Task #6 - Customize the image

最新推荐文章于 2024-03-12 16:45:53 发布
最新推荐文章于 2024-03-12 16:45:53 发布
阅读量1.1k 收藏
点赞数
分类专栏： yotco
本文介绍如何在Yocto平台中自定义图像，包括查找可用图像、使用命令进行搜索、添加新包以及配置本地文件以包含特定包。通过示例展示了如何将包如xinput-calibrator整合到自定义图像中，并介绍了如何使用HOB进行图像创建。此外，还提供了关于添加开发工具和使用不同标签进行图像定制的指南。

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

Task #6 - Customize the image

created by Daiane Angolini on Jul 1, 2013 6:10 AM, last modified by Daiane Angolini on Jul 1, 2013 6:40 AM
Version 1

Don't forget to update your source code.

 

How to customize the image

 

Enter <yocto>/source and find any image available:

 

$ find -name *image*.bb

./meta-fsl-demos/recipes-fsl/images/fsl-image-gui-sdk.bb

./meta-fsl-demos/recipes-fsl/images/fsl-image-test.bb

./meta-fsl-demos/recipes-fsl/images/fsl-image-gui.bb

./meta-fsl-demos/recipes-qt/images/qt-in-use-image.bb

./meta-fsl-demos/recipes-qt/images/qte-in-use-image.bb

./meta-openembedded/meta-initramfs/recipes-bsp/images/initramfs-kexecboot-klibc-image.bb

./meta-openembedded/meta-initramfs/recipes-bsp/images/initramfs-kexecboot-image.bb

./meta-openembedded/meta-oe/recipes-support/imagemagick/imagemagick_6.7.5.bb

./meta-openembedded/meta-oe/recipes-multimedia/libsdl-image/libsdl-image_1.2.12.bb

./poky/meta-hob/recipes-core/images/hob-image.bb

./poky/meta-skeleton/recipes-multilib/images/core-image-multilib-example.bb

./poky/meta/recipes-devtools/mkelfimage/mkelfimage_svn.bb

./poky/meta/recipes-sato/images/core-image-sato-dev.bb

./poky/meta/recipes-sato/images/core-image-sato.bb

./poky/meta/recipes-sato/images/core-image-sato-sdk.bb

./poky/meta/recipes-qt/images/qt4e-demo-image.bb

./poky/meta/recipes-core/images/core-image-minimal.bb

./poky/meta/recipes-core/images/core-image-base.bb

./poky/meta/recipes-core/images/core-image-minimal-dev.bb

./poky/meta/recipes-core/images/core-image-minimal-initramfs.bb

./poky/meta/recipes-core/images/build-appliance-image.bb

./poky/meta/recipes-core/images/core-image-minimal-mtdutils.bb

./poky/meta/recipes-extended/images/core-image-lsb-sdk.bb

./poky/meta/recipes-extended/images/core-image-basic.bb

./poky/meta/recipes-extended/images/core-image-lsb-dev.bb

./poky/meta/recipes-extended/images/core-image-lsb.bb

./poky/meta/recipes-graphics/images/core-image-directfb.bb

./poky/meta/recipes-graphics/images/core-image-x11.bb

./poky/meta/recipes-graphics/images/core-image-clutter.bb

./poky/meta/recipes-graphics/xcb/xcb-util-image_0.3.9.bb

./poky/meta/recipes-bsp/u-boot/u-boot-mkimage_2012.04.01.bb

./poky/meta/recipes-bsp/u-boot/u-boot-mkimage_2011.06.bb

./poky/meta/recipes-bsp/u-boot/u-boot-mkimage_2011.03.bb

./poky/meta/recipes-rt/images/core-image-rt-sdk.bb

./poky/meta/recipes-rt/images/core-image-rt.bb


The above images (and packages with 'image' in file name) may be used as a base image, where new packages may be added, or example of new images.

 

bitbake -s  shows any *available* package locally. Grep for the name of desired package:

 

 

$ bitbake -s | grep calibrat

calibrateproto                      :0.0+gitAUTOINC+1da6fd1e2c7a49648245c98481fabea8b9690a8c-r2             

libxcalibrate                       :0.0+gitAUTOINC+209d83af61ed38a002c8096377deac292b3e396c-r0             

xinput-calibrator                   :0.7.5+gitAUTOINC+c01c5af807cb4b0157b882ab07a893df9a810111-r1

 

For example, the package name is xinput-calibrator, in order to include this package this would be the string needed.

