qte for arm的编译过程

HiRuyue HiRuyue 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 700+累计阅读 786平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄14年
关注
转载 最新推荐文章于 2026-03-31 02:27:26 发布 786 阅读 AI 写同款· GEO 优化 ›
编译QTE时遇到的uic问题及解决过程 在网上看到有人谈QTE的时候说道，"如果你要做Qt/Embedded的开发，最好把Qt/Embedded编译成为两个版本，一个是主机版，一个是 目标版" 。 当时不明白为什么。后来发现，果然。。。。需要QTE支持的东东，往往都需要用到uic这个TOOLS。。。而这个工具总会出错。 原来，uic命令是在编译QT时候生成的，它可以把Designer设计的界面文件(*.ui)转换成 阅读详情
自从接触qte以来，便觉得 qte在 众多嵌入式GUI中算上层的，其构建很清晰，充分利用了c++的继承、多态等，读了部分源码很有收获。写应用程序还可以在pc上用qt designer，在写GUI程序的时候很方便，想把程序放到板上去跑，很容易，在qmake的时候加上-spec cross就可以了。

现在我把以前如何交叉编译qte，和在交叉编译中遇到的问题以及如何解决等大概整理一下。

先到
http://ftp.citkit.ru/pub/qt/source/
去下载了qte-3.4的源码，解压，先cp一份，并把其中一份命名为qte－arm，因为我们需要先编译pc上的qte，得到两个工具，bin/moc、bin/uic，我们写的qte程序里面的信号糟等，需要用moc工具来“解析”（具体的可以去qiliang的主页看看），而我们的目标环境是arm，所以我们编译出来的moc工具是arm-elf格式的，这在X86的机子上是不能运行的。uic工具是在编译QT时候生成的，它可以把Designer设计的界面文件(*.ui)转换成为相应的C++文件(*.cpp和*.h)，然后让gcc进行编译，（这个倒不是很重要，因为我们在写代码的时候根本没用qt designer ^_^）。编译pc上的qte很容易，直接一个./configure就行了，当然也可以自己去 配置 各自需要的东西，不过我们的重点在于qte for arm。

把qte－ host 中的bin/moc、bin/uic copy到qte－arm的bin下面，接着就可以开始编译qte for arm了。
当然，我们要有arm的交叉编译器，如果没有，自己去找一个，找不到的话自己去编译一个。
在pxa255B上有自带的arm-linux-编译器，在其lib下面也有很多arm的库，这可以节省很多工作了。因为在交叉编译qte时需要很多其他的库，例如：jpeg.so、stdc++.so、libuuid.so（这个是在交叉编译qpe的时候需要）等。刚开始的时候由于缺少了stdc++.so，在编译的时候老是出现错误，ld：can't find stdc++，一般的交叉编译器工具都会有stdc++.so的， 很不幸我们这个没有。后来自己去整出了一个交叉编译器，也是2.95.3的，库的版本一定要一致，不然也是会出错的，没想到整出来的的stdc++是一个静态库，不料静态库的也行，奇怪ing...

1）先export环境变量
比如：
export QTDIR=/qte/qte-3.3.4
export QTEDIR=$QTDIR
export PATH=$QTDIR/bin:$PATH
export LD_LIBRARY_PATH=$QTDIR/lib:$LD_LIBRARY_PATH

2）我建议在编译前先把./configure -help看熟悉了，这样任务已经完成一大半了。
我的configure 配置 如下:
./configure -embedded arm -shared  -no-cups  -thread -no-stl -qt-libpng -system-libjpeg -qt-libmng -qt-imgfmt-jpeg -disable-network -disable-sql -disable-xml -qt-mouse-linuxtp -qt-kbd-key -qvfb -depths 4,8,16
下面我一一解释一下：
-embedded arm 是表示目标环境是arm
-no-cups 是表示不用打印这个功能，一般都是加上这个的，因为很少有打印的库。
-thread 需要多线程
...其实所有的参数是看一下./configure -help的输出就都明白了，我就不翻译了。
在这里需要注意的是-system-libjpeg -qt-imgfmt-jpeg -qt-mouse-linuxtp -qt-kbd-key这几个 配置 ，这些都是和项目相关的。

刚开始我想qte支持png、jpeg、mng等格式，就加上了-qt-libmng、-qt-libjpeg、-qt-libpng，没想到编译出来的qte库只支持png，我们可以用命令readelf来查看qte库都支持哪些功能：
readelf -a libqte-mt.so.3.2.1 | grep png

