MTK6573智能机平台系统文件夹文件详解1

MTK手机刷机以及刷镜像 所需工具准备 1.MTK刷机工具 2.手机要升级的版本 3.镜像包 刷机开始之前,手机先关机,然后开始~ 1.打开刷机文件,如下 2.Download-Agent选择刷机文件中的MTK_AllInOne_DA.bin文件 3.选择开发给的版本中的刷机文件 4.然后选择Firmware Upgrade 点击Download,手机USB与电脑连... 阅读详情

MTK6573智能机平台系统文件夹文件详解1

 

欢迎转载收藏,转载请保留如下信息:

Mr.ROM出品

Email: iammrrom@gmail.com

Blog: http://blog.sina.com.cn/mrrom1

一。前言

2011年,mtk终于在智能机平台上发力,希望能从传统的一家提供功能手机的TurnKey解决方案的平台提供厂商过渡到3g时代的智能手机平台提供商的战争中的一员。其推出的mt6573在市场上大获好评,甚至在一段时间出现了供不应求的现象。

而基于MT6573的手机也在中低端市场占据了一定份额。包括联想, 中兴,华为等大厂商均推出了基于mt6573的手机,直接对高通的72xx系列平台造成巨大的压力,甚至导致高通的7225a平台大幅降价,可见MT6573平台,以及MTK传统上掌握的TurnKey解决方案的威力。

这一系列文章,将对MT6573平台手机的文件结构做比较综述性的阐述,并对大部分文件都进行简单释义,乃至给出参考信息的链接,使得读者可以很方便的进行进一步的学习,获取更多的知识。


二。/system文件夹结构概览

 

众所周知,Android系统是基于Linux搭建的,其架构在Google的开发者网站上有详细解释,其架构示意图如下:

MTK6573智能机平台系统文件夹文件详解1

可以看到,Android系统实际上是由Linux Kernel, Libraries, Android Runtime, Application Framworks以及Applications这几大模块构成的。而一个标准的Android系统(MTK平台),如果用adb shell ls /这个命令去查看的话,其结果如下:

MTK6573智能机平台系统文件夹文件详解1

 

其中的system目录就是我们分析的目标,因为前面Google绘制的架构图中的绝大多数文件都是存放在system目录中的。现在网络上流行各种各样的刷机包,也有一些有组织有计划的团队在制作第三方的固件系统,例如著名的cm,还有国内追捧者很多的MIUI,它们修改的目标,其实就是手机中的/system这个目录。

而/system这个目录,其结构如下:

MTK6573智能机平台系统文件夹文件详解1

 

对照着前面的Android系统架构图,以及考虑到Android本身是基于Linux的事实,以上的目录分为如下的几类:

1。linux固有的目录:

  • bin

  • etc

  • lib

  • usr

  • xbin

2。Android加入的目录或文件

  • build.prop

  • app

  • fonts

  • framework

  • lost+found

  • media

  • res

  • secro

  • vendor

3。特殊第三方软件的目录

  • yahoo


如下我们就从build.prop这个文件开始浏览整个目录吧。

MTK6573智能机平台系统文件夹文件详解4 - bin目录 MTK6573智能机平台系统文件夹文件详解4 - bin目录 欢迎转载收藏,转载请保留如下信息: Mr.ROM出品 Email: iammrrom@gmail.com Blog: http://blog.sina.com.cn/mrrom1 Weibo: http://weibo.com/mrrom1 现在让我们把目光投入到bin目录。bin目录 阅读详情

相关推荐

联发科AP文件BP文件写串码IMEI

联发科AP文件BP文件 用于写iMEI

刷机包各个文件都是啥

arm 平台的bootloader 方案mediatek(mt6516/6517) : bootROM + pre-loader[l5] + U-boot 1:preload_wt97055.bin (和flash 相关的东西,pre-loader 是执行在ISRAM 区,作用与boot1/boot2 相同) 2:MBR(MBR 为Master Boot Record,第一阶段所用的boo

