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
200+累计阅读
255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
本文中，我将解释嵌入式产品的需求定义。
嵌入式产品开发过程中，从硬件开发、软件开发、制造工艺开发到维护等生命周期各阶段，均需进行需求定义。此外，在原型开发阶段与量产开发阶段，需求定义的优先级和权重存在差异，因此在原型阶段可能出现返工情况。
本次整理了嵌入式产品需求定义的清单。虽然不同产品可能存在差异，但希望能对您有所帮助。
是电子元件抽象层开源软件的缩写。Open-Source Software for Electronic Components Abstraction Layer
Qwen2.5-VL模型微调实战：从零到部署的完整流程（附避坑指南）
本文详细介绍了Qwen2.5-VL视觉语言模型从零开始的完整微调与部署流程。内容涵盖使用LLaMA-Factory进行LoRA微调的关键参数配置与避坑指南，以及如何将训练好的模型权重合并，并最终利用vLLM高性能推理引擎进行部署，为开发者提供了一套可落地的实战方案。
嵌入式产品开发全流程：从需求到落地的完整指南
本文系统介绍了嵌入式产品开发的全流程，从需求定义到市场认证的完整路径。开发过程分为三大阶段：需求与设计阶段重点明确功能、性能、成本和应用场景需求，完成软硬件架构设计；开发与调试阶段实现硬件PCB设计制作、软件分层开发及系统联调；试产与认证阶段通过小批量试产验证生产工艺，完成产品认证获取市场准入资格。整个流程环环相扣，强调量化指标、模块化设计和问题闭环，为开发团队提供了一套从技术实现到产品落地的系统方法论。文章最后指出各阶段常见风险点，并倡导从业者交流优化开发实践。
未隔离电源设备使用usb转串口调试导致串口模块爆炸烧坏事故记录
这个事就发生在前两天，我们公司的wifi模块被客户用到了咖啡机上，客户寄了一台整机给我们协助调试，还送了几包咖啡豆，本想着还能打个咖啡喝一喝的，但就在咖啡机刚寄过来第一天，就出事了。而这个事故的发生，竟然仅仅是因为同事接了个串口模块到电脑调试打印导致的。谁也想不到，这个3.3V的供电的wifi模块居然还有这么大的威力。直接将usb转TTL串口模块的转换芯片给爆开了，咖啡机也给弄坏了，据同事描述当时情况就只见到一片火光和一声巨响，状况比较惨烈，所幸的是笔记本电脑没有烧坏，但是直接给崩蓝屏了。 ...
开发嵌入式产品需要写哪些文档？
关注+星标公众号，不错过精彩内容来源|圆锥的布袋编排 | 嵌入式云IOT技术圈俗话说，只会写代码的工程师不是好的工程师，这句话不是没有道理的，初学者可能不理解，但过来的老司机肯定知道。一款产品如果需要长期维护、销售，肯定避免不少开发文档。这里给大家讲述一下开发嵌入式产品常见的文档：1）产品需求文档：描述产品的特性2）功能需求文档：描述产品必须具备的功能3）工程说明文档：描述系统实现的方法和满足...