输出了一大堆的关于png的函数和变量，这说明了qte库支持png，但是我把上面的指令中的png改为jpeg，只输出了一个函数，why？
我到src/Makefile里面去看看，发现原来编译的时候关于jpeg的只是编译了qjpegio.cpp，而关于png的不止有qpngio.cpp，还有src/3rdparty/libpng目录下的一大堆源程序，但是为什么src/3rdparty/libjpeg里面的源程序就不编译进去呢？
我看了一下3rdparty里面的Makefile，内容如下：
PNGMAK=scripts/makefile.linux
all:
        cd zlib; ./configure; make
        cd libpng; make -f $(PNGMAK)
clean:
        -cd zlib; make clean
        -cd libpng; make -f $(PNGMAK) clean
很明显是Makefile的问题，那为什么Makefile里面就不包含jpeg的呢？如果要改那该如何改呢？无奈何，再去仔细地看一遍help，果然，我漏掉了这个 配置 -plugin-imgfmt-， （-plugin-imgfmt- Enable  to be linked to at runtime）所以我加上了-system-libjpeg -qt-imgfmt-jpeg ，表示要用系统的jpeg库。

-qt-mouse-linuxtp -qt-kbd-key这两个 配置 是和触摸屏和按钮有关的，这两个后面再介绍了。

3）然后make sub-src
这一步是编译生成库文件，但不编译其他的（如tools、examples目录下的东西）。
编译完成会在lib目录下生成库
比如（有thread支持的是libqte-mt.so）：
libqte.so -> libqte.so.3.3.4
libqte.so.3 -> libqte.so.3.3.4
libqte.so.3.3 -> libqte.so.3.3.4
libqte.so.3.3.4
上面编译出来的qte库只有7M多，有的人编译出来的有30多M，这主要是 配置 参数-debug、-release的作用。一般默认的是-release,编译生成的库会很小。


本文来自ChinaUnix博客，如果查看原文请点： http://blog.chinaunix.net/u/8800/showart_114705.html
收录于
QT

当前文章被收录于：

QT
45 篇文章 0 人学习
订阅专栏 查看详情
深度剖析E680G开发四.移植OPIE操作系统(中)-交叉编译Qte 深度剖析E680G开发四.移植OPIE操作系统(中)-交叉编译Qte草木瓜20060924一、前言        虽然是E680系列的开发环境，其实就是嵌入式方面的知识。在上文详细了解了E680g系统结构，图形化发展历程，到这篇文章就要实实在在去做了。    最早移植成功的是一位外国人，我也是通过阅读他的文章了解到OPIE的移植过程，不过他写的文章比较简练，接受起来比较困难。下面是英文 阅读详情

相关推荐

arm-qte-4.8.5-20131207.tar

arm qte 4.8.5 20131207

你用的ARM处理器该选择哪个编译器？

现在的嵌入式开发大部分都是ARM处理器了，从MCU级别的M0，M3，M4，M23，M33，到MPU级别的ARM9，ARM11，ARM-A5x，ARM-A7x。开发者很少去注意使用的编译器，一般都是使用的是IDE自带或者开发板（芯片）厂家提供的编译器。等碰到问题百度时候最终才发现很多问题和编译器有关，如果一开始就对编译器有个基本的了解完全可以避免类似问题，下面就系统的介绍一下ARM编译器的选择和使用。 1. ARM处理器的分类 1.1. 按系列分类 - Cortex-M系列（通用微处理器） 包括Cortex-

tiantao433的博客 3676

Keil MDK安装NRF52832开发环境全攻略（附系统时间错误解决方案）

本文详细介绍了如何使用Keil MDK搭建NRF52832开发环境，包括基础软件安装、项目配置关键步骤以及常见问题解决方案。特别针对系统时间错误导致的编译失败问题提供了实用解决方法，帮助开发者快速上手NRF52832开发。

weixin_29168153的博客 505

arm三大编译器的不同选择编译

ARM 系列目前支持三大主流的工具链，即ARM RealView (armcc), IAR EWARM (iccarm), and GNU Compiler Collection (gcc). 在core_cm3.h中有如下定义： /* define compiler specific symbols */ #if defined ( __CC_ARM ) #...

