Android系统 —— 无线连接Android设备进行adb调试

使用ADB在无线模式下调试APP 使用ADB在无线模式下调试APP – 前言:感谢我滔哥,教会我用ADB 一、什么是ADB – ADB的全称为Android Debug Bridge,翻译过来就是安卓调试桥,它是Android SDK里提供的一个桥接PC和安卓设备的工具,通过它可以直接操作管理android模拟器或者真实的android设备。ADB的主要功能有: 运行设备的shell(命令行) 管理模拟器或设备的端口映射 计算机和设备之间上传/下载文件 将本地apk软件安装至模拟器或android设备 ADB是一个 客户端-服务器端 程序 阅读详情

1. 将Android设备和电脑连接到同一个局域网内

Android设备连接网络后,可以从网络设置上看到ip地址(例如:172.32.1.150)

2. 创建adb的tcp监听端口

先用线连接Android设备,然后执行下列操作(两个方案选其一)
方案一: 临时方案,重启失效

adb tcpip 5555

方案二: 永久方案,重启不失效

#命令:
adb root && adb remount && adb shell
echo service.adb.tcp.port=5555>>/system/build.prop && exit
adb reboot

#注解:
#1.如果"adb remount"不好用,可以使用"adb shell mount -o remount,rw /system"
#2.上面echo的那句命令的意思是将"service.adb.tcp.port=5555"添加到build.prop文件内容的末尾

3. 拔掉之前的调试线,用无线连接adb

adb connect 172.32.1.150:5555    #如果提示connected to 172.32.1.150:5555就可以用了。

后记:

1. adb remount的时候出现错误如下:

W Disabling verity for /vendor
E Skipping /vendor
E failed to remount partition dev:/dev/block/bootdevice/by-name/system mnt:/: Permission denied
/system/bin/remount exited with status 10
remount failed

解决方法: 执行adb disable-verity,重启以后再次执行adb remount就可以了。

adb 无线连接 操作Android设备 adb USB 或者 wifi 控制安卓手机 扩展一下可以自动滑动看视频 阅读详情

相关推荐

adb 通过 无线连接手机

adb无线连接调试

weixin_40533164的博客 3078

【Android】ADB无线连接Android设备

不要再用有线连接啦,试试adb无线连接吧

宾有为的博客 9818

ADB连接全攻略:从原理到实战,解决安卓调试连接难题

ADB(Android Debug Bridge)是安卓开发与调试的核心工具,它基于客户端-服务器架构,通过命令行接口实现电脑与安卓设备的深度交互。理解其工作原理有助于解决驱动冲突、授权失败等常见连接问题。在工程实践中,ADB的价值不仅体现在应用安装、日志抓取等基础操作,更在于其支持无线调试、多设备管理等高级功能,能显著提升开发和测试效率。无论是进行移动应用调试、自动化测试,还是执行系统级操作,掌握ADB的配置与排错技巧都至关重要。本文聚焦USB调试和无线连接等高频场景,提供从环境搭建到实战命令的完整解决方

adr5970的博客 484

android 通过 Wi-Fi adb连接到设备

Android 11(API 级别 30)及更高版本支持使用 Android 调试桥 (adb) 从工作站以无线方式部署和调试应用。例如,您可以将可调试应用部署到多台远程设备,而无需通过 USB 实际连接您的设备。这样,您便无需处理常见的 USB 连接问题,例如驱动程序安装方面的问题。在开始使用无线调试功能之前,请执行以下操作:确保您的工作站和设备已连接到同一无线网络。

五味香的专栏 4238

Mac系统安装配置ADB全攻略:从Homebrew到实战命令详解

Android Debug Bridge(ADB)是谷歌官方提供的核心命令行工具,它构建了计算机与Android设备之间的调试桥梁。其工作原理基于客户端-服务器架构,通过USB或网络协议实现通信,为开发者提供了底层设备访问能力。在技术价值上,ADB极大简化了应用调试、系统测试和自动化操作流程,是Android开发、自动化脚本编写和移动设备管理的基石工具。典型的应用场景包括应用安装卸载、日志抓取、屏幕录制、文件传输以及自动化测试等。本文聚焦于Mac平台,详细解析通过Homebrew包管理器安装配置ADB的最佳

weixin_30540691的博客 374

Android实现无线连接ADB调试

无线连接ADB(Android Debug Bridge)进行调试,是一种方便的远程调试方式,尤其适合在没有USB线或者设备物理接触不便的情况下使用。

郭宝的博客 7978

Adb总结

ADB是什么?:adb的全称为AndroidDebug Bridge,就是起到调试桥的作用。通过adb我们可以在Eclipse,AS中方面通过DDMS来调试Android程序,说白了就是debug工具。ADB的工作方式比较特殊,采用监听Socket TCP 5554等端口的方式让IDE和Qemu通讯,默认情况下ADB会daemon相关的网络端口,所以当我们运行Eclipse时a...

