Linux开发--Linux内核开发移植

Linux内核驱动开发(一) linux操作系统历史开发模式git邮件组 mailing listpatch内核代码组成Makfilearch 体系系统架构相关block 块设备crypto 加密算法drivers 驱动(85%)firmware:外设fs 文件系统include 头文件init 启动代码ipc 进程通信代码kernel 内核lib 库mm 内存管理net 网络相关scripts 脚本security 安全相关sound 音频相关tools 工具(perf 测试工具) 阅读详情

Linux内核开发移植

Linux内核版本变迁及其获得

Linux是最受欢迎的自由电脑操作系统内核, 是一个用C语言写成, 并且符合POSIX标准的类Unix操作系统

Linux是由芬兰黑客Linus Torvalds开发的, 目的是尝试在英特尔x86架构上提供自由免费的类Unix操作系统

Linux操作系统的诞生、 发展、 和成长过程依赖于五个重要支柱: unix操作系统、 minix操作系统、 GNU计划、 POSIX标准和互联网

内核版本号从Linux1.0以后主要分为两个阶段:

Linux1.0-2.6, 数字包括四部分“ A.B.C.D”

  • A代表主版本号, 如1994年的1.0, 1996年的2.0, 2011年的3.0
  • B代表次版本号, 表示一些重大的修改, 偶数表示稳定版, 奇数表示开发版
  • C代表末版本号, 代表着一个新版本的发布(包括安全补丁、 bug修复、 新增功能、 或驱动程序), 一般数字变化范围比较大
  • D代表一些BUG修复, 对已经加入的安全补丁、 bug修复、 新增功能或驱动程序做的微调或添加新的特性, 2.6版本之后经常出现

Linux2.6之后的版本, 数字主要包括三部分"A.B.C"或"A.B.C-rcn"

  • A代表主版本号
  • B代表次版本号, 随着一个新版本的发布而增加, 与上一阶段中的数字” C“功能类似, 但不再代表稳定与否
  • C代表稳定版本号, 如果只有数字则代表稳定版本, 如果带"-rcn"表示最终稳定版本之前的候选版本(Release Candidate), n代表候选版本号

各版本之间的关系及命名规则可以参考网站:https://zh.wikipedia.org/wiki/Linux%E5%86%85%E6%A0%B8

注意: page9中的EOL: end of life: 指从此往后不在对应的版本上进行更新。 下面展示了Linux内核的版本变迁过程:

image-20200701153655101

Linux内核结构

Linux内核是Linux系统软件的核心, 它的性能对整个系统的性能起决定作用

Linux内核文件数目将近4万个, 他们分别位于顶层目录下的20个子目录中, 了解Linux内核的工作过程,必须从了解其目录结构做起

我们后面研究并移植的内核为:3.4.39, 首先我们从官网上下载3.4.39的内核源码linux-3.4.39.tar.bz2将其在虚拟机上解压, 使用tree命令可以在虚拟机下查看其目录结构

Linux内核源代码主要包含以下子目录:

image-20200701155535511

  • arch 与体系结构相关的代码。 对应于每个支持的体系结构, 有一个相应的子目录如x86、 arm等与之对应, 相应目录下有对应的芯片与之对应
  • crypto 常用加密及散列算法, 和一些压缩及CRC校验算法
  • Documentation 内核相关文档, 关于内核各部分的通用解释和注释
  • drivers 设备驱动代码, 占整个内核代码量的一半以上, 里面的每个子目录对应一类驱动程序, 如: block:块设备、 char:字符设备、 net:网络设备等
  • fs 文件系统代码, 每个支持的文件系统有相应的子目录, 如cramfs,yaffs, jffs2等
  • include 这里包括编译内核所需的大部分头文件 , 与平台无关的头文件放在include/linux子目录下 , 各类驱动或功能部件的头文件( /media、 /mtd、 /net等), 与体系相关的头文件 arch/arm/include/ , 与平台相关的头文件路径arch/arm/mach-s5p6818/include/mach
  • init 内核初始化代码,其中的main.c中的start_kernel函数是系统引导起来后运行的第1个函数, 这是研究内核工作过程的起点
  • ipc 内核进程间通信代码
  • kernel 内核管理的核心代码, 此目录下的文件实现了大多数linux系统的内核函数, 体系结构相关的代码在arch/arm/kernel
  • lib 与体系结构无关的内核库代码,与系统调用相关 , 与体系结构相关的内核库代码在arch/arm/lib下
  • mm 与体系结构无关的内存管理代码 , 与处理器体系结构相关的代码在 arch/arm/mm下
  • net 网络部分代码, 其每个目录对应于网络的一个方面
  • scripts 存放一些脚本文件, 如配置内核时用到的make menuconfig命令等