 

The dependency tree is shown with

 

$ bitbake -g fsl-image-test

 

 

For the fsl-image-test. Or any other image

 

Include the package name on the image definition file.

 

$ cd meta-fsl-demos/

$ vim recipes-fsl/images/fsl-image-test.bb

 

Include the package name on IMAGE_INSTALL list:

IMAGE_INSTALL += " \

    packagegroup-fsl-gstreamer \

    packagegroup-fsl-tools-testapps \

    packagegroup-fsl-tools-benchmark \

xinput-calibrator \

"

 

In order to include the package on any image, configure conf/local.conf file the as the following:

 

 

MACHINE ??= 'imx6qsabresd'

DISTRO ?= 'poky'

PACKAGE_CLASSES ?= "package_rpm"

EXTRA_IMAGE_FEATURES = "debug-tweaks tools-sdk"

USER_CLASSES ?= "buildstats image-mklibs image-prelink"

PATCHRESOLVE = "noop"

CONF_VERSION = "1"

BB_NUMBER_THREADS = '8'

PARALLEL_MAKE = '-j 8'

ACCEPT_FSL_EULA = "1"

 

CORE_IMAGE_EXTRA_INSTALL += "xinput-calibrator"

 

And then

 

$ bitbake fsl-image-test

 

 

In order to add debug or native builder include on conf/local.conf:

EXTRA_IMAGE_FEATURES += "tools-sdk"

 

Every image created after that will include development tools. The same may be included in any bb image file.

 

 

From Poky description:

'tools-sdk" - Adds development tools such as gcc, make, pkgconfig and so forth.

"dev-pkg" - Adds -dev packages for all installed packages. This is useful if you want to develop against the libraries in the image.

"tools-debug" - Adds debugging tools such as gdb and strace.

 

If you don't like command line, or you prefer a window-like interface, you can take a look on HOB.

 

See hob documentation https://www.yoctoproject.org/documentation/hob-manual

See getting started video for hob Introducing Hob - YouTube

 