2231

红米Note写IMEI_WIWI_SN必备AP和BP文件

红米Note写IMEI_WIWI_SN必备AP和BP文件

MTK下载AP

只升级选Firemare Upgrade ,点下载后,关机下插入USB。

chenhao0568的专栏 2129

【ESP32开发】——开发环境搭建(VSCode+PlatformIO)

本章内容主要介绍ESP32的开发环境搭建(基于VSCode+PlatformIO)的流程与相应的注意事项,避免开发ESP32止于环境搭建!在项目的维护过程中,可以更好地管理和更新代码、调试问题,并且能够快速适应和采用新的功能、库或硬件平台。:VSCode 的代码提示和自动补全功能,以及 PlatformIO 的管理工具,都能帮助你编写规范、格式良好且易于阅读的代码。:Arduino 框架是一种简单、易用的嵌入式开发框架,适用于快速原型开发和小型项目。需要选择对应自己开发的开发板型号。

m0_61934621的博客 8423

linux redis7 完整的集群搭建过程

一。安装: 1.1 说明: Redis官方只提供了源码,并没有提供经过编译之后的安装包。 因此,安装Redis,要先编译、后安装。(即源码安装方式) 注意:需要联网安装 1.2 安装编译的工具: yum install gcc gcc-c++ -y 1.3 下载tar包,上传到linux服务器,解压配置环境变量 1.4 cd +解压的目录下:编译 make 注意:如果编译失败,请重新进行解压编译,...

m0_38028438的博客 719

MTK6573智能机平台系统文件夹文件详解3 - App目录

MTK6573智能机平台系统文件夹文件详解3 - App目录 欢迎转载收藏,转载请保留如下信息: Mr.ROM出品 Email: iammrrom@gmail.com Blog: http://blog.sina.com.cn/mrrom1 Weibo: http://weibo.cn/mrrom1 app目录是系统的预置软件的存放所在地。下图是Mr

MrROM的专栏 5666

CentOS7下Node.js v20+安装与常见依赖库问题解决指南

本文详细介绍了在CentOS7系统下安装Node.js v20+的完整流程及常见依赖库问题的解决方案。通过升级glibc到2.28+、配置环境变量以及处理libstdc++版本问题,帮助开发者顺利在老旧系统上部署最新版Node.js,提升开发效率。

weixin_30689307的博客 159

MTK6573智能机平台系统文件夹文件详解2-build.prop

MTK6573智能机平台系统文件夹文件详解2-build.prop   欢迎转载收藏,转载请保留如下信息: Mr.ROM出品 Email: iammrrom@gmail.com Blog: http://blog.sina.com.cn/mrrom1 build.prop是一个很重要的文件,它记录了系统的一些重要属性。在Android系统中,“属性”是一个很重要

MrROM的专栏 2566

NVIDIA DRIVE SDK深度解析(一)——核心组件与安全架构设计

本文深度解析NVIDIA DRIVE SDK的核心组件与安全架构设计,涵盖DriveOS、加速库和应用框架三层架构,以及虚拟化与安全隔离机制。重点探讨了安全岛设计、媒体处理流水线和功能安全监控体系,为开发者提供自动驾驶系统开发的实战建议和性能优化技巧。

weixin_28704565的博客 567

WorkBuddy KiCad 实战:国产 AI 搭子不只会写代码,传感器板从零走到可审查

真正可用的 PCB 教程不能承诺“一键打样”。本课把 WorkBuddy 放在需求拆分、文件生成和审查记录的位置,KiCad 负责 ERC、DRC 与制造文件,工程师负责最终判断。 本课不会用“AI 一键完成”制造错觉,而是把 WorkBuddy、KiCad 8.0、Python 3.11 与人工审阅组成一条可复现链路。你会从“已确认的接口表、器件库来源、板框与电源方案”出发,得到“KiCad 工程、原理图、初始 BOM、ERC 报告与审查记录”,并学会用真实命令、错误信号和停止条件判断成果能不能进入下一阶

yueyeguzhuo的专栏 234

MTK 智能机平台系统文件夹文件详解

MTK6573智能机平台系统文件夹文件详解3 - App目录 欢迎转载收藏,转载请保留如下信息: Mr.ROM出品 Email: iammrrom@gmail.com Blog: http://blog.sina.com.cn/mrrom1 app目录是系统的预置软件的存放所在地。下图是Mr.ROM的开发机的app目录的结构: 这里的文件都是