Linux kernel组成:

img

image-20200701160147862

Linux内核部分模块:

进程管理、 进程调度、 系统调用、 中断处理、 下半部和工作队列、 内核同步、 定时管理、 内存管理、虚拟文件系统、 块设备、 网络子系统、 进程地址空间、 模块机制等等…

Linux编程风格 :

像所有其他大型软件项目一样, Linux制定了一套编码风格

跟选择一个唯一确定的风格相比, 到底选择什么样的风格反而显得不是那么重要

编码风格的主要规范伴随着Linus一贯的幽默,都记录在内核源码的Documentation/Coding Style中了。

制定编码风格的目的, 是为了提高编程效率, 吸引更多的开发者眼球

缩进

  • 采用制表符(Tab)进行缩进, 而不是空格
  • 禁止制表符和空格混合使用

花括号使用如下:

if (flag) {
	fun();
	//...
}

void fun (void)
{ 
	//..
}

if (flag)
	fun();
//...

命名规范

  • Linux规定名称中不允许使用混合大小写字符
  • 单词之间用下划线分隔
  • 避免取有疑惑的简单名称, 如pad(), 应该写成 platform_add_devices()

代码长度

  • 每行尽量不超过80个字符(可进行有意义分行切割)
  • 函数体代码长度尽量不超过两屏
  • 函数局部变量尽量不超过十个
  • 根据函数使用频率和函数体大小可以使用inline声明, 以提高调用效率

注释

  • 一般情况用于描述代码可以做什么和为什么要做, 尽量不写实现方式
  • 函数的修改和维护日志统一集中在文件开头

在程序中对ifdef的处理

一般不这么用:

//...
#ifdef CONFIG_FUN
	fun();
#endif
//...

而是在声明处使用ifdef

#ifdef CONFIG_FUN
void fun (void)
{
	//...
} 
#else
inline void fun (void) { }
#endif

其他

  • 指针中的“ *” 号应靠近变量名, 而不是类型关键字
  • 函数之间用空行隔开
  • 函数导出申明紧跟在函数定义的下面

代码风格的事后修正

indent命令是大多数Linux系统中都带有的工具, 当得到一段与内核编码风格大相径庭的代码时, 可以通过这个工具进行
调整:

#indent -kr -i8 -ts8 -sob -l80 -ss -bs -psl
<filename>

Linux内核启动引导过程

了解Linux镜像的格式及其产生过程

Linux内核有多种镜像格式:

Image : 直接生成并且无头部未压缩的内核, 一般用于PC机

zImage : Image的压缩版, 采用gzip进行压缩, 比Image体积小,但启动时需要进行自解压, 嵌入式系统中一般采用此种方法

uImage : 是u-boot专用的一种内核镜像格式, 它是在zImage的基础上又添加了一个长度为64字节的标签头, 在u-boot启动时会去掉此头信息, 仍按zImage启动, 头信息主要用于区分不同格式的内核镜像

xipImage : 片上执行的未压缩内核, (如norflash等)

zImage镜像产生过程:

vmlinux -> Image -> compressed / vmlinux -> zImage

vmlinux 是由以下内核代码生成的非压缩镜像 (arch/arm/kernel/head.s、 kernel/、 mm/、 fs/、 ipc/、 crypto/、 lib/、drivers/、 net/等等)