MTK手机传感器驱动开发避坑指南：从SCP代码大小限制到Overlay加载流程详解
本文详细解析了MTK平台传感器驱动开发中的常见问题，包括SCP代码大小限制、Overlay加载流程及客制化传感器集成。通过实战案例和优化策略，帮助开发者高效解决MTK传感器驱动开发中的技术难题，提升开发效率。
【云原生技术】sonar的官方web接口，获取质量阀结果的接口
以下是一个示例思路，说明如何调用 SonarQube 的质量阀查询接口并在前端展示“哪些条件没过”。假设前端使用 AJAX 或 fetch 从后端接口拿到 SonarQube 返回的 JSON（或直接前端请求 SonarQube API），前端再把解析结果展示给用户。测试覆盖率 (Coverage) 当前仅有 60%，未满足最低 80% 的要求，需要补充测试或优化以提升覆盖率。接口），就会返回相应的质量阀状态信息；里使用它来查询当前质量阀（质量门）的状态。，你用它即可获取该次分析的质量阀状态。
需求分析-1
需求分析做得好，才能够使设计的产品满足市场需求，有了明确的需求才能够确定产品的ID设计方案、结构设计方案、硬件设计方案和软件方案。 1.1功能需求 硬件系统常见的功能需求有：供电方式及防护、输入与输出信号类别及处理、无线通信功能。明确了功能就可以对要完成的功能选择不同厂家的芯片来实现所需功能。 1.2整体性能要求 要求包括输入输出数据的处理能力，系统工作对温湿度环境的要求，系统无故障稳定工
YOLO11 锚框机制全解析：从改进 K-means 聚类到自适应优化，附多场景实战（附代码）
摘要 YOLO11的锚框机制采用"自适应、动态化、场景感知"的设计理念，通过数据驱动的锚框生成、多尺度感知分配和实时优化策略，显著提升目标检测性能。相较于早期YOLO版本，YOLO11的锚框完全基于训练集目标分布自适应生成，并引入智能分配策略，使不同尺寸目标获得最优匹配。技术架构包含自适应锚框生成、多尺度分配器和动态优化模块，通过改进的K-means聚类和交并比计算实现精准匹配。YOLO11锚框机制在检测精度、训练稳定性和场景适应性方面均有显著提升，为复杂场景下的目标检测提供更优解决方案
如何从零开始开发一款嵌入式产品
与日常生活中的大多数事务一样，设计一个嵌入式产品的过程也必须从确定目标开始，对生产的产品进行明确定义。对产品进行定义主要是对产品是什么和能有什么功能进行描述，其次是在我们的整个开发过程中，应该要撰写一些开发文档，大概的框架的如下：1）产品需求文档：描述产品的特性2）功能需求文档：描述产品必须具备的功能3）工程说明文档：描述系统实现的方法和满足需求的手段4）硬件说明文档：对有关硬件进行描述5）软件或
Bash Shell 系统巡检脚本
部分安全相关检查需要root权限，建议通过sudo运行完整检查。
python中视觉检测怎么将多个面拍照的图片合成一个3d图像，用什么技术或者什么模型？
🏆本文收录于 《全栈Bug调优(实战版)》 专栏，该专栏专注于分享我在真实项目开发中遇到的各类疑难Bug及其深层成因，并系统提供高效、可复现的解决思路和实操方案。无论你是刚入行的新手开发者，还是拥有多年项目经验的资深工程师，本专栏都将为你提供一条系统化、高质量的问题排查与优化路径，助力你加速成长，攻克技术壁垒，迈向技术价值最大化与职业发展的更高峰🚀！
如何从零开始开发一款嵌入式产品【总结自其他网友文章】
细节原文见底部参考文章 设计一个嵌入式产品的过程也必须从确定目标开始，对生产的产品进行明确定义。对产品进行定义主要是对产品是什么和能有什么功能进行描述，其次是在我们的整个开发过程中，应该要撰写一些开发文档，大概的框架的如下： 1）产品需求文档：描述产品的特性 2）功能需求文档：描述产品必须具备的功能 3）工程说明文档：描述系统实现的方法和满足需求的手段 4）硬件说明文档：对有关硬件进行描述 5）软件或固件说明文档：描述特定处理器下设计微程序以及固件的方法
1.2 机器人控制系统软硬件平台
工业机器人的软硬件平台架构是影响工业机器人性能和效率的重要因素。良好的软硬件平台架构可以帮助工业机器人更加稳定和高效地完成工作，提高生产效率。正确的软硬件配置还可以提高工业机器人的灵活性和可靠性，使其能够更好地适应不断变化的生产环境。 同时，工业机器人的软硬件平台架构还可以影响工业机器人的安全性和维护成本。如果软硬件平台架构不合适，工业机器人可能出现故障或安全隐患，需要大量的维护和维修费用。因此，选择适当的软硬件平台架构对于确保工业机器人的高效运行和长期使用是非常重要的。
如何从零开始开发一款嵌入式产品（20年的嵌入式经验）
来源：www.armjishu.com 作者：jesse 转载请注明出处 首先，如果你有幸看到这篇文章，千万不要试图在2个小时内阅读完，就算你2个小时阅读完，我相信你也不会理解里面讲解的精华之处，我相信，你应该将此文章，慢慢品尝，这绝对是一篇需要品尝2~3天，再结合自己过往的经验，加上自己的思考，我相信会对你不仅仅是技术能力，甚至包括整体的思维方式都会有一个非常大的提高。
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');```[](https://bitdeli.com/free "Bitdeli Badge")
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
20年的嵌入式经验：如何从零开始开发一款嵌入式产品(值得收藏的高质量文章!)...