xujiangang_mmi的专栏 3067

基于LED可见光通信的物联网系统设计_344

随着物联网技术的不断发展,传统无线通信在工业环境中面临电磁干扰强、通信质量不稳定等问题。为此,本文设计了一种基于LED可见光通信的物联网系统,实现工厂车间内设备状态的稳定、高效、低干扰数据传输。系统主要由设备节点、设备主机、华为云物联网服务器以及可视化上位机构成。 设备节点采集机器的出货量、运行状态、机身温度等关键信息,通过调制后的LED可见光信号发送至设备主机。主机利用红外接收器接收光信号后进行解调处理,并通过WIFI模块将数据上传至华为云IOT服务器。

347

如何编辑、打包system.img文件

各位使用MTK提供的flash_tool进行刷机时,有否注意到刷机包中有一个system.img文件?实际上 不管是何种平台,Android系统代码编译完成后,都会生成system.img这个文件。 它是Android系统最重要的目标文件,其中包含整个Android部分的镜像 本文介绍如何解包、编辑、重新打包此文件。   1. system.img文件的格式   system.img文件

Mars Huang 5189

Oracle EBS Interface/API(49)- AP付款取消API

Oracle EBS AP付款取消API介绍和简单实例

陈显平的专栏-Oracle EBS 850

SAP GR(Group Reporting)配置篇(五)

1.5、合并的货币换算1.5.1指定折算比率菜单路径组报表的SAP S4HANA >合并的货币换算>-指定折算汇率事务代码GCRF说 明1.5.2维护汇率菜单路径组报表的SAP S4HANA >合并的货币换算>维护汇率事务代码CXCC/OB08说 明实际测试的时候根据实际情况维护汇率。输入换算比率。1.5.3定义汇率标识符菜单路径组报表的SAP S4HANA >合并的货币换算>定义汇率标识符事务代码OC41说 明配置了月末汇率和平均汇率。

weixin_43853754的博客 555

分离android文件系统

分离android文件系统:     1)file ramdisk.img     2)cp ramdisk.img ramdisk.img.gz     3)gunzip ramdisk.img.gz     4)mkdir ramdisk     5)cd ramdisk     6)cpio -i -F ../ramdisk.img        7)ls --------

houyizi337825770的专栏 1261

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

MTK手机软件系统的目录结构

MTK手机软件系统的主要目录如下所示,一些相对不重要的目录略去。 [code="java"]. |-- Fast_DL |-- ROM |-- adaptation |-- applib |-- bootloader |-- config |-- custom | |-- app | | `-- TOP_6227_BB | |-- common ...

buluzhai的专栏 485

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

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")

MTK手机官方ROM提取教程

市场上越来越多能满足各类普通终端用户需求的安卓手机了,制造商们发布新设备的频率越来紧凑!就在这近期的短短数月,我们已经看到非常多的八核手机投入抢购行列,与此同时,我们也见证了中低端便携设备走向没落。但是,制造商总是尝试引导用户远离对设备的拥有完整的使用权限以确保设备拥有更长的寿命。可是,只有当用户自己获得了对手机的完整控制权才能真正发掘安卓设备的强大能力,而不是制造商。所以,很多的开发者和黑客开发了能够**并让用户获得完成权限脚本和工具,例如非常常见的Root!...............

键盘的起始页 1万+

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

MT6573芯片资料集锦芯片MTK6573_环境搭建

mt6573是一个高度集成的3.75g基带系统芯片平台,它包含了先进的功能比如hspar6调制解调器,676mhzarm11cpu,opengl2.03d图形,8m相机isp,可编程硬件视频编器,和fwvga(854X480)显示。 mt6573可以帮助手机制造商建立高性能3.75克智能手机手...

chouli6841的博客 843
下一篇: MTK6573智能机平台系统文件夹文件详解2-build.prop
MrROM
博客等级 码龄15年 3粉丝 4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
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