从零构建嵌入式QML开发环境:RK3568交叉编译实战与OpenGL优化秘籍

RK3568开发板上应用Mesa 3D 本次采用的开发板为扬帆“竞”开发板,扬帆“竞”采用瑞芯微RK3568(Cortex-A55)四核64位超强CPU,搭载OpenHarmony最新操作系统,主频最高达2.0GHz。采用 Mali-G52 GPU,支持4K、H.265/H.264视频解码。OpenHarmony最新版本的L2标准版图形子系统相比之前版本有着非常大的改动,使用了全新设计的框架,并使用Render Service替换了原来的Weston。图形栈整体上分为三层,从上到下依次为接口层、框架层和引擎层。 阅读详情

从零构建嵌入式QML开发环境:RK3568交叉编译实战与OpenGL优化秘籍

1. 嵌入式QML开发环境搭建的必要性

在嵌入式设备上运行QML界面时,开发者经常会遇到性能瓶颈问题。以RK3568平台为例,许多开发者反馈使用供应商提供的Qt库时,QML界面会出现明显的卡顿现象,甚至影响用户体验。这种性能问题往往源于默认Qt库对OpenGL支持的缺失或不完善。

嵌入式设备的图形处理能力有限,而QML作为基于OpenGL的声明式UI框架,对图形加速有着天然依赖。当系统无法正确调用GPU加速时,所有渲染工作都会由CPU软解完成,这直接导致了界面卡顿。因此,构建一个完整的OpenGL支持环境,成为提升QML性能的关键。

为什么需要交叉编译? 嵌入式开发通常采用交叉编译方式,即在x86主机上编译生成ARM架构的可执行文件。这种方式能充分利用开发机的计算资源,显著缩短编译时间。同时,通过sysroot机制,我们可以精确控制目标平台的库依赖关系。

2. RK3568平台开发环境准备

2.1 硬件与基础软件配置

在开始交叉编译前,需要确保开发板和主机环境准备就绪:

  • 开发板环境:

    • 确保RK3568开发板运行Linux系统
    • 连接网络并更新软件源:apt-get update && apt-get upgrade
    • 安装基础开发工具链
  • 主机环境:

    • 推荐使用Ubuntu 18.04/20.04 LTS
    • 安装必要工具:
      sudo apt-get install gcc git bison python gperf pkg-config
      sudo apt-get install libclang-dev mesa-common-dev build-essential
      

2.2 交叉编译器选择与配置

RK3568采用ARM Cortex-A55架构,需要aarch64-linux-gnu工具链。推荐从Linaro官网获取:

wget https://releases.linaro.org/components/toolchain/binaries/latest-7/aarch64-linux-gnu/gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu.tar.xz
tar -xvf gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu.tar.xz
export PATH=$PATH:/path/to/gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu/bin

验证编译器:

aarch64-linux-gnu-gcc --version
从零构建嵌入式GUI加速引擎:RK3568上OpenGL ES2与QML的深度协同优化 本文详细介绍了在RK3568嵌入式平台上构建高性能GUI加速引擎的实践方法。通过OpenGL ES2与QML的深度协同优化,包括渲染架构剖析、交叉编译配置、纹理管理和着色器优化等关键技术,显著提升图形渲染效率,实现工业HMI和智能家居中控等应用的流畅用户体验。 阅读详情

相关推荐

交叉编译的隐形陷阱:为何你的QT+OpenGL在RK3568上依然卡顿?

本文深入分析RK3568平台上QT+OpenGL应用卡顿的根本原因,揭示交叉编译中的隐形陷阱。从系统环境完整性校验、GPU驱动与EGL配置匹配、编译选项优化到系统性性能诊断,提供全方位解决方案,帮助开发者彻底解决QML动画卡顿问题,提升渲染性能。

828

解决RK3568上QML卡成PPT的实战:手把手编译带OpenGL ES2的Qt 5.14.2套件

本文详细解析了在RK3568开发板上构建支持OpenGL ES2的Qt 5.14.2开发环境的全流程,解决QML界面卡顿问题。通过交叉编译和硬件加速配置,显著提升嵌入式GUI性能,实现帧率从9.2FPS提升至59.8FPS,CPU占用降低70%。

weixin_30839881的博客 447

QT交叉编译陷阱揭秘:为什么你的QML在RK3568上卡成PPT?