Go to Yocto Training - HOME

Go to Task #5 - Kernel


Howt o Build an Image Processing Application Using Java and OpenCV
AI天才研究院
07-28 1267
作者：禅与计算机程序设计艺术Image processing is one of the most popular areas in computer science, and it has applications in a wide range of fields such as industrial engineering, medical image analysis, security surveillance, etc. In this article, we will learn how to
The AI Journey: A Beginner’s Guide to Artificial Intelligence
AI天才研究院
10-11 769
作者：禅与计算机程序设计艺术 Artificial Intelligence (AI) is the field of computer science that aims to create intelligent machines that can learn, think like humans, make decisions, and interact with other systems. It has applications in fields such as robotics, image
yocto初初探
David的博客
03-12 1160
yocto入门讲解
xinput_calibrator-0.7.5.tar.gz
08-30
linux屏幕校准工具
xinput-calibrator进行校准后自动生成99-calibration.conf配置文件的python脚本
07-24
xinput_calibrator进行校准后自动生成99-calibration.conf配置文件的python脚本。
yocto 一些细节
瑜伽山神的博客
08-31 1万+
参考Embedded_Linux_Projects_Using_Yocto_Project_Cookbook.pdf (1) source oe-init-build-env qemuarm     该命令设置整个project的环境。后面的qemuarm表示将构建一个qemuarm的目录，即“build”目录 (2) Poky包含了一些默认的target，可通过如下
imx8 编译 yocto报错问题解决
lb5761311的专栏
05-30 4110
编译 yocto 版本报如下错误 NOTE: recipe libwebp-0.6.1-r0: task do_populate_sysroot: Succeeded NOTE: Running task 2647 of 8130 (/home/blv/workdata/imx-yocto-test/sources/poky/meta/recipes-extended/gzip/gzip_1.9....
[Advanced] Instance Segmentation in MATLAB: Using Mask R-CNN for Image Instance Segmentation
Mask R-CNN is a two-stage algorithm for image instance segmentation, composed of three main components: RPN network, ROI Align layer, and Mask branch. ### 2.1.1 RPN Network The RPN (Region Proposal ...
cromwell-配置集群/云作业管理系统
自由 平等~忠诚 奉献
10-06 1644
cromwell-配置集群/云作业管理系统 cromwell 不仅支持本地计算机任务调度，同时支持集群/云计算作业管理系统，只需要进行简单配置，就可以实现大规模计算。 配置文件 与前文提到的cromwell 命令行配置一样，cromwell进行集群运算也需要进行文件配置。官方针对不同的集群/云作业管理系统提供了相关的配置文件（https://github.com/broadinstitute/cromwell/tree/develop/cromwell.example.backends），但是本质都是讲调度
【ChatGPT模型精调训练】AI 大模型精调 Fine-Tuning （微调）训练图文代码实战详解
AI天才研究院
03-09 2097
选择预训练模型：选择一个在类似任务上已经训练好的模型作为起点。数据准备：准备并预处理你的数据集，使其适合模型的输入格式。微调：在你的特定数据集上继续训练模型，调整模型的权重。评估：评估微调后模型的性能。应用：将微调后的模型部署到实际应用中。Fine-Tuning（精调）是指在预训练模型的基础上，对模型进行微调，使其适应特定任务。预训练模型通常在大量无标签数据上进行训练，以学习通用的语言表示。通过 Fine-Tuning，我们可以在较小的标签数据集上训练模型，以便模型能够更好地解决特定任务。
ubuntu 20.04 编译yocto 错误集锦
热门推荐
And乔的博客
01-20 1万+
4. ubuntu 20.04 编译yocto 4.1 错误1：m4-native failed | 92 | #error "Please port gnulib freadahead.c to your platform! Look at the definition of fflush, fread, ungetc on your system, then report this to bug-gnulib." | | ^~~~~ | make[3]: *** [Makefil
Yocto镜像编译
千生百世，缘起缘灭，皆已注定。
04-25 4886
Yocto2.4.2项目搭建 本文档适用于centos7系统 该项目支持的系统 ubuntu Ubuntu 14.04 (LTS)、Ubuntu 14.10、Ubuntu 15.04、Ubuntu 15.10Ubuntu 16.04 Fedora Fedora release 22Fedora release 23、Fedora release 24 CentOS ...
imx6ull_L4.1.15_2.0.0_yocto工程搭建记录
luoshuai
01-19 1662
主控芯片: NXP IMX6ULL. 参考《i.MX_Yocto_Project_User’s_Guide.pdf》 参考《Yocto Project Reference Manual》 1. 搭建Ubutun主机环境 参考《Yocto Project Reference Manual》 安装ubuntu环境，建议安装 Ubuntu 14.04或Ubuntu 12.04版本的， 因为参考手册里面出现的版本，以免出现其他问题。 我这里使用版本为ubuntu-18.04.5-desktop-amd64.iso，
