ESP32_IDF前端命令开发全过程

本文详细介绍了使用ESP-IDF进行ESP32开发的全过程,包括创建新工程、添加组件、设置目标芯片、配置项目、编译与烧录、监视器操作、擦除Flash、内存检查以及清理编译文件等内容。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

仅供本人查阅

开端

如需在 ESP32 上使用 ESP-IDF,请安装以下软件:
ESP-IDF Windows Installer Download
Linux 和 macOS 平台 Installer Download
设置 工具链,用于编译 ESP32 代码;
编译构建工具 —— CMake 和 Ninja 编译构建工具,用于编译 ESP32 应用程序;
获取 ESP-IDF 软件开发框架。该框架已经基本包含 ESP32 使用的 API(软件库和源代码)和运行 工具链 的脚本。

在这里插入图片描述

1. 创建新工程(create-project)

“idf.py create-project-path ”是ESP-IDF提供的一个命令,用于创建一个新的项目目录结构,并将必要的义件和模板复制到该目录中。

idf.py create-project wlj_led

── wlj_led
──├──main
────├──wlj_led.c
────├──CMakeLists.txt
──├──CMakeLists.txt

2. 创建新组件(create–component)

“idf.py create-component:”创建一个新的组件,包含构建所需的最基本文件集。一般存放第三方组件,如编写的驱动程序等。
下面是这个命令的参数解析和使用方法。

cd led
idf.py create-component led

在这里插入图片描述
── led
──├──include
──────├──led.h
──├──led.c
──├──CMakeLists.txt

mkdir components
mv led C:\Users\93254\Desktop\esp32s3_test\wlj_led\components

在这里插入图片描述

── components
──├──led
────├──include
────────├──led.h
────├──led.c
────├──CMakeLists.txt

目前文件结构

── wlj_led
──├── main
────├── wlj_led.c
────├── CMakeLists.txt
──├── components
──├──├── led
──├────├── include
──├────────├── led.h
──├────├── led.c
──├────├── CMakeLists.txt
──├── CMakeLists.txt

3. 设置目标芯片

“ idf.py set-target ”命令用于设置工程的目标芯片。由于ESP-DF支持多款乐鑫SoC芯片,新建工程时默认会选择ESP2类型的芯片。因此,如果我们希望创建个针对ESP32-S3类型的工程,就必须使用此命令来指定该工程的目标芯片为ESP32-S3。
target :目标芯片,可使用“idf.py --list-targets”命令查看支持的芯片类型。

idf.py --list-targets

在这里插入图片描述
设置工程的目标芯片

idf.py set-target esp32s3

编译工程并生成 sdkconfig

注意:“idf.py set-target’”命令将清除构建目录,并从头开始重新生成sdkconfig文件。旧的sdkconfig文件将保存为sdkconfig.old。

4. 配置项目

“idf.py menuconfig”这个命令会启动一个文本用户界面,允许开发者为他们的ESP32或其他Espressif SoC芯片系列的项目配置各种选项。如下图所示:

idf.py menuconfig

选择component config–>FreeRTOS–>然后单核就选中Run FreeRTOS only on first core,双核就不选。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

5. 编译工程

编写wlj_led.c

#include <stdio.h>

void app_main(void)
{
    printf("Hello MEIYOUYUDI");
}

“idf.py build”命令用来编译当前项目工程。如下所示:

idf.py build

6. 烧录程序

“idf.py -p PORT flash”这个命令用来把编译出来的可执行文件烧录到ESP32-S3芯片当中。
注意:烧录之前必须调用“idf.py build’”命令编译项目工程,编译完成后方能烧录代码。

比如:windows下COM3口:

cd build
idf.py -p COM3 flash

linux下ACM0口:

idf.py -p dev/ttyACM0 flash

查询Linux下的烧录口:
输入指令:ls /dev/tty* 插上设备后多出来的就是对应的烧录口

在这里插入图片描述
ESP32烧录bin,乐鑫下载工具使用flash_download_tool
ESP32【分区表】

7. 打开监视器

“idf.py -p PORT monitor’”命令用来监控当前项目。监控之前必须安装USB虚拟串口驱动以及开发
板上的USB串口接入到电脑当中,才能监控当前项目工程。

注意:请按“Ctl+]”快捷键退出监控器

idf.py -p COM3 monitor

在这里插入图片描述

8. 一次性编译烧录并打开监视器

idf.py -p COM3 flash monitor
idf.py -p /dev/ttyACM0 flash monitor

9. 擦除设备flash

idf.py -p PORT erase_flash

10. 查询内存剩余

idf.py size

在这里插入图片描述

11. 清除编译文件

①“idf.py clean’”命令
②“idf.py fullclean”命令
②这个命令则更为彻底,它会删除整个build目录下的所有内容,包括所有的CMake配置输出文件。这意味若下次构建项目时,CMake将需要从头开始配置项目,重新生成所有的构建输出文件。

idf.py fullclean

在这里插入图片描述
在这里插入图片描述

### 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,从而提升整体性能。 ```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整注意力权重分布,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 2
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

打赏作者

没有余地 Meiyouyudi

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
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