153

安卓ADB工具的全方位应用指南

在安卓开发和测试领域,ADB(Android Debug Bridge)是一个至关重要的工具。它的存在,让开发者和测试者能够实现与安卓设备的深层次交互,无论是在设备信息的获取、应用的安装与管理,还是在系统的调试和日志捕获方面,ADB都能提供强大的支持。简而言之,ADB是一个通用命令行工具,它允许用户与安卓设备进行通信。它为开发者和测试者提供了一种方式,以命令行的形式,远程控制安卓设备,执行各种调试和开发任务。

weixin_28872035的博客 1117

macOS系统安卓设备连接完全指南:从问题诊断到高效应用

在macOS系统中连接安卓设备时,用户常常面临各类兼容性问题,这些问题的根源往往与系统架构、安全策略和协议差异相关。 ### 常见连接问题表现 当macOS无法正常识别安卓设备时,通常会表现为以下几种情况:设备连接后无任何反应、仅充电不显示文件系统、文件传输中断或速度异常缓慢、开发者选项中的调试功能无法启用。这些问题在不同场景下可能由不同因素引起,需要系统性排查。 ### 深层技术原因分析 m

gitblog_01152的博客 495

精通ADB:安卓调试工具的全面指南

Android Debug Bridge (ADB) 是一个多功能命令行工具,允许开发者与Android设备进行通信。它可以执行各种操作,包括应用安装和卸载、文件传输、数据同步和系统级调试,成为开发者和测试人员不可或缺的工具。

weixin_42527665的博客 1369

电力-平衡式IEC 60870-5-101规约报文解析

本文详细介绍了电力自动化中平衡式IEC 60870-5-101规约的应用,包括链路建立与初始化、对时、遥控操作、数据上送和总召唤等关键步骤,通过实例解析了报文格式和交互过程,是理解配网自动化通信的重要参考资料。

让你爱上电路设计 5687

adb设置安装终端无线连接

要使用adb指令获取终端的 IP 地址,你可以借助以下的adb shell命令来实现。在不同的操作系统中,具体的操作步骤会稍有不同。

baidu_39440470的博客 2345

AHB协议中hreadyout和hready_in的区别

上面这张时序图表明master有两笔写传输,第一笔传输为slave1(s1),传输类型为SEQ,在第一笔传输的第二个周期,也就是第一笔传输的dataphase,此时slave1没有准备好被写数据,因此把s1_hreadyout拉低,但此时slave2已经看到自己的NONSEQ传输了,而且slave2已经是准备好了的。重新拿上面的仿真图看一下,由于前一个周期的s1_hreadyout为低电平,所以s2的hready_in也为低电平,那么该周期s2不会对addr以及控制信号进行采样。就不会出现上面的问题。...

weixin_44101336的博客 2867

三步解决法:Android设备与macOS系统连接问题完全解决方案

当Android设备与macOS系统连接出现问题时,用户常面临文件传输失败、调试功能异常等困扰。本文提供的"三步解决法"将帮助您快速诊断并解决Android macOS连接中的各类问题,确保设备识别、文件传输和开发调试功能正常运行。 ## 一、问题诊断:Android与macOS连接故障排查要点 ### 1.1 连接状态基础检查 **难度系数:★☆☆** 检查USB物理连接状态,确保使用原装

gitblog_00058的博客 644

车企常用架构、通信设计、需求管理工具全汇总

车辆技术是个系统工程,比较大,需要多人协作。“协作”往往需要工具参与,才能保证协作过程的高效、有条不紊。 【文章系转载,出处见图片水印】 今天我们就来捋一捋汽车行业常用的架构、网络开发工具~ Preevision 大名鼎鼎的Preevision,来自大名鼎鼎的Vector。 个人觉得,它是Vector公司最牛逼、最神秘、最高高在上的产品,犹如空谷回响、千里传音,但是很少看到它真正落地。 它最引以为傲的,或许是在给客户做介绍的时候,说“我们甚至能够精确到每一根线束的长度”,但是反观.