Image 是使用objcopy工具对vmlinux进行二进制化处理得到的镜像

arch/arm/boot/compressed/vmlinux由压缩的Image和 compressed/head.S、 misc.c等文件组成

zImage是由compressed/vmlinux使用objcopy工具二进制化得到

再对zImage加上头部就成为了uImage

image-20200701161524245

boot.img的生成过程 :

image-20200701161846753

boot.img是使用一种文件系统打包工具制作的, 相当于把各种非必须文件打包在一起成为一整个文件, 然后被烧写进设备

Linux内核的启动过程大体上可以分为3个阶段:

内核解压( 汇编+C)

  • 主要由arch/arm/boot/compressed/对zImage完成解压(C语言),并跳转到下阶段代码

板级引导阶段( 汇编)

  • 主要进行对cpu和体系结构的检查、 cpu本身的初始化以及页表的建立等

通用内核启动阶段( C语言)

  • 进入init/main.c文件, 从start_kernel开始进行内核初始化工作,最后调用rest_init

由rest_init()创建并进入内核第一个线程, 线程函数为 kernel_init()

在kernel_init()中会初始化各种驱动并建立起标准输入/ 标准输出/错误输出, 最后调用

在init_post()中会释放初始化内存段, 标志着内核启动完成, 并努力寻找一个用户进程, 通过kernel_execve()函数加载, 将该进程作为系统的第一个用户进程init,进程号为1

内核启动完成, 接下来就是用户的事儿了

Linux内核的配置与编译

Linux内核配置裁剪过程

make menuconfig

Linux内核编译过程

根据配置裁剪的结果配合Makefile完成内核编译

Linux内核这一配置编译机制

把驱动程序v_motor_driver.c(振动马达驱动)添加 到内核源码来验证整个过程

在Linux2.6以后的版本中, 文件的组织是通过 Kconfig 和 Makefile 来实现的

通过每层目录的 Kconfig 和 Makefile 实现了整个Linux 内核的分布式配置

  • Kconfig: 对应内核模块的配置菜单
  • Makefile: 对应内核模块的编译选项

Kconfig包含了当前目录下所有模块的配置

子目录的Makefile在被顶层Makefile调用时, 会负责编译当前目录下的所有模块

当有新的模块被加入时, 需要更改当前目录下的Kconfig文件, 并且更改对应的Makefile文件, 这样在最终编译之前, 可以通过

make menuconfig 对需要添加的模块进行配置和添加

当保存make menuconfig时, 系统除了会自动更新.config外, 还会将选项以宏的形式保存在内核根目录下的include/generated/autoconf.h文件下

当执行make menuconfig时, 配置工具会自动根据根目录下的ARCH变量读取arch/$(ARCH)/Kconfig文件来生成配置界面, 这个文件是所有文件的总入口, 其它目录的Kconfig都由它来引用, 如图所示:

image-20200701165024280

ARM平台为例讲解其具体配置过程

当执行make menuconfig时, 系统首先读取 arch/arm/Kconfig生成整个配置界面

在读取配置界面的同时, 系统会读取顶层目录下的.config文件生成所有配置选项的默认值

当修改完配置并保存后, 系统会更新顶层目录下的.config文件

当执行make时, 各层的Makefile会根据.config文件中的编译选项来决定哪些文件会被编译到内核中, 或编译成模块

Kconfig语法格式可以参考具体文件, 如:drivers/char/Kconfig

# SPDX-License-Identifier: GPL-2.0
#
# Character device configuration

# comment: 注释信息, 菜单和.config文件中都会出现
# string: 字符串; hex: 16进制的数; int: 10进制的数
# choice/endchoice: 表示选择性的菜单条目

# menu/endmenu: 表示生成一个菜单
menu "Character devices"
# source: 用于包含其它Kconfig
source "drivers/tty/Kconfig"
#config代表一个选项的开始,最终会出现在.config中(会自动增加一个CONFIG_前缀)
config DEVMEM
	#bool代表此选项仅能选中或不选中,bool后面的字符串代表此选项在make menuconfig中的名字
	bool "/dev/mem virtual device support"
	#default: 默认选项值
	default y
	help
	  Say Y here if you want to support the /dev/mem device.
	  The /dev/mem device is used to access areas of physical
	  memory.
	  When in doubt, say "Y".