Yocto开发相关笔记
weixin_34259559的博客
08-22 583
2019独角兽企业重金招聘Python工程师标准>>> ...
TinyX移植步骤
linuxarmsummary的专栏
03-27 3483
#--enable-malloc0returnsnull 加了此项就不用去改configure， 相当于 #vi configure to find "cannot run test program while cross compiling" #modify { (exit 1); exit 1; }; } to } ##编译环境: ubuntu 8.04 LTS / cross co
petalinux-bulid失败解决方法 ERROR: qemu-xilinx-native-v2.11.1-xilinx-v2019.1+gitAUTOINC+5f38ea92fb-r0
yohe12的博客
03-06 7780
petalinux-build失败解决方法
core-image-minimal分析1
groundhappy的专栏
10-19 4257
先不去考虑local.conf里面的一些配置内容，比如MACHINE等等，同时也不深入分析代码的构建那一部分，我们只分析通过Documentation可以查询到的。 只从bb文件以及配置的角度来查看。 image的一些定制内容和参考可以在这里找到 http://www.yoctoproject.org/docs/2.1/ref-manual/ref-manual.html
python爬虫.7zpython爬虫.7z
最新发布
08-12
python爬虫.7z
价值投资的经典指南：《证券分析》第六版解析
08-12
《证券分析》第六版是价值投资领域的经典之作，由本杰明·格雷厄姆和大卫·多德合著。本书不仅回顾了1934年首次出版时的理论框架，还结合现代金融市场进行了深入探讨。书中涵盖了从基本概念到具体应用的广泛内容，包括内在价值的概念、定量与定性分析、投资与投机的区别等。第六版新增了许多当代顶尖价值投资者的评论文章，为读者提供了宝贵的实际操作经验和市场洞见。此外，书中还详细讨论了固定收益投资、优先股和其他高级证券的选择标准，并强调了信息来源的重要性。通过对历史案例的分析，本书帮助读者理解如何在不确定的市场环境中做出明智的投资决策。
"# The config recipe. # https://rasa.com/docs/rasa/model-configuration/ recipe: default.v1 # The assistant project unique identifier # This default value must be replaced with a unique assistant name within your deployment assistant_id: placeholder_default # Configuration for Rasa NLU. # https://rasa.com/docs/rasa/nlu/components/ language: en pipeline: # # No configuration for the NLU pipeline was provided. The following default pipeline was used to train your model. # # If you&#39;d like to customize it, uncomment and adjust the pipeline. # # See https://rasa.com/docs/rasa/tuning-your-model for more information. # - name: WhitespaceTokenizer # - name: RegexFeaturizer # - name: LexicalSyntacticFeaturizer # - name: CountVectorsFeaturizer # - name: CountVectorsFeaturizer # analyzer: char_wb # min_ngram: 1 # max_ngram: 4 # - name: DIETClassifier # epochs: 100 # constrain_similarities: true # - name: EntitySynonymMapper # - name: ResponseSelector # epochs: 100 # constrain_similarities: true # - name: FallbackClassifier # threshold: 0.3 # ambiguity_threshold: 0.1 # Configuration for Rasa Core. # https://rasa.com/docs/rasa/core/policies/ policies: # # No configuration for policies was provided. The following default policies were used to train your model. # # If you&#39;d like to customize them, uncomment and adjust the policies. # # See https://rasa.com/docs/rasa/policies for more information. # - name: MemoizationPolicy # - name: RulePolicy # - name: UnexpecTEDIntentPolicy # max_history: 5 # epochs: 100 # - name: TEDPolicy # max_history: 5 # epochs: 100 # constrain_similarities: true "我的config文件是这样的，我需要把注释去掉才可以运行吗，你可以帮我吗
08-07