weixin_30485799的博客 1015

Altium Designer 16安装教程（Windows11、小白教程）

Altium Designer 16在Windows11中的超详细安装教程

qq_47003770的博客 1万+

10分钟上手YOLOv11：最强姿态估计模型来了，代码开源，效果炸裂！

【10分钟玩转YOLOv11实时姿态估计】🚀 YOLOv11作为YOLO家族最新成员，在速度、精度和易用性上全面升级，尤其适用于姿态估计等复杂视觉任务。本文带您快速掌握： 1️⃣ 核心概念：姿态估计即识别人体17个关键点（如关节部位）并连接成数字骨架，是智能健身、体感游戏等应用的基础。 2️⃣ 技术优势： 超轻量级（最小仅2.9M参数） 极速推理（GPU仅1.7ms） 高精度（COCO mAP@50-95达50%） 3️⃣ 三步实操： ① 安装：pip install ultralytics ② 准备人物

weixin_41246802的博客 1784

ARM Linux平台QTE+tslib移植后感

前言：此时此刻的心情可以用兴奋与悲哀一同的形容。兴奋，是因为经过两周“不懈努力”、“执着”地追求，终于达到了预期的目标；悲哀，是因为作为一个“IT打工仔”只能整天默默地为资本家们做着贡默。时逢金融风暴，做好份内的事，也许是最好不过了……想说的话太多，只是无处抒发而已。：)不说了，现在让我们开始移植之旅吧。Here we go!1。开发环境PC+VMWARE+RED FLAG+交叉编译器

timequark的专栏 7003

论文阅读：Visual Relationship Detection with Language Priors

Visual Relationship Detection with Language Priors(ECCV2016) 文章   尽管大多数的relationship并不常见，但是它们的object和predicate却更频繁地独立出现。paper用这个insight分别独立训练训练object和predicate的模型，然后再进行组合来预测relationship。Visual relatio...

Kivee的博客 2877

交叉编译QTE源码包

概述:    QT程序的移植过程主要是程序的编辑和交叉编译QT程序. 交叉编译QT程序时需要交叉编译好的QTE库. 本文主要针对于GEC2410开发板,在PC机端交叉编译QTE的源码包,从而得到交叉编译的QTE库.;;; 在PC机上调试好QTE程序后, 需要把QTE程序移植到ARM平台上. 移植最重要的环节是交叉编译QTE程序.;; 交叉编译QTE程序需要两个条件: ;     1 交叉编译器 (

langxing0508的专栏 1847

避坑指南：在Ubuntu 22.04上配置UR5e与ROS2 Humble真机通信的完整流程

本文详细介绍了在Ubuntu 22.04上配置UR5e机械臂与ROS2 Humble真机通信的完整流程，包括环境准备、网络配置、URCap安装、ROS2驱动部署及控制器状态验证等关键步骤。特别针对常见问题如网络连接失败、驱动启动错误等提供了实用解决方案，帮助工程师高效完成UR5e与ROS2的集成工作。

weixin_30790841的博客 462

建行报专版报道建设银行金融科技发展历程

经过十多年的建设，总行前中后台部门都有了自己的业务系统，但系统“部门”特征显著，渠道、客户、产品的横向整合不足，产品系统层次化、结构化、参数化程度不高，渠道支持产品快速部署以及跨渠道服务能力不足，管理分析类系统建设相对滞后，系统较弱的可扩展能力在应对高速增长的交易量时已疲态尽显，同时安全稳定运行的压力和风险日益积聚。站在新的历史起点上，科技条线将聚焦主责主业，完善信息科技管理体系，紧紧围绕安全生产中心任务，持续推动技术能力复用共享和自主可控，为全行做好金融五篇大文章，推动业务高质量发展提供技术支撑。

银行信息系统应用架构详解 383

移植QtE文件系统到ARM平台

平台：PC（Ubuntu16.04LTS） 目标平台：ARM Cortex A9 (迅为iTop4412开发板) 交叉编译器：arm-2014.05-29-arm-none-linux-gnueabi-i686-pc-linux-gnu.tar.bz2（arm-none-linux-gnueabi-gcc 4.8.3） Qt版本：Qt5.7.1 移植流程： 1. 编译器安装 2....