config DEVKMEM
	bool "/dev/kmem virtual device support"
	# On arm64, VMALLOC_START < PAGE_OFFSET, which confuses kmem read/write
	# depends on:依赖其余的选项
	depends on !ARM64
	help
	  Say Y here if you want to support the /dev/kmem device. The
	  /dev/kmem device is rarely used, but can be used for certain
	  kind of kernel debugging operations.
	  When in doubt, say "N".

source "drivers/tty/serial/Kconfig"
source "drivers/tty/serdev/Kconfig"

config TTY_PRINTK
	#tristate: 代表可以选择编译、 不编译、 编译成模块
	tristate "TTY driver to output user messages via printk"
	depends on EXPERT && TTY
	default n
	---help---
	  If you say Y here, the support for writing user messages (i.e.
	  console messages) via printk is available.

	  The feature is useful to inline user messages with kernel
	  messages.
	  In order to use this feature, you should output user messages
	  to /dev/ttyprintk or redirect console to this TTY.

	  If unsure, say N.

config VIRTIO_CONSOLE
	tristate "Virtio console"
	depends on VIRTIO && TTY
	# select: 表示当前config被选中时, 此选项也被选中
	select HVC_DRIVER
	help
	  Virtio console for use with hypervisors.

	  Also serves as a general-purpose serial device for data
	  transfer between the guest and host.  Character devices at
	  /dev/vportNpn will be created when corresponding ports are
	  found, where N is the device number and n is the port number
	  within that device.  If specified by the host, a sysfs
	  attribute called 'name' will be populated with a name for
	  the port which can be used by udev scripts to create a
	  symlink to the device.

//....

endmenu

将自己开发的内核代码加入到Linux内核中, 需要有3个步骤:

把自己编写的代码放到内核中合适的位置

把自己开发的功能增加到Linux内核的配置选项中, 使用户能够选中这项功能并编译

构建或修改Makefile, 根据用户的选择, 将相应的代码编译到最终生成的Linux内核中去

将 振动马达的驱动添加进内核为例 , 讲解配置机制的具体应用

添加步骤如下:

Step1: 将v_motor_driver.c拷到drivers/char/目录下

Step2: vi driver/char/Kconfig,在Kconfig文件结尾, 在endmenu的前面加入一个config选项

config 6818_VMOTOR
	bool "The Vibration motor driver ofr S5P6818"
	default y
	help
		The driver for Vibration motor device

endmenu

Step3: make menuconfig(添加配置选项)

Device driver —> character devices —> [*] The Vibration motor driver for S5P6818

Step4: vi driver/char/Makefile添加内容如下:

obj-$(CONFIG_6818_VMOTOR)		+= v_motor_driver.c

Step5: make (更新内核镜像到开发板)

Step6: 交叉编译 测试程序, 并放到开发板运行

arm-linux-gcc v_motor_test.c -o v_motor_test

./v_motor_test 1

Linux3.4.39内核移植

以Linux3.4.39内核在开发板上的移植为例, 学习如何从一个纯净的Linux内核编译、 配置得到适合在一个特定平台运行的镜像。 具体移植步骤如下:

  • 源码解压
  • 添加BSP
  • 修改顶层和BSP下Makefile
  • 修改链接地址机器ID号并拷贝默认配置文件
  • 移植串口驱动支持
  • emmc驱动移植
  • ext4文件系统的支持移植
  • 内核配置、 编译

练习:

  • 添加键盘驱动到Linux-3.4.39
  • Linux-3.4.39内核移植
  • Linux-3.4.39内核LCD移植
  • Linux-3.4.39内核修改开机logo
小白自制Linux开发板 :Linux内核与文件系统移植 该界面和u-boot配置一样,所以操作方式也是一样的,上下键移动选项,使用空格键进行选中或取消选择,同样通过空格键或回车键,进入子选项配置,通过Tab键选择保存和退出即可返回上级菜单或命令行界面,也可以直接双击Esc键返回上级目录。退出TF卡,插入开发板,上电,按重启,我们就可以看到u-boot启动完成后,自动进入了内核启动环节,但是启动后一会就报错了,因为挂载文件系统产生错误。如图,图中的配置可能与读者实际内容不一致,这是因为我改了很多东西,忽略即可,只需要关注红色框中的内容即可。 阅读详情

