K230 Docker开发环境一键部署与实战

嘉楠勘智k230开发板上手记录(一)--烧录sdk 因为是小白,对于硬件接触不多,有什么错误欢迎指出。环境:win11+wsl2的ubuntu22.04官方githubk230_docs/zh/01_software/board/K230_SDK_使用说明.md at main · kendryte/k230_docs (github.com)├── sysimage-sdcard.img # SD和emmc非安全启动镜像├── sysimage-sdcard.img.gz # SD和emmc的非安全启动镜像压缩包。 阅读详情

1. 为什么选择Docker搭建K230开发环境

作为一位在嵌入式开发领域摸爬滚打多年的老手,我深知环境配置的痛。特别是像K230这样的RISC-V AI芯片开发,依赖库复杂、工具链庞大,稍有不慎就会陷入"环境地狱"。传统方式在Ubuntu系统上手动配置开发环境,往往需要处理各种依赖冲突、网络下载问题,非常耗时耗力。

而Docker容器技术完美解决了这些问题。通过容器化部署,我们可以获得一个隔离的、可复现的开发环境,无需担心污染主机系统。更重要的是,一旦配置好Docker镜像,整个团队都可以共享使用,大大提高了协作效率。实测下来,使用Docker搭建K230开发环境,从零开始到编译完成第一个镜像,只需要不到1小时,而传统方式可能需要一整天。

对于国内开发者来说,还有一个特别实际的好处——我们可以预先在Dockerfile中配置好国内镜像源,解决官方源访问缓慢甚至无法访问的问题。这意味着你再也不用为下载一个几百MB的工具链等上几个小时了。

2. 环境准备与依赖安装

在开始之前,我们需要确保主机系统已经安装了必要的依赖。虽然K230官方推荐Ubuntu 20.04,但实测在Ubuntu 22.04和24.04上也能正常工作。

首先更新系统包管理器并安装基础依赖:

sudo apt-get update
sudo apt-get install -y \
    git \
    make \
    gcc \
    g++ \
    curl \
    wget \
    python3 \
    python3-pip

接下来安装Docker引擎。如果你已经安装了Docker,可以跳过这一步:

# 安装Docker官方GPG密钥
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg

# 添加Docker仓库
echo "deb [arch=amd64 signed-by=/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

# 安装Docker引擎
sudo apt-get update
sudo apt-get install -y docker-ce docker-ce-cli containerd.io

# 将当前用户添加到docker组,避免每次都需要sudo
sudo usermod -aG docker $USER
newgrp docker

安装完成后,验证Docker是否正常工作:

docker run hello-world

如果看到"Hello from Docker!"的提示,说明Docker已经正确安装。这时候建议重启终端会话,让用户组变更生效。

3. 获取K230 SDK并配置国内镜像源

现在我们来获取K230 SDK源码。官方提供了两个代码仓库,国内用户建议使用Gitee镜像,下载速度会快很多:

# 使用Gitee镜像(国内推荐)
git clone https://gitee.com/kendryte/k230_sdk.git

# 或者使用GitHub官方源
# git clone https://github.com/kendryte/k230_sdk.git

cd k230_sdk

进入SDK目录后,我们先不着急编译,而是先处理一个关键问题——国内网络环境下的依赖下载。K230 SDK需要下载大量的工具链和依赖包,默认都是从国外服务器下载,速度很慢甚至无法访问。

打开工具链下载脚本,我们可以看到下载链接的配置:

cat tools/get_download_url.sh

为了解决这个问题,我们需要修改Dockerfile来使用国内镜像源。打开tools/docker/Dockerfile文件,找到Ubuntu源配置部分:

# 默认的Ubuntu源配置(通常需要注释掉)
# RUN cp /etc/apt/sources.list /etc/apt/sources_bak.list \
#    && sed -i 's/archive.ubuntu.com/mirrors.tuna.tsinghua.edu.cn/g' /etc/apt/sources.list \
#    && sed -i 's/security.ubuntu.com/mirrors.tuna.tsinghua.edu.cn/g' /etc/apt/sources.list

根据我的经验,清华源有时候也会不稳定,我更喜欢使用阿里云镜像源。将上面的内容替换为:

# 使用阿里云Ubuntu镜像源
RUN cp /etc/apt/sources.list /etc/apt/sources_bak.list \
    && sed -i 's/archive.ubuntu.com/mirrors.aliyun.com/g' /etc/apt/sources.list \
    && sed -i 's/security.ubuntu.com/mirrors.aliyun.com/g' /etc/apt/sources.list