君子性非异 962

4 屏 + 8 摄像头一开，谁在悄悄拖慢你的座舱域控？

如果你觉得座舱卡顿：❌ 别第一反应怪 SoC❌ 别盲目堆算力。

weixin_43199439的博客 148

fedora源码编译arm-qte-4.8.5

这是一个关于fedora系统编译tiny210交叉编译链（arm-qte-4.8.5）的个人笔记。

DEBUG的专栏 1980

RH850从0搭建Autosar开发环境【3X】- Davinci Configurator之BswM模块配置详解(上)

RH850从0搭建Autosar开发环境【3X】- Davinci Configurator之BswM模块配置详解(上)

weixin_42412049的博客 736

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

QTE及QPE在ARM板上的移植

 QTE及QPE在ARM板上的移植所需软件工具包:tmake -1.11.tar.gz(tmake-1.13)qt-embedded-2.3.7.tar.gzqtopia-free-1.7.0.tar.gzqt-x11-free-2.3.2

lzx5201314的专栏 677

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

ARM架构tslib库的移植以及Qte的移植

1：本来加入了配置位深的参数-depth 16,18,24 \结果我的屏是32的位深，运行程序果断报位深相关错误，所以直接取消配置，让其选择默认配置（查看configure文件默认是8，16，32的位深配置了）因此Qte可以在嵌入式Linux系统中没有 X11库的环境下构建独立的图形用户界面，而且不会占用太多的嵌入式系统资源。Qte：Qt/Embeded for linux. 它是用于嵌入式 Linux 系统的 Qt 版本，也是一套界面库，至此Qt的移植操作已经完成，可以运行demos下面的例程了。

XrdyqCby的博客 565

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

使用ARM开发详细步骤

使用ARM开发详细步骤一、编译QTE库一般，如果你要做Qt/Embedded的开发，最好把Qt/Embedded编译成为两个版本，一个是主机版，一个是目标版。1. 下载QTE在获得Qt/Embeded的源码（free版的源码可在www.trolltech.com下载）之后，将其分别解压到两个目录（比如：/qte/qte-3.3.4-host/和：/qte/qte-3.3.4-target/）2.

张彤的专栏 2003

Ubuntu下QTE的安装

最近想学习嵌入式Linux的qt应用开发（mini2440+Ubuntu），故需要先搭建一个QTE的开发环境。由于只是接触Linux一小段时间，所以对Linux也不是很懂，在搭建QTE时也折腾了一个多星期，故把安装成功的记录写下来，也方便遇到同样问题的朋友快速解决困扰。 安装环境： Ubuntu 14.04.2 gcc版本：4.6.4 g++版本：4.6 arm-linux-gcc 版本

szdxlyx的博客 1351

qte和linux的区别,Linux下QtE开发环境的搭建

这只是个人笔记，希望能帮助大家开发工具。arm-linux-gcc-4.3.2.tar.gzQtE-4.5.1-arm.tar.gz嵌入式Linux的QtE库，已经编译好了，直接可以用，arm-liunx-gcc-4.3.2，友善的micro2440编译好的ts库，可以直接使用，在友善mirco2440上测试通过，稳定tslib-1.4.tar.gz上面的文件下载在Linux公社的1号FTP服务器...

weixin_34483980的博客 316

移植QTE时钟到UP-MobNet-II实验箱LED显示屏

移植QTE动态时钟到UP-MobNet-II实验箱LED显示屏 文章目录实验箱信息实验目的实验内容实验环境实验原理1、Qt/Embedded 简介2、QtE 的特征3、Qt/E 与 Qt/X11 的比较实验步骤 实验箱信息 名称 移动互联网教学科研平台Ⅱ型 型号 UP-MOBNET-Ⅱ 编号 03019024 批号 32017040520 实验目的 1. 了解在 Linux 下安装 Qt 的基本步骤 2. 学会 Qt/E 在 ARM 设备上的移植方法与步骤 3. 了解Q

Lazy_Goat的博客 5172

QtE库编译配置选项

• 在QtE库编译的时候，可以根据需求来配置，迅为提供的是已经配置 好的。用户如果有其他功能的需求，可以自行配置。 • 打开Qte源码中的“build-all”文件。如下图，可以看到 “./configure”后面的配置，通过这些配置可以确定编译出来库的属 性。 • 通过“./configure --help”可以查看每一个配置的具体含义 – -opensource自由版本（免费的） – -e...

Linux_zhicheng的博客 438

Linux手机DIY.移植软件专题.Qt/Qte的编译环境

 Linux手机DIY.移植软件专题.Qt/Qte的编译环境草木瓜  于 2006-11-15一、序  一个偶然的想法，把在夏新E600出现Segmentation Fault的QT程序放在MotoE680上运行，居然也出现了Segmentation Fault。我突然意识到问题可能不是原先设想的那么复杂，我简单的看下QT的Makefile，又经一系列测试，发现造成Segmentaio

草木瓜 8763
上一篇： The specified system/compiler is not supported
下一篇： 移植QT4.7.1到arm-linux设备上
点赞 0
评论 0
书签 书签 0
HiRuyue
HiRuyue
博客等级 码龄14年 47粉丝 17原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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
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