ZYNQ嵌入式Linux驱动挂载解决方案记录

以下内容综合了引用多个博主问题分析,自己实践总结

侵权删

问题:

由于驱动ko在固定版本内核下编译形成,在不同的系统中加载时,会导致与内核不匹配而产生无法加载的问题。即在板子上的新产生的系统中使用命令insmod ./emio_sim_i2c.ko,会产生ERROR  Invalid module forma,具体dmesg中的报错信息是disagree about version of symbol module_layout。

网上https://www.cnblogs.com/wanglouxiaozi/p/17767576.html

记录的查询方法:

查看emio_sim_i2c.ko的module_layout值:

modprobe --dump-modversions ./emio-sim-i2c.ko

0xa6966dff     module_layout

然后查看利用本次创建系统的内核编译生成的驱动模块的module_layout值,

比如newchrled.ko:

modprobe --dump-modversions ./newchrled.ko

0x5a808186    module_layout

如上所示,模块加载报错的原因之一,是其它系统下编译的emio_sim-i2c模块 module_layout值不匹配导致模块加载时报错。

其中的主要原理如下

ko文件运行在Linux内核中,运行时会调用Linux内核提供的接口。

由于Linux内核版本演进非常快,内核提供的接口可能经常发生变动。

为了保持Linux内核运行稳定,Linux采用的策略是:

编译ko文件时,确定了它调用的所有Linux内核接口的版本。

装载ko文件时,检查它调用的Linux内核接口版本,如果与当前Linux内核提供的接口版本完全致,则可以装载,否则拒绝装载。                       

原文链接:Linux:如何突破内核模块验证的限制?_linux ko如何不依赖于内核版本-优快云博客

这个在Xilinx提供的编译的内核文件中目录include/generated 提供了UTS_RELEASE定义,

引用https://blog.youkuaiyun.com/qq_44771694/article/details/129336145

它会被在inclue/linux下的vermagic,h引用,用来编译生成vermagic标记,在加载驱动的时候就会第一层校验这个vermagic的值,看看内核版本是否一致

查询板子系统的内核版本:uname -a

查询驱动文件的vermagic:modinfo ./emio_sim_i2c.ko;

在insmod报错vermagic不匹配时才考虑去修改vermgic

双校验

Linux加载内核驱动的在过了vermagic的校验后,还会进行CRC的校验,这是如果在当前内核文件中编译出驱动,CRC值是根据一系列计算,

Linux内核为每个接口计算一个CRC整数值

例如: t0xa6966dff      module_layout

编译ko时,针对是某个内核版本,把每个接口的CRC值都记录在ko文件中,即接口的版本信息。

装载ko时,与当前内核的接口CRC值进行比较,即接口版本比较。

在内核文件中由Module.symvers这个文件提供导出的信息,来完成CRC计算和校验

解决方法

1.在有源文件的下,直接在指定在当前系统的文件路径下编译驱动模块,在Makefie里载入路径make KLIB=/path_to_kernel_source/ KLIB_BUILD=/path_to_kernel_source/

指定KLIB和KLIB_BUILD为当前内核源码的路径去编译,问题即可解决。

2.没有源文件则直接修改驱动KO文件里所有不匹配的crc的值

        列出ko文件调用的所有内核接口

        在记录CRC值的文件中,找到接口对应的CRC值

        修改ko文件中接口的CRC值

        用modprobe --dump-modversions <文件>

             

实际是修改了上面标黄的8个的值才通过了CRC的验证,成功加载

具体要修改哪些应该看在板子上加载时

修改后用insmod加载不报错,成功加载

能在挂在的设备中找到

具体代码修改的是一个博客的分享,目前忘记出处,暂不贴出来。

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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