除了系统源,我们还需要配置Python pip源。在Dockerfile中添加:

# 配置pip清华源
RUN pip3 config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

4. 构建Docker编译环境

现在开始构建Docker镜像。这个镜像包含了所有K230 SDK编译所需的工具和依赖:

docker build -f tools/docker/Dockerfile -t k230_docker tools/docker

构建过程可能需要20-40分钟,具体取决于你的网络速度。镜像大小约为4GB,包含了完整的编译工具链、依赖库和配置环境。

在这个过程中,你可能会遇到几个常见问题。首先是网络超时,这是因为某些包从国外下载速度慢。如果遇到这种情况,可以尝试在晚上或者清晨网络较好的时候重试。其次是依赖冲突,如果构建失败,可以查看错误日志,通常是某个包版本不兼容,这时需要调整Dockerfile中的版本号。

构建成功后,验证镜像是否创建:

docker images | grep k230_docker

你应该能看到刚刚构建的k230_docker镜像。现在让我们进入Docker容器开始编译:

docker run -u root -it -v $(pwd):$(pwd) -v $(pwd)/toolchain:/opt/toolchain -w $(pwd) k230_docker /bin/bash

这个命令做了几件重要的事情:使用root用户运行容器、将当前目录挂载到容器内相同路径、将toolchain目录挂载到/opt/toolchain、并设置工作目录为当前目录。

5. 下载工具链与依赖包

在Docker容器内,我们需要下载编译所需的工具链和依赖包:

source tools/get_download_url.sh && make prepare_sourcecode

这个过程会下载Linux和RT-Smart工具链、buildroot包、AI包等。由于我们之前配置了国内镜像源,下载速度应该会快很多。

如果遇到下载失败,可以手动下载并放到对应目录。工具链主要包括:

  • riscv64-linux工具链:用于编译Linux内核和应用
  • riscv64-elf工具链:用于编译RT-Smart系统
  • nncase工具:用于AI模型编译和优化

下载完成后,toolchain目录结构应该是这样的:

toolchain/
├── host-tools.tar.gz
├── k230_evb_toolchain.tar.gz
├── linux_riscv64_toolchain.tar.gz
├── rt-smart_riscv64_toolchain.tar.gz
└── ...

工具链会自动解压到正确的位置,无需手动干预。

6. 编译SDK与生成镜像

一切准备就绪后,就可以开始编译SDK了。K230支持多种配置,根据你的开发板类型选择相应的配置:

# 编译CanMV-K230 1.0/1.1板子的Linux+RTT双系统镜像
make CONF=k230_canmv_defconfig

# 或者编译CanMV-K230 1.0/1.1板子的RTT-only系统镜像
# make CONF=k230_canmv_only_rtt_defconfig

编译过程需要较长时间,通常需要1-3小时,取决于你的硬件性能。期间会编译Linux内核、RT-Smart系统、uboot、以及各种驱动和应用程序。

重要提示:SDK不支持多进程编译,不要使用-jN参数来加速编译,否则可能会导致编译失败。

编译完成后,在output/xx_defconfig/images/目录下可以看到编译产物:

output/k230_canmv_defconfig/images/
├── big-core/          # 大核系统编译产物
├── little-core/       # 小核系统编译产物
├── sysimage-sdcard.img       # TF卡启动镜像
└── sysimage-sdcard.img.gz    # TF卡启动镜像压缩包

sysimage-sdcard.img就是最终生成的系统镜像,可以直接烧录到TF卡中运行。

7. 常见问题与解决方案

在实际使用中,你可能会遇到一些典型问题。下面是我总结的几个常见问题及解决方法:

问题1:Docker构建时apt-get更新失败

Err:1 http://archive.ubuntu.com/ubuntu focal InRelease
  Temporary failure resolving 'archive.ubuntu.com'

解决方法:检查Dockerfile中的镜像源配置,确保使用国内源。也可以尝试更换不同的国内镜像源。

问题2:工具链下载缓慢或失败

Failed to download toolchain from https://azure.com/...