来源 | 360doc-圆锥的布袋编辑 | 嵌入式云IOT技术圈首先，如果你有幸看到这篇文章，千万不要试图在2个小时内阅读完，就算你2个小时阅读完，我相信你也不会理解里面讲解的精华之处，...
IMSL CNL 7.0.0 (x86-64)Crack
IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件
怎样设计一款嵌入式产品
首先，如果你有幸看到这篇文章，千万不要试图在2个小时内阅读完，就算你2个小时阅读完，我相信你也不会理解里面讲解的精华之处，我相信，你应该将此文章，慢慢品尝，这绝对是一篇需要品尝2~3天，再结合自己过往的经验，加上自己的思考，我相信会对你不仅仅是技术能力，甚至包括整体的思维方式都会有一个非常大的提高。 我写这篇文章的目的，是用本人20年的嵌入式经验呈现给大家一副完整的产品，项目开发蓝图，用本人多年经
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
如何从零开始开发一款嵌入式产品（20年的嵌入式经验分享学习）
首先，如果你有幸看到这篇文章，千万不要试图在2个小时内阅读完，就算你2个小时阅读完，我相信你也不会理解里面讲解的精华之处，我相信，你应该将此文章慢慢品尝，这绝对是一篇需要品尝2~3天，再结合自己过往的经验，加上自己的思考，我相信会对你不仅仅是技术能力，甚至包括整体的思维方式都会有一个非常大的提高。 我写这篇文章的目的，是用本人20年的嵌入式经验呈现给大家一副完整的产品，项目开发蓝...
如何从零开始开发一款嵌入式产品（转自一老工程师）
http://blog.21ic.com/user1/7767/archives/2011/83569.html 首先，如果你有幸看到这篇文章，千万不要试图在2个小时内阅读完，就算你2个小时阅读完，我相信你也不会理解里面讲解的精华之处，我相信，你应该将此文章，慢慢品尝，这绝对是一篇需要品尝2~3天，再结合自己过往的经验，加上自己的思考，我相信会对你不仅仅是技术能力，甚至包括整体的思维方式
如何从零开始开发一款嵌入式产品（20年嵌入式领域经验）
来源：www.armjishu.com作者：jesse转载请注明出处 我写这篇文章的目的，是用本人20年的嵌入式经验来告诉大家，没有明确的目标，成功将无从谈起。做任何事的第一步必须明确目标。 与日常生活中的大多数事务一样，设计一个嵌入式产品的过程也必须从确定目标开始，对生产的产品进行明确定义。对产品进行定义主要是对产品是什么和能有什么功能进行描述，其次是在我
从零开始开发一款嵌入式产品的一些经验
需求定义用来描述产品的基本功能，对于公司来说，需求一般由该公司的市场销售部门或该公司的主要客户来制定；而对小公司或爱好者(就像armjishu.com里的爱好者一样)，技术人员可以自己负责定义需求，并撰写成文档。通常需求定义是围绕以下几个因素而来：1）系统的用途（定义需要系统实现的各种功能）2）实际输入输出是何种方式实现的（为元器件的选型做参考）3）系统是否需要操作界面（涉及软件层操作系统的选型）
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
593
扫一扫