相关推荐

linux内核移植到开发板步骤

1 解压缩内核源码 2 给源码打补丁 3 配置   a  make(完全手动)   b 使用默认的配置,在上面修改     在arch/arm/configs/找到对应的配置文件   xxxdefconfig   执行make xxxdefconfig   执行完成以后会产生一个.config文件    执行 make menuconfig 就可以修改自己的配置项了   c

q751197694的博客 3325

Linux 内核移植

Linux 内核移植——添加开发板、CPU主频修改、网络驱动修改、图形化配置文件

weixin_46829095的博客 4107

鸿蒙南向开发:快速移植Linux内核方法

OpenHarmony = OpenHarmony内核态层 + OpenHarmony用户态层

IPFlechazo的博客 898

鸿蒙开发攻略:Linux内核移植全解析

本文介绍了Linux内核移植的基本流程和验证方法。主要内容包括:1) Linux内核移植概述,基于4.19 LTS版本;2) 适配编译步骤,涉及config文件准备、芯片补丁处理及编译调试;3) 烧录启动注意事项;4) 验证流程,重点说明根文件系统制作、init进程调试和shell验证。文章还提供了NFS配置示例,并强调内核移植过程中需要针对不同芯片进行特定配置和调试。通过详细步骤说明,帮助开发者完成Linux内核移植工作。

adaedwa187545的博客 1249

OpenHarmony(鸿蒙南向开发)——标准系统移植指南(二)Linux内核

本文面向希望将OpenHarmony移植到三方芯片平台硬件的开发者,介绍一种借助三方芯片平台自带Linux内核的现有能力,快速移植OpenHarmony到三方芯片平台的方法。

鸿蒙开发知识记录 1821

OK6410开发板Linux内核移植和编程

通过以上步骤,我们成功完成了OK6410开发板上Linux内核的移植,并进行了相应的编程。在本文中,我们将探讨如何将Linux内核移植到OK6410开发板,并进行相应的编程。完成内核移植后,我们可以启动OK6410开发板并运行新移植的Linux内核。编译完成后,我们需要将编译生成的内核映像文件移植到OK6410开发板中。在获取内核源代码后,我们需要根据OK6410开发板的硬件特性进行相应的配置。现在,我们已经成功移植了Linux内核到OK6410开发板,可以开始编写应用程序或进行系统级开发。

2301_79325657的博客 255

正点原子嵌入式linux驱动开发——Linux内核移植

正点原子linux驱动开发学习笔记,这一篇的重点就是移植Linux内核的方法

xhj12138的博客 3095

linux内核移植步骤

1.解压内核源码    tar -jxvf linux-xxx.tar.bz2    或者    tar -zxvf linux-xxxx.tar.gz 2.清除之前的配置 clean – 清大部分生成的文件, 但是保留配置文件, 以及可以保证足够编译模块的信息。 mrproper – 清所有的生成文件, 以及配置文件, 以及各种备份文件 distclean – mrproper 效果 + gedit 备份文件+补丁文件, 这最彻底的清除。 第一次配置前需要清除垃圾,以防有别人配置过的垃圾 3.拷贝配置文件到顶层目录生成.config文件   make xxxx_defconfig   或者

[转载] 移植linux4.14内核到4412开发板

最近法师收到了很多留言,其中有一部分问法师什么时候更新,还有一大部分问法师我是买迅为的IMX6UL精英版好呢还是买4412精英版好呢,因为我们这俩个都不贵。法师的建议的是入手4412!为什么呢? 第一,4412是三星第一款经典处理器,为三星创造了辉煌,是当年在国内红得发紫的GalaxyS3手机的主控,他的出现,开启了手机和平板的四核时代,让手机和平板变得流畅,可以说,...