解决方法:可以手动下载工具链并放到toolchain目录下。下载地址可以在tools/get_download_url.sh中找到。

问题3:编译过程中内存不足

gcc: fatal error: killed signal terminated program cc1

解决方法:编译需要至少8GB内存,如果物理内存不足,可以增加swap空间:

sudo fallocate -l 4G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile

问题4:权限问题导致编译失败

permission denied while trying to connect to the Docker daemon socket

解决方法:确保当前用户在docker组中,执行newgrp docker使分组生效。

问题5:磁盘空间不足

No space left on device

解决方法:编译过程需要至少30GB磁盘空间,清理不必要的文件或扩大磁盘空间。

8. 高级配置与优化技巧

对于有特殊需求的开发者,这里分享几个高级配置技巧:

自定义系统配置:

# 进入菜单配置界面
make menuconfig

# 保存配置后编译
make CONF=your_custom_config

只编译部分组件:

# 只编译Linux内核
make linux

# 只编译RT-Smart系统
make rt-smart

# 只编译uboot
make uboot

清理编译产物:

# 清理所有编译产物
make clean

# 深度清理(包括下载的工具链)
make distclean

使用ccache加速编译:在Dockerfile中安装ccache,可以显著加速二次编译的速度。

镜像大小优化:通过多阶段构建,可以减小最终镜像的大小,节省磁盘空间和传输时间。

通过以上步骤,你应该已经成功搭建了K230的Docker开发环境,并生成了第一个系统镜像。这种方法的优势在于环境隔离、可重复性好,特别适合团队协作和持续集成场景。

嘉楠勘智k230开发板开箱和搭建开发环境(一) 2023年7月7日那天,嘉楠科技在网上开源了最新一代K230芯片的软硬件开发包。我尝试点开公布的GitHub仓库,惊喜地发现这个开源做得十分不错,整个sdk工程都放出来了,工程目录简洁清晰,技术文档也是做得十分用心。正好我在用爱芯的ax620a做一款移动的ai传感产品时遇到了闭源的问题,对于我来说定制硬件比较不灵活还有成本也高,比较头痛。现在正好碰到了貌似合适的替换方案,于是马上就联系了嘉楠的小姐姐。 阅读详情

相关推荐

嘉楠K230目标检测模型部署实战:从本地训练到边缘推理的完整流程

本文详细介绍了嘉楠K230目标检测模型从本地训练到边缘推理的完整部署流程,涵盖数据准备、模型训练、量化转换和边缘推理四大核心环节。通过实战案例和工具链配置指南,帮助开发者高效实现AI模型在边缘设备上的部署与优化,特别适合AIoT设备开发者参考。

weixin_42520661的博客 269

从零玩转CanMV-K230(2)-开发环境搭建

本章介绍如何搭建CanMV-K230开发环境,基于Linux+RT-smart双系统开发本章介绍了如何搭建CanMV-K230开发环境,基于Linux+RT-smart双系统开发,做镜像烧录,接下来我们学习如何进行开发。

疯狂飙车的蜗牛的博客 1万+

AI 边缘计算平台 - 嘉楠堪智 CanMV K230 开发环境搭建与模型部署实战

本文详细介绍了嘉楠堪智CanMV K230 AI边缘计算平台的开发环境搭建与模型部署全流程。从硬件连接到固件烧录,再到SDK配置和nncase模型转换工具的使用,最后通过人脸检测实战演示了完整的AI模型部署过程,为开发者提供了一套完整的边缘AI应用开发解决方案。

agile9scrum的博客 872

K230学习笔记(一)

好了,到此为止,便是整个k230的skd环境搭建,我之所以写这篇博客,一部分原因是为了记录我的学习过程,方便后续回顾。第二部分原因,就是我觉得官方的教程文档,虽然说写的还算是详细,但是对于新手上路来说还是有很多坑要注意的,特别是环境的搭建部分。最后由于项目的需要,后续我可能还会更新关于板子外设的编写以及模型的部署等相关篇章,大家可以关注一下。至于更新的有多全面,频率怎么样,就取决于我的项目进度了。