本文深入分析了RK3568开发板上QML应用卡顿的根本原因,并提供了从交叉编译环境配置到QML代码优化的完整解决方案。通过正确配置OpenGL ES驱动、优化Qt源码编译参数以及实施QML渲染与动画优化技巧,开发者可显著提升界面流畅度,解决类似PPT翻页的卡顿问题。

j2k3l4的博客 945

解决RK3568上QML卡顿的实战:从怀疑硬件到搞定OpenGL交叉编译的全过程

本文详细介绍了在RK3568开发板上解决QML卡顿问题的完整方案,重点分析了OpenGL支持缺失的原因,并提供了从交叉编译环境搭建到Qt源码定制化编译的实战步骤。通过优化OpenGL ES 2.0配置,最终实现QML界面性能提升5-8倍,为嵌入式GUI开发提供了宝贵经验。

weixin_30363285的博客 328

保姆级教程:为你的RK3568开发板构建专属Qt SDK(含OpenGL与QML支持)

本文提供了一份详细的RK3568开发板Qt SDK构建指南,涵盖交叉编译环境配置、Qt源码深度优化及OpenGL与QML支持的全流程。通过定制化编译参数和性能优化技巧,解决QML界面卡顿问题,显著提升嵌入式设备的图形处理能力。

weixin_28738397的博客 347

保姆级教程:在Ubuntu 18.04上为RK3568交叉编译Qt 5.14.2(含OpenGL/ES2和QML支持)

本文提供在Ubuntu 18.04上为RK3568交叉编译Qt 5.14.2的详细教程,涵盖OpenGL/ES2和QML支持的配置与优化。通过环境构建、关键库依赖解析、Qt源码编译技巧及部署调优,帮助开发者充分利用RK3568的GPU硬件加速,显著提升QML界面性能。

weixin_30368405的博客 333

保姆级教程:在Ubuntu 18.04上为RK3568交叉编译Qt 5.14.2(含QML与OpenGL库)

本文提供在Ubuntu 18.04上为RK3568交叉编译Qt 5.14.2的详细教程,涵盖QML与OpenGL ES2支持。从环境搭建、工具链配置到源码编译与部署,逐步指导开发者完成全流程操作,确保嵌入式设备获得流畅的图形界面体验。

weixin_33228769的博客 338

飞凌RK3568开发板Qt5.14.2环境搭建全攻略:从安装到工程配置

本文详细介绍了在飞凌RK3568开发板上搭建Qt5.14.2开发环境的完整流程,包括环境准备、Qt安装、Qt Creator配置及交叉编译器设置。通过实战步骤和常见问题解答,帮助开发者快速完成从安装到工程配置的全过程,提升开发效率。

weixin_27027459的博客 338

解决RK3568上QML卡成PPT:手把手编译带OpenGL ES2的Qt 5.14.2(保姆级避坑)

本文详细介绍了在RK3568开发板上编译带OpenGL ES2加速的Qt 5.14.2的完整流程,解决QML界面卡顿问题。从环境配置、交叉编译工具链设置到Qt源码定制化构建,提供保姆级教程和避坑指南,显著提升QML渲染性能。

weixin_30342363的博客 408

Qt 5.14.2 AArch64静态交叉编译从零到部署

嵌入式Linux设备多采用ARM64(aarch64)架构,而开发环境通常是x86_64主机,交叉编译成为必经之路。静态交叉编译通过将目标依赖库预先编译为静态库并封装进可执行文件,解决了现场环境无网络、缺依赖的痛点。理解sysroot作为目标系统的虚拟根目录,以及定制mkspecs描述目标平台,是打通Qt交叉编译链的关键。在Qt 5.14.2中,借助configure参数裁剪模块、配置QPA插件,可生成不依赖系统动态库的单一可执行程序。该方法适用于瑞芯微、全志等核心板上的Qt应用快速交付,实现一次构建、到处

weixin_34408624的博客 376

rk3568 OpenGL

您可以使用OpenGL ES提供的 API 来完成各种操作,例如创建和绑定缓冲区对象、设置纹理参数、设置光照和材质属性等。为了解决这些问题,您可以使用OpenGL调试工具和性能分析器,如OpenGL ES调试器,来分析和优化您的代码。然后,设置清除颜色并使用OpenGL ES绘制三角形。它提供了一组函数和指令集,用于绘制复杂的图形场景,并在不同的操作系统和硬件上实现高性能的图形渲染。OpenGL作为一个强大的图形库,为开发者提供了丰富的功能和灵活性,使他们能够创建各种令人惊叹的图形效果和交互式应用程序。

小灰灰的博客 2744

RK3568平台开发系列:深入理解OpenGL ES与Android的视频渲染

通过使用OpenGL ES和Android平台提供的API,我们可以实现高性能的视频渲染。本文提供了基本的步骤和示例代码,帮助读者了解视频渲染的基本原理并在实际开发中应用。在移动设备的开发中,视频渲染是一个重要的技术领域。本文将介绍RK3568平台开发系列中关于OpenGL ES与Android视频渲染的内容。在实际开发中,还需要考虑视频解码、帧率控制、内存管理等方面的问题,以实现更完整的视频渲染功能。更新渲染:根据视频的帧率,持续更新渲染表面上的图像,以实现视频的连续播放。三、视频渲染的基本原理。

CyberGenius的博客 613

RK3568平台开发系列讲解(视频篇)视频渲染OpenGL ES是什么

📢渲染并不单单是要把画面绘制到屏幕上,更多的是需要构建一个跨平台、可扩展、高性能的渲染引擎。这对于后续的一些处理是非常关键的,我们选择的技术是 OpenGL ES,虽然它上手难度会大一些,但是通过接下来的学习,我会带你彻底掌握这项技术,让我们一起来进入 OpenGL ES 的新世界吧!

