华美OpenWrt记录

本文档介绍了如何在OpenWrt系统中使用MINICOM进行串口配置,包括查看USB转串口支持、设置Modem和dialing、保存默认设置以及常用快捷键。在遇到不支持的PL2303驱动问题时,通过更新软件源并安装sftp服务器来解决。然而,在尝试安装sftp相关软件时仍然遇到错误,问题待解决。

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

常用命令

查看是否支持usb转串口

lsmod| grep usbserial 

如果有usbserial,说明系统支持USB转串口

请添加图片描述

查看串口

ls-l /dev/ttyS*
或者
ll /dev/ttyUSB*

或者直接使用

MINICOM使用

minicom

进入主界面后按 Ctrl+A 然后再按Z,列出几个快捷操作命令,

请添加图片描述

串口配置

在上个界面按键盘O键,打开配置选项,

请添加图片描述

进入Serial port setup进行串口设置,

请添加图片描述

第一列A B C D 为配置行的快捷入口,点击A修改 serial Device为插入的ch340 usb转串口在openwrt上的设备号。然后输入E修改波特率,最后将Hardware Flow ControlSoftware Flow Control设置NO,直接回车确认。

设置 Modem and dialing

我们要把minicom作为超级终端控制路由器等设备, 而不是控制modem, 所以需要修改Modem and dialing, 将Init string, Reset string, Hang-up string设置为空.

保存至默认

上述设置完成后,按esc,然后选择Save setup as dfl将当前设置保存为默认设置.

其他常用快捷键

按CTRL+A 进入配置菜单,快捷键如下:

(1)W键:自动卷屏。当显示的内容超过一行之後,自动将後面的内容换行。这个功能在查看内核的啓动信息时很有用。
(2)C键:清除屏幕的显示内容;
(3)B键:浏览minicom的历史显示;
(4)X键:退出minicom,会提示确认退出。
(5)P 设置通信参数

问题

我编译下载openwrt固件支持ch340和cp2012,但是不支持pl2303,利用dmesg可以查看usb的热插拔信息

请添加图片描述

所以需要手动安装 pl2303的驱动

打开openwrt官网 , 然后选择本次选用的rt5350品牌的品牌,进入packages文件夹下,找到pl2303的ipk文件,下载保存到电脑上。

https://archive.openwrt.org/releases/19.07.2/targets/ramips/rt305x/packages/

通过 winscp将 下载的ipk文件上传到路由其中,在连接过程中发现,路由器 不支持sftp,所以需要先开启sftp设置。执行如下命令:

opkg update
opkg install vsftpd openssh-sftp-server
/etc/init.d/vsftpd enable
/etc/init.d/vsftpd start

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-HMolo5c2-1629198976600)(华美OpenWrt使用记录.assets\image-20201102133405052.png)]

执行过程中因为opwenwrt官网在境外,所以报错,所以需要将软件源换成国内网站,真是步步是坑!

请添加图片描述

将上图第三个红框中的 downloads.openwrt.org 替换为 mirrors.tuna.tsinghua.edu.cn/openwrt ,然后查看可以得到的软件包列表,就能成功获取了。

请添加图片描述

到这一步,在执行上边安装sftp的命令

结果还是报错,待解决。。。

### 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
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
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