MaveDiao的博客 3491

Matlab信号处理——基于BP神经网络的调制信号分类与识别

如果你想要进一步了解更多的相关知识,可以关注下面公众号联系~会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesigner,gui设计、simulink仿真......希望能帮到你!对信号进行采样和处理,得到了一系列特征参数,包括幅度均值、频率峰值、频率平方均值以及相位标准差、修正后的相位标准差。

小嘤熊的博客 1309

解放双手的跨平台神器:QtScrcpy让你的电脑成为安卓设备控制中心

你是否曾经遇到过这样的困扰?想要在电脑上操作手机应用,却只能在小小的手机屏幕上点点划划;需要同时管理多台安卓设备时,频繁切换让人眼花缭乱;或者想要在电脑上玩手游,但触屏操作总是不够流畅。 今天,我要向你介绍一款能够彻底解决这些痛点的跨平台神器——QtScrcpy。这款免费的**Android投屏工具**不仅能让你的安卓设备屏幕实时显示在电脑上,还能通过键盘鼠标进行精准控制,甚至实现无线连接和多设

gitblog_00470的博客 354

OCR模型轻量化新思路:用ONNX Runtime加速PP-OCRv4推理(附性能对比测试)

本文详细介绍了如何利用ONNX Runtime对PP-OCRv4模型进行轻量化部署与推理加速。通过模型导出优化、动态量化、线程绑定及内存复用等技巧,在树莓派、RK3588等边缘设备上实现了超过50%的性能提升,并显著降低了内存占用,为移动端OCR部署提供了完整的优化方案和实测数据对比。

weixin_29063979的博客 497

android-ndk开发(3): 连接设备到开发机

本篇给出了开发机和android设备连接的步骤说明。

baiyu33的博客 835

802.11ax 的OFDMA资源分配详解

802.11ax 引入的最重要的技术就是OFDMA。OFDMA中引入了RU(资源块)概念,也就是20Mhz/40Mhz/80Mhz/160Mhz的带宽可以切割成不同尺寸的RU,分配给不同的用户使用,这样就大大提高了频谱资源的利用率。 常见的RU尺寸有26/52/102/242/484/996,单位是子载波,每个子载波是78.125Khz,这样20Mhz的带宽可以划分为如下图所示的不同RU大小。 按照11ax规范的要求,上下行的数据传输都可以由AP来统一调度,这样上下行的OFDM...

weixin_43408952的博客 1万+

Jetson Nano 【1】入手开箱、烧系统

类似于半开箱哈哈 怀着小期待的心情,屁颠屁颠跑到村口领快递,拿到了这个香喷喷的Jetson Nano 开发板 开箱: 由于太激动了忘记拍点啥,于是在最后留了张全家福 板子的结构: 我觉得这个有必要记录一下,于是去官方文档拿了张图来:官方文档传送 1=SD card 的卡槽,位于第二层板子的背部,也就是大风扇屁股位置 2=40针扩展接头(还没开用) 3=USB的供电口,根据大佬测试(某哩...

椰子奶糖的博客 4198

如何解决Escrcpy安卓设备镜像控制工具连接问题:完整排错指南

Escrcpy是一款基于Scrcpy开发的图形化界面工具,专门用于在电脑上实现安卓设备的屏幕镜像和控制。相比原版Scrcpy的命令行操作方式,Escrcpy提供了更友好的用户界面和增强功能,让普通用户也能轻松使用这项技术。本文将详细解答用户在使用过程中遇到的常见问题,提供实用解决方案。 ## 🔧 快速开始:5分钟上手Escrcpy 在深入解决问题之前,让我们先快速了解如何使用Escrcpy连

gitblog_00434的博客 369

【K210+STM32项目】基于K210与STM32协同工作的智能垃圾分类系统设计与实现(更新3.0版本)(完整工程资料源码)

STM32F407STM32F407_2(含有app功能)

嵌入式技术开发 2498

android设备wifi无线adb调试

android设备wifi无线adb调试

月山知了的博客 2282

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")

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

adb连接设备的几种方式

ADB连接设备的几种方式:USB连接、虚拟设备连接、WIFI连接设备(不需要数据线)

wzx77的博客 3万+

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

AS1.Android studio 的 adb wifi 调试

1. 配置系统环境变量C:\Users\Administrator\AppData\Local\Android\Sdk\platform-tools2. 手机与电脑同局域网,查看手机IP地址(设置-关于手机-状态)3. adb-wifi连接步骤(连接前先卸载360手机助手等软件,手机usb连电脑,运行cmd或者powershell)1)adb shell2)setprop service.adb....

PadKe博客 1804

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

上一篇: repo系列讲解 —— Android系统源码(AOSP)下载
下一篇: Linux系列讲解 —— 【Visual Paradigm】创建UML的流程和一点实用技巧
星际工程师
博客等级 码龄9年 1万+粉丝 57原创
评论 1
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

星际工程师

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