4或对应你内核的宏如CM7、CM33和__FPU_PRESENT1如果芯片有FPU。优化等级选择-O2或-O3但要注意-O3可能显著增加代码体积。Linker选项卡勾选Use Memory Layout from Target Dialog。如果模型很大你可能需要手动编辑分散加载文件.sct确保有足够的ROM空间存放模型数据并预留充足的RAM给输入、输出和中间层缓冲区AI_RAM_SECTION。4. 从零到一一个简单的端侧视觉应用实例理论说了这么多我们来看一个具体的例子在STM32F407上部署一个用于手写数字识别的轻量级卷积神经网络MNIST分类器。4.1 步骤详解模型准备在AIGlasses OS Pro或PC上训练一个极简的CNN例如两层卷积池化全连接并用前面介绍的方法量化为int8格式转换成C数组mnist_model_data.c。Keil工程集成创建基于STM32F407的工程。添加mnist_model_data.c和TFLite Micro的源码或CMSIS-NN的封装。在main.c中初始化模型并准备一个28x28的灰度图像缓冲区。编写推理循环// main.c 片段 #include ai_inference.h int main(void) { // 硬件初始化系统时钟、GPIO、摄像头接口等 hardware_init(); // AI模型初始化 ai_model_init(); while(1) { // 1. 从摄像头或传感器获取一帧图像这里用模拟数据代替 int8_t image[28*28]; capture_image(image); // 你需要实现的图像采集函数 // 2. 运行AI推理 int digit ai_model_run(image); // 3. 输出结果通过串口打印或LCD显示 printf(Predicted digit: %d\n, digit); HAL_Delay(100); // 简单延时 } }调试与验证连接串口调试助手上电运行。你应该能看到模型初始化的信息然后循环打印识别出的数字。用已知的测试图片数据灌入验证识别是否正确。4.2 避坑指南与实用技巧内存不足这是最常见的问题。如果编译时提示ROM或RAM溢出首先检查优化等级尝试-Os优化尺寸其次审视模型是否还能进一步剪枝或降低输入分辨率最后检查链接脚本确保缓冲区没有重叠。速度太慢推理一帧要好几秒确保使用了CMSIS-NN库并且编译器优化已打开。对于卷积运算CMSIS-NN提供了高度优化的函数。也可以考虑降低帧率或者使用更小的模型。精度下降严重回顾量化步骤检查校准数据集是否有代表性。尝试使用float16量化如果芯片支持代替int8在精度和速度间取得更好平衡。如何获取图像对于AIGlasses这样的产品你需要驱动摄像头模块如OV2640。通常需要编写I2C配置代码和DMA采集代码将图像数据搬运到input_buffer中。这部分属于传统嵌入式开发是必备基础。5. 总结走完这一整套流程你会发现把AIGlasses OS Pro上的视觉模型部署到嵌入式端其实是一条清晰可行的路径。核心思路就是**“轻量化”和“翻译”**通过量化、剪枝把模型变小变快再通过工具转换成C代码最后在Keil这样的IDE里像集成普通驱动一样把它和芯片的硬件资源结合起来。这个过程最考验人的其实不是某个高深的算法而是对嵌入式系统资源内存、算力、功耗的精细把控以及跨领域AI和嵌入式的调试能力。一开始可能会遇到各种报错内存炸了、速度慢了、精度掉了都很正常。我的建议是从一个最简单的模型比如MNIST分类和一块性能稍有余量的开发板开始把整个流程跑通建立信心。然后再逐步挑战更复杂的模型和更贴近实际的应用场景比如在AIGlasses上实现实时的人眼定位或者简单的物品识别。嵌入式AI的魅力就在于它能将智能真正带到设备边缘让像智能眼镜这样的产品变得更加独立、响应迅速且保护隐私。希望这篇指南能帮你推开这扇门剩下的精彩就靠你去探索和创造了。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。