Chihiro_S的专栏 1175

(蓝桥杯)STM32G431RBT6(SysTick timer)

选用最基础的定时器。

2301_81764359的博客 1903

Kalibr标定避坑指南:如何用AprilGrid板快速完成双目IMU标定

本文详细介绍了使用AprilGrid板进行Kalibr双目IMU联合标定的实战技巧,包括标定工具选型、数据采集优化、标定流程及结果验证。通过AprilGrid板的唯一标识性和抗遮挡优势,结合IMU静止标定和运动激励设计,显著提升标定精度。文章还提供了常见报错处理和高级优化技巧,帮助开发者高效完成传感器标定。

sunny的博客 282

Linux系统移植18:NXP官方开发板Linux内核编译和移植

修改顶层 Makefile,直接在顶层 Makefile 文件里面定义 ARCH 和 CROSS_COMPILE 这两个的变量值为 arm 和 arm-linux-gnueabihf-,创建shell脚本方便一键编译编译NXP官方EVK开发板对应的Linux系统,默认配置文件存放路径arch/arm/configs。最终编译出:zImage和 imx6ull-14x14-evk-emmc.dtb,imx6ull-14x14-evk.dtb。

weixin_45783574的博客 691

第150篇 激光雷达点云分割——地面分离、聚类分析和物体提取

本文介绍了点云分割的三种经典几何方法:RANSAC地面分离、欧式聚类和区域生长。RANSAC通过随机采样拟合平面实现地面分割,欧式聚类基于空间距离进行物体分割,区域生长则结合法线信息提升分割精度。文章对比了各种方法的优缺点,提供了参数选择建议,并指出实际项目中常组合使用这些方法。最后给出了面试应答技巧,强调几何方法速度快、可解释性强等优势,适合大多数机器人项目的实时需求。

郑伟强dev的专栏 192

Linux内核的移植,裁剪和Linux驱动的移植或开发似乎是一体的。

Linux内核的移植,裁剪和Linux驱动的移植或开发似乎是一体的。 《精通linux设备驱动程序开发》 《精通linux设备驱动程序开发》P376

自主无人机 PX4 ROS SLAM 路径规划 MVS等技术分享 417

【Autoware】2小时安装Autoware1.13(保姆级教程)

Autoware是一款“一体化”开源自动驾驶软件,能实现感知、决策、控制等功能,通过在Ubuntu中搭建Autoware开发环境和案例的运行,使大家对自动驾驶技术的实现有一个更清晰的认识。

DevFrank的博客 1万+

【MT7628】固件开发-SDK4320添加MT7612E WiFi驱动操作说明

【MT7628】固件开发-SDK4320添加MT7612E WiFi驱动操作说明

wgl307293845的博客 2081

6818Linux内核开发移植

uImage : 是u-boot专用的一种内核镜像格式, 它是在zImage的基础上又添加了一个长度为64字节的标签头, 在u-boot启动时会去掉此头信息, 仍按zImage启动, 头信息主要用于区分不同格式的内核镜像。vmlinux 是由以下内核代码生成的非压缩镜像 (arch/arm/kernel/head.s、 kernel/、 mm/、 fs/、 ipc/、 crypto/、 lib/、drivers/、 net/等等)

实力派,无需多言! 1035

[SV]SystemVerilog状态机实现案例

本文介绍了SystemVerilog中状态机的实现方法。首先使用枚举类型定义状态(TOP_HIB、TOP_BG、TOP_LDO、TOP_NOR),然后通过三个主要任务实现状态机:1)格式化现态寄存器处理状态转换;2)描述状态转移条件,包括计时器和稳定时间判断;3)基于当前状态和输入信号确定次态。状态机在时钟边沿或复位时更新状态,实现了从休眠到正常工作状态的转换逻辑,包含电源稳定时间检测等关键功能。

元直的博客 2022

移植Linux 3.4.2内核到JZ2440开发板(超精讲)

Linux 3.4.2内核移植到JZ2440开发板 0、开发环境 虚拟机:VMware workstation 16 pro 宿主机操作系统:Ubuntu 16.04 开发板:JZ2440 移植内核版本:Linux 3.4.2 1、内核下载及内核启动流程简述 1.1 点击上述链接,找到需要得内核版本(此文使用Linux3.4.2) 点击Linux内核下载地址获取内核源码 获取后放到Linux系统上解压:tar -jxf linux-3.4.2.tar.bz2 Linux内核有3万多个文件,可以