Norgin_1的博客 2670

K230开发板RISC-V双核与AI加速实战解析

RISC-V作为开源指令集架构,正在嵌入式领域快速普及。其模块化设计允许定制化扩展,特别适合AIoT场景需求。K230开发板搭载双核RISC-V处理器,主核负责任务调度,协核专用于AI加速,配合1TOPS算力的NPU单元,能高效运行YOLOv5等视觉模型。在工业质检、智能门禁等边缘计算场景中,这种异构架构既能保证实时性,又可实现低功耗运行。开发板通过MIPI CSI接口支持1080P视频输入,配合板载视觉预处理引擎,可完成畸变校正、3A调节等操作,显著降低CPU负载。实测显示,在224x224分辨率下运行M

weixin_33911824的博客 324

嘉楠勘智K230开发板实战:基于nncase的YOLOv5s模型优化与部署全流程

本文详细介绍了在嘉楠勘智K230开发板上部署YOLOv5s模型的全流程。内容涵盖从环境搭建、模型转换与量化,到应用编译、板端部署调试及性能调优的完整步骤,重点讲解了如何利用nncase工具链将模型高效转换为K230 NPU可执行的kmodel格式,并提供了实用的优化技巧,帮助开发者快速实现AI模型在边缘设备的落地应用。

stone的博客 459

Docker化嵌入式开发:重构K230 SDK编译与部署的最佳实践

本文介绍了利用Docker容器技术标准化嘉楠堪智K230 SDK的编译与部署流程,解决嵌入式开发环境配置复杂和团队协作不一致的痛点。通过优化Dockerfile设计、多阶段构建和CI/CD集成,显著提升开发效率和环境可重复性,特别适用于Linux和RT-smart双核开发。

gold的博客 744

嘉楠勘智k230开发板上手记录(四)--HHB神经网络模型部署工具

按照来。

qq_42001765的博客 1480

AI 边缘计算平台 - 嘉楠堪智 CanMV K230 开发环境搭建与固件烧录实战

本文详细介绍了嘉楠堪智CanMV K230 AI边缘计算平台的开发环境搭建与固件烧录全流程。从Linux环境配置、Docker依赖安装、SDK获取到固件编译,逐步指导完成SD卡烧录和系统开机验证,助力开发者快速上手AI边缘计算应用开发。

o1p2q3r的博客 250

电赛K230部署报错:部署yolo在下载whl文件时出现报错:Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple...如何解决?

🏆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🚀!

**My Coding Family** 1072

K230边缘AI部署:Python→ONNX→KModel端到端量化落地指南

在边缘AI部署中,模型从训练环境(Python/PyTorch)到专用NPU硬件(如K230)的转换,本质是跨生态的格式对齐与精度保持问题。其核心原理在于:以ONNX为中立中间表示实现模型结构标准化,再通过芯片专属工具链(如K230SDK)生成高度优化的二进制格式(KModel),过程中INT8量化是平衡能效与精度的关键技术路径。该流程直接决定边缘设备的功耗、推理延迟与算法可用性,广泛应用于智能硬件、低功耗IoT及端侧实时视觉任务。本文聚焦K230平台,系统解析Python模型导出、ONNX兼容性治理、KM

weixin_42549037的博客 302

跨界融合:K230双系统开发中的Docker与自动化构建实践

本文探讨了在K230 Linux+RT-Smart双系统开发中利用Docker容器技术实现环境标准化和自动化构建的实践方案。通过定制化Docker镜像、多阶段构建优化和CI/CD集成,显著提升开发效率,确保环境一致性,解决了嵌入式开发中的协作和构建挑战。

o9p0q1的博客 171

K230 AI推理工具链:ONNX到KModel全流程落地实践

AI模型部署到边缘芯片,本质是跨框架、跨环境、跨精度的系统工程。从PyTorch/TensorFlow导出ONNX,到适配RISC-V NPU的KModel编译,核心挑战在于算子兼容性、shape稳定性、内存对齐与量化校准——这些并非理论问题,而是K230等国产AI芯片量产落地的真实瓶颈。本文聚焦ONNX模型转换与KModel生成两大关键环节,详解如何规避动态控制流不支持、Resize算子约束、int8校准偏差、DMA内存未对齐等高频故障,提供可复现的Python自动化脚本、Docker环境协同机制及板端推

weixin_28718793的博客 354

嘉楠勘智K230开发板实战:从零部署YOLOv5s模型的完整避坑指南

本文是一份详细的嘉楠勘智K230开发板实战指南,重点讲解如何从零开始部署YOLOv5s模型。内容涵盖开发环境搭建、nncase工具链的正确配置、模型转换与精度验证、应用程序编译链接的完整流程,并针对部署过程中常见的“坑”提供了具体的解决方案和避坑技巧,旨在帮助开发者高效完成边缘AI模型部署。