内核笔记 3027

深入解析 TDA4VM/VH R5F 核中断机制:VIC 与非 VIC 模式下的实战对比与优化

本文深入解析了TI TDA4VM/VH平台中ARMv7-R架构R5F核的两种中断处理机制:VIC模式与非VIC模式。通过对比硬件自动跳转与软件向量表分发的核心流程、实战代码示例及性能差异,为开发者提供了基于实时性、灵活性与调试需求的选择指南和优化建议,帮助构建更稳定的嵌入式系统。

weixin_29159441的博客 100

基于 VS Code + CMake + Make + GNU工具链 + OpenOCD 的通用MCU开发环境搭建教程

以CH32V307(RISCV)和STM32F103(Cortex-M3)为例的Vscode+gnu单片机环境搭建。

余十三_的博客 2179

Alphafold2/multimer本地安装避坑指南:从Conda环境配置到GPU加速实战

本文详细介绍了Alphafold2/multimer本地安装的全流程,从Conda环境配置到GPU加速实战,特别针对常见的报错处理提供了解决方案。通过硬件环境检查、依赖安装技巧、OpenMM补丁应用等步骤,帮助研究人员高效部署蛋白质结构预测工具,提升计算效率。

weixin_29309213的博客 119

Oracle EBS订单的流程(Order->AR)

基本流程创建订单路径:Order Management > Orders,Returns > Sales Orders填写订单头信息,客户,订单类型,销售人员填写订单体信息,输入物料,数量...然后Book Order,订单Book之后,你会发现订单头的Status的状态变成了“Booked”,订单行的状态为"Awaiting Shipping",记录下来你的订单号,后边的每一步都需要这个订单号。

田攀的日志 4万+

深入浅出:CosineLRScheduler 调度器的原理与实战应用

本文深入解析了CosineLRScheduler调度器的核心原理与实战应用,详细介绍了余弦退火算法及其在深度学习模型训练中的优势。通过参数配置建议、PyTorch实现示例和常见问题解决方案,帮助开发者高效应用该调度器提升模型性能,特别适用于计算机视觉和自然语言处理任务。

sss66的博客 859

springcloud整合dubbo3使用nacos作为注册中心

springcloud整合dubbo3使用nacos作为注册中心

congge 7952

HMC7044调试指南与FPGA开发

最后,我们介绍了在FPGA开发中使用HMC7044的几个常见应用场景,包括时钟分配、时钟同步、高精度时钟生成和时钟域交叉。根据您的应用需求,您可以选择不同的时钟分配方案,例如使用PLL生成特定频率的时钟信号,或者通过分频器生成较低频率的时钟信号。HMC7044可以提供精确的时钟同步功能,确保各个FPGA板之间的时钟信号保持一致,从而实现可靠的数据传输和协同操作。HMC7044可以实现时钟域之间的交叉,通过生成和分配不同频率的时钟信号,使得不同时钟域的模块能够协同工作。FPGA开发中的HMC7044应用。

CqpFsharp的博客 3621

HDR 人像肤色稳定实战:AE/AWB/ToneMap 冲突解耦与优先级裁决

人像 HDR 最容易“翻车”的就是**肤色飘**:AE 抢亮度、AWB 拉白点、TM 又在肩部压高光,三方各自“对”却合起来“错”。本文给出一套**工程可落地**的裁决策略:以**肤色 ROI 锚点**为最高约束,AE 先对脸部入射照度收敛,AWB 在**肤色先验 + 光源模型**下缓变,TM 采用**色相保持 + 中灰/肤色双锚**且时域一致化。配套**阈值与回归**(ΔE00、亮度漂移 RMS、频闪注入),把“主观对”的口径落到**可度量**,并给出逆光、多脸、霓虹等极端场景的**例外分流**。

努力分享一些人工智能、计算机视觉、影像等相关的知识干货! 1208

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

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")

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

上一篇: 从零构建:Simulink中三种PID控制器的实战演练与性能调优指南
下一篇: 低代码革命:如何用IoT-Fast快速搭建工业物联网系统
code8
博客等级 码龄17年 65粉丝 1720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  | 博主筛选后可见
 
 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