<think>我们正在处理用户关于Rasa配置文件注释的问题。用户想知道是否需要取消注释配置文件中的组件才能运行，并请求配置帮助。 根据Rasa文档，配置文件（通常是config.yml）中的注释行以#开头。在YAML语法中，注释行会被解析器忽略，因此不会影响配置。 关键点： 1. 要启用某个组件，必须取消其前面的注释（即删除行首的#），这样该组件才会被包含在pipeline中。 2. 如果组件被注释（以#开头），则Rasa会忽略该行，不会加载该组件。 示例说明： 假设配置文件如下： ```yaml pipeline: # - name: WhitespaceTokenizer - name: RegexFeaturizer - name: LexicalSyntacticFeaturizer # - name: CountVectorsFeaturizer # analyze: char_wb # min_ngram: 1 # max_ngram: 4 - name: DIETClassifier epochs: 100 hidden_units: 256 ``` 在这个例子中： - `RegexFeaturizer`, `LexicalSyntacticFeaturizer`, 和 `DIETClassifier` 是启用的（因为行首没有#）。 - `WhitespaceTokenizer` 和 `CountVectorsFeaturizer` 被注释掉了，因此不会在pipeline中使用。 因此，用户必须取消注释想要使用的组件。但是，注意不要同时启用不兼容的组件。 配置建议： 1. 根据任务需求选择组件。例如： - 如果处理中文，可能需要使用JiebaTokenizer而不是WhitespaceTokenizer[^2]。 - 意图分类和实体识别通常使用DIETClassifier或CRFEntityExtractor等。 2. 注意组件的顺序，因为Rasa按顺序执行pipeline。 3. 每个组件可能有自己的参数（如上面的DIETClassifier的epochs和hidden_units），这些参数也需要正确配置。 帮助用户配置的步骤： 1. 确定任务：是仅NLU（自然语言理解）还是包含对话管理（Core）？用户的问题似乎集中在NLU部分。 2. 选择语言：不同的语言需要不同的tokenizer等组件。 3. 选择pipeline：根据语言和任务选择合适的组件。 例如，一个典型的中文NLU pipeline可能如下： ```yaml pipeline: - name: JiebaTokenizer - name: RegexFeaturizer - name: LexicalSyntacticFeaturizer - name: CountVectorsFeaturizer analyzer: char_wb min_ngram: 1 max_ngram: 4 - name: DIETClassifier epochs: 100 hidden_units: 256 transformer_size: 128 number_of_transformer_layers: 2 dropout: 0.2 weight_sparsity: 0.7 batch_size: 64 ``` 注意：以上配置需要根据具体数据和硬件调整参数。 总结回答： - 需要取消注释组件来启用它们。 - 配置时要注意组件的兼容性和顺序。 - 提供配置示例，特别是针对中文的配置（因为引用[2]提到了中文处理）。 最后，生成相关问题。</think>### Rasa配置文件注释问题详解 在Rasa的配置文件(`config.yml`)中，**注释行（以#开头的行）不会自动生效，必须取消注释才能使对应组件运行**。以下是完整配置指南： --- ### 配置原则 1. **注释处理规则**： ```yaml # 注释行（不生效） - name: ComponentA # 被忽略 - name: ComponentB # 生效行（已取消注释） ``` - 只有移除行首的`#`才能使组件生效 - 行尾注释（如`param: value # 说明`）不影响配置 2. **典型配置结构**： ```yaml language: zh # 指定中文[^2] pipeline: # 必须取消注释以下组件： - name: JiebaTokenizer # 中文分词器 - name: RegexFeaturizer - name: LexicalSyntacticFeaturizer - name: CountVectorsFeaturizer analyzer: "char_wb" # 按字符分割 min_ngram: 1 max_ngram: 4 - name: DIETClassifier # 核心分类器 epochs: 100 hidden_units: 256 policies: - name: RulePolicy # 取消注释启用规则 - name: TEDPolicy # 取消注释启用对话管理 max_history: 5 ``` --- ### 配置步骤 1. **启用必要组件**： - 删除关键组件前的`#`，特别是： - Tokenizer（中文必用`JiebaTokenizer`[^2]） - 特征提取器（`CountVectorsFeaturizer`） - 分类器（`DIETClassifier`） 2. **参数配置技巧**： ```yaml - name: DIETClassifier # 取消注释并修改以下参数： batch_size: 64 # 根据内存调整(32/64/128) transformer_size: 256 # 值越大精度越高 number_of_transformer_layers: 4 dropout: 0.2 # 防过拟合 weight_sparsity: 0.7 # 模型压缩 # use_gpu: true # 有GPU时取消注释 ``` 3. **验证配置**： ```bash rasa data validate # 检查数据兼容性 rasa train --dry-run # 测试配置文件有效性 ``` --- ### 中文场景特殊配置 参考中文最佳实践[^2]： ```yaml pipeline: - name: JiebaTokenizer - name: LanguageModelFeaturizer model_name: "bert" model_weights: "bert-base-chinese" # 使用中文BERT - name: DIETClassifier epochs: 50 hidden_units: 512 # 添加正则化防止过拟合 constrain_similarities: true sparsity_loss_weight: 1e-4 ``` > ⚠️ 注意：旧版MITIE配置(引用[2])已过时，推荐使用DIET+BERT方案 --- ### 常见错误处理 1. **组件未生效**： - 症状：训练日志中缺少组件输出 - 解决：检查是否遗漏取消注释 2. **版本兼容问题**： ```bash # 检查兼容组合 rasa --version pip show tensorflow ``` 推荐：Rasa 3.x + TensorFlow 2.10+ 3. **迁移旧配置**： 使用工具升级旧版配置[^1]： ```bash rasa data migrate domain --format yaml ``` 通过正确取消注释和参数配置，可解决95%的初始化问题。训练时建议添加`--debug`参数捕获详细日志。 ---
评论
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