x8y9z0的博客 467

T-Box功能详解及应用

T - BOX,其全称为 Telematics Box,作为远程 / 车载通信模块,是一款集车身网络与无线通讯功能于一体的智能终端设备。它充当了多媒体车机与 TSP(汽车远程服务提供商)以及互联网之间的无线路由器角色,为用户创造了远程访问的可能。用户借助T - BOX能够对车辆配备的各个 ECU(电子控制单元)进行远程操控,包括远程启动或停止发动机开启或关闭空调天窗后备箱门车门,以及实现闪灯鸣笛等功能。

wgl110110的博客 5650

Windows 11“此应用已被管理员阻止运行”解决方案

通过本文介绍的两种方法,你应该能够解决Windows 11中“此应用已被管理员阻止运行”的问题。无论你选择创建新管理员账户还是禁用管理员批准模式,都请确保了解相关操作的风险,并根据你的实际需求做出选择。通过禁用“用户账户控制:以管理员批准模式运行所有管理员”设置,可以解决因系统安全设置导致的应用程序被阻止运行的问题。这种方法适用于那些希望简化管理员账户操作流程的用户,但需要注意可能带来的安全风险。通过创建并登录具有管理员权限的新账户,可以解决因系统安全设置导致的应用程序被阻止运行的问题。

mmoo_python的博客 1万+

YOLOv11与K230端侧部署实战:从模型训练到int8量化推理优化

目标检测是嵌入式AI视觉中最核心的基础任务之一,其技术演进始终围绕检测精度与推理性能的平衡展开。 YOLOv11作为Ultralytics推出的新一代检测框架,在轻量化网络结构和注意力机制上做了大量优化,使其非常适合部署到算力受限的边缘设备。而RISC-V架构的AIoT芯片K230,凭借内置的KPU神经网络加速单元和开放的nncase编译工具链,为端侧部署提供了高效的硬件支撑。理解模型训练、ONNX导出、int8量化校准到kmodel生成的全链路流程,是打通算法与硬件之间鸿沟的关键。在智能家居、工业质检、便

weixin_34006965的博客 361

一文读懂“数据分发服务DDS”(Data Distribution Service,RTPS,OMG)

DDS 数据分发服务(Data Distribution Service) 数据分发服务DDS(DataDistributionService)是对象管理组织(OMG)在HLA及CORBA等标准的基础上制定的新一代分布式实时通信中间件技术规范,DDS采用发布/订阅体系架构,强调以数据为中心,提供丰富的QoS服务质量策略,能保障数据进行实时、高效、灵活地分发,可满足各种分布式实时通信应用需求。DDS...

DDS技术交流推广大本营 4万+

从训练到上板:手把手将自定义YOLOv8模型部署到K230开发板(附完整代码与文件)

本文详细介绍了如何将自定义YOLOv8模型从训练到部署到K230开发板的完整流程,包括模型优化、格式转换和性能调优等关键环节。通过实战案例和完整代码,帮助开发者高效实现目标检测模型在边缘设备上的部署,提升AI应用开发效率。

weixin_30718391的博客 251

SP贴图高效导入Maya:从材质设置到渲染优化的完整流程

本文详细解析了将Substance Painter(SP)贴图高效导入Maya并配合Arnold渲染器的完整工作流。针对SP贴图在Maya中常见的色彩、法线等问题,核心在于对齐两者的PBR“语言”,重点讲解了SP中正确的贴图导出设置(包括色彩空间)以及在Maya中连接aiStandardSurface材质、处理法线贴图、优化渲染的标准化流程,确保材质效果准确无误。

weixin_29201933的博客 559

麒麟和UOS系统编写桌面点击可执行文件

在桌面上创建一个快捷方式(.desktop 文件)来运行脚本。打开文本编辑器,创建一个新文件,如。这可以通过文本编辑器来完成。首先,确保您的脚本具有执行权限。现在,您应该可以双击桌面上的。保存此文件到桌面目录,例如,在桌面上创建一个快捷方式(文件来运行您的脚本了。使用图形界面或命令行给。现在您可以双击桌面上的。为您脚本的实际路径。是您脚本的实际路径。文件来运行您的脚本了。

u013934107的博客 7255
上一篇: 智能风扇的‘人性化’逻辑:如何用代码让设备更懂你?
下一篇: 从SRAM到像素:VGA时序背后的内存艺术与硬件协同
gitlab7runner
博客等级 码龄4年 78粉丝 1747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