Leon的博客 2989

在MATLAB和Simulink中设计并仿真一个智能建筑能效优化系统

智能建筑能效优化是现代建筑管理的重要组成部分,旨在通过智能化手段降低能源消耗、减少碳排放并提高居住舒适性。通过Simulink进行智能建筑能效优化仿真,可以验证控制策略的有效性、优化系统设计并降低开发成本。以下是如何在MATLAB和Simulink中设计并仿真一个智能建筑能效优化系统的详细步骤。通过上述步骤,我们成功设计并实现了基于Simulink的智能建筑能效优化仿真。该系统能够模拟复杂的建筑环境,验证能效优化策略的有效性,并通过优化设计提高建筑的能源利用效率和居住舒适性。

xiaoheshang_123的博客 139

YOLOv11 改进入门篇 | 从原理到代码:CBAM 注意力模块的插入与涨点验证

本文介绍了如何在YOLOv11模型中插入CBAM注意力模块以提升检测性能。CBAM包含通道和空间注意力两个子模块,通过双池化操作和MLP学习特征权重。文章详细解析了CBAM原理,提供了PyTorch实现代码,并建议在YOLOv11的Stage-3和Stage-4之间插入CBAM。实验表明,该方法在COCO数据集上使nano和small模型的mAP提升1.7-2.3个百分点,参数量仅增加0.27%,推理延迟增加0.1ms。最后给出了插入位置选择、通道缩减比等调优建议,验证了CBAM作为轻量级注意力模块的有效性

shrgegrb的博客 1302

解锁Linux内核移植:开启嵌入式开发新世界

Linux 内核移植作为嵌入式开发的关键环节,涵盖了从准备工作到内核编译安装的一系列复杂步骤,每一步都需要开发者精准把控。从挑选合适的内核版本、搭建交叉编译环境,到对内核源码进行细致修改、精心配置以及完成编译安装,每个环节都环环相扣,任何一个小的失误都可能导致移植失败。在这个过程中,串口打印异常、文件系统挂载故障、驱动适配难题等常见问题也时刻考验着开发者的技术能力和耐心。但通过对硬件连接、配置参数、驱动程序等方面的仔细排查和针对性解决,这些问题都能逐一攻克。

大雨淅淅的博客 1150

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

嵌入式linux内核移植及驱动开发,基于ARM9的Linux内核移植和USB驱动开发

基于ARM9的Linux内核移植和USB驱动开发(任务书,毕业论文,21000字,程序)摘 要随着现代计算机技术和互联网的飞速发展,嵌入式系统成为当前IT行业最热门的焦点之一。而ARM以其高性能低功耗的特性成为目前应用最广泛的32位嵌入式处理器,嵌入式Linux也凭借其功能强大、免费以及开发资源丰富等优势占据了嵌入式操作系统的主导地位。以Linux为OS的嵌入式系统已大量普及,在上面开发USB驱...

weixin_42501035的博客 667

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

移植linux4.14内核到四核Exynos4412开发板

最近法师收到了很多留言,其中有一部分问法师什么时候更新,还有一大部分问法师我是买迅为的IMX6UL精英版好呢还是买4412精英版好呢,因为我们这俩个都不贵。法师的建议的是入手4412!为什么呢? 第一,4412是三星第一款经典处理器,为三星创造了辉煌,是当年在国内红得发紫的GalaxyS3手机的主控,他的出现,开启了手机和平板的四核时代,让手机和平板变得流畅,可以说,到目前为止,4...

mucheni的博客 1283

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

linux内核移植到开发板,移植较新(Linux3.19)内核至mini2440开发板(一)

CPU: ARM920T [41129200] revision 0 (ARMv4T), cr=c000717fCPU: VIVT data cache, VIVT instruction cacheMachine: Ginger's boardMemory policy: Data cache writebackCPU S3C2440A (id 0x32440001)Built 1 zoneli...

weixin_39566593的博客 180
上一篇: 射频识别技术RFID
下一篇: 6818Linux内核开发移植
onnx
博客等级 码龄5年 1万+粉丝 416原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

onnx

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值