模板匹配算法移植到aarch64开发板

原创 已于 2024-02-04 13:33:50 修改 · 768 阅读 · 9 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#计算机视觉 #arm开发

于 2024-01-20 17:15:38 首次发布
博客提及相关内容在RK3588和RK3568上通过测试，涉及计算机视觉和arm开发领域。

        在RK3588和RK3568上通过测试。

MWWZ
关注
OpenCV开发：ubuntu18.04下交叉编译OpenCV3.4.9到ARM64位平台RK3399(aarch64-linux-)
走向CTO的路上...
09-23 931
通过交叉编译,我们可以在x86的开发环境中编译OpenCV,生成ARM64位可执行文件,从而在基于RK3399芯片的嵌入式系统上运行OpenCV应用程序。交叉编译OpenCV到嵌入式ARM平台是一个常见的需求,可以让OpenCV在资源受限的环境中运行,为视觉应用提供强大支持。总的来说,随着越来越多的应用场景需要在ARM平台上进行图像处理和计算机视觉,交叉编译OpenCV到ARM生态系统将是一个长期的需求,未来仍有广阔的改进和扩展空间。经过上述步骤,OpenCV就被成功交叉编译到了ARM64位平台。
内存泄漏，valgrind移植到arm64的完整记录
weixin_42163707的博客
09-02 2273
嵌入式平台中内存泄漏的查找
如何移植tslib到linux开发板上
hry_7419的博客
09-03 627
本文介绍了tslib与input子系统的不同之处，以及如何移植tslib到RK3568开发板中，其他linux开发板移植原理和方式都差不多，都可以参考使用
02-JPEG库移植到开发板
不积跬步，无以至千里
08-18 892
第三方源码JPEG库移植到开发板和开发板使用该库显示 jpeg 图片。
Linux----Mplayer音视频库的移植
weixin_61618197的博客
07-17 1384
Mplay音视频库的移植
AI部署篇---交叉编译aarch64的OpenCV4.5.5+YOLOv5Face+RK3588人脸检测并部署到RK3588实现
Xin11099的博客
05-09 1503
近期在学习目标检测模型部署和使用rk开发板，通过人脸检测进行简单实战
RK3399Pro使用ncnn推理框架实现mtcnn人脸检测算法移植
深蓝
05-20 831
RK3399Pro使用ncnn推理框架实现mtcnn人脸检测算法 首先移植ncnn框架 一、首先下载ncnn的源码包 git clone https://github.com/Tencent/ncnn.git 二、编译ncnn源码 mkdir -p build-aarch64-linux-gnu cd build-aarch64-linux-gnu cmake -DCMAKE_TOOLCHAIN_FILE=../toolchains/aarch64-linux-gnu.toolchain.cmake ..
OKT507开发板移植OpenCv4.6.0
yin_yinQAQ的博客
09-23 428
购买了OKT507开发板想要在板上做些图像处理算法，但是经过阅读官方的手册和通过官方客服确认，发现提供的SDK并没有内置OpenCv，因此需要进行移植。
嵌入式开发之移植MQTT到RK3568
weixin_38880029的博客
03-11 2541
MQTT是一种基于发布/订阅模式的"轻量级"通讯协议。它最大优点在于，可以以极少的代码和有限的带宽，为连接远程设备提供实时可靠的消息服务。作为一种低开销、低带宽占用的即时通讯协议，使其在物联网、小型设备、移动应用等方面有较广泛的应用。瑞芯微RK3568芯片是一款定位中高端的通用型SOC，主要面向物联网、NVR存储、工控平板、工业检测、云终端、车载中控等行业定制市场。本人移植MQTT到RK3568的目的是将飞凌的RK3568开发板作为一个物联网的终端，来实时采集相关数据（例如：温度等）。
opencv-4.3.0嵌入式Linux移植
苏幕遮
09-29 1294
OpenCV-4.3.0是较新的OpenCV版本，最新的版本是OpenCV-4.4.0，由于GitHub太慢总是下载失败，不得已就移植OpenCV-4.3.0这个版本用着先。在OpenCV中，新技术的支持和一些现有算法的优化都是体现在最新的版本中（目的是为了让用户用新版本），旧版本通常只修正bug。 一、移植的先前准备如下: 1.centos-7虚拟机 2.安装cmake3和make工具 二、移植的过程如下： ...
Python----算法移植（RK3588部署多模态大模型）
weixin_64110589的博客
07-18 2215
本文详细介绍了在RK3588开发板上部署多模态大模型的全流程。主要内容包括：1) 硬件环境要求（Ubuntu20.04虚拟机/RK3588开发板）和软件环境配置（Python3.8、rkllm-toolkit等）；2) 模型转换方法，支持LLaMA、ChatGLM3等多种模型及多种量化方式；3) 具体部署步骤：从HuggingFace获取模型、安装转换工具、模型格式转换（ONNX到RKNN/RKLLM）、交叉编译C++程序；4) 性能基准测试数据，展示了不同模型在RK3588上的推理速度、内存占用等指标；5
YOLO v11的学习记录（八） 使用自定义数据从头训练一个目标检测的模型
xulibo5828的博客
12-04 717
imags目录下保存图片，按照用途的不同又分为train（训练集）、var（验证集）和test（测试集），labels目录下保存与images目录下图片文件的同名txt文件，dataset.yaml是训练配置文件。model=yolo11n.yaml：使用的基础模型是 YOLOv11版本（yolo11n），但是不用它的预训练权重（从头训练），如果使用预训练权重，将该段指令改为：model=yolo11n.pt。当小批次运行成功后，修改和优化训练参数，进行正式训练。batch=16：每批处理 16 张图像。
基于检测变换器的无源目标检测
AI浩
12-01 831
在本节中，我们概述了我们的问题设置、基于Mean Teacher的SFOD架构及其更新机制，以及FRANCK的关键组件。CMMB利用伪标签诱导的二分匹配构建类间记忆库进行对比学习，增强特征区分度。OSSR通过基于查询融合的目标性得分分配动态的实例级损失权重来缓解类别不平衡。UQFD通过不确定性加权的、目标性引导的特征蒸馏改进知识迁移。最后，我们介绍了总体训练损失和DTUI，它通过动态调整EMA更新间隔来增强Mean Teacher的鲁棒性。
计算机中的图像是什么？
木梓油
12-01 653
图像处理和“理解”是计算机视觉（Computer Vision）的核心领域。理解图像如何被表示，是第一步也是最关键的一步。所有图像都是“数据”，以某种数据结构被存储和处理的一组组数字。根据表示方式的不同，图像可以分为位图和矢量图两大类。可以把位图想象成一幅巨大的“十字绣”或“乐高拼图”，每一格都有自己的颜色。图像的分辨率描述的就是像素的排列方式，即图像的宽度和高度分别有多少个像素点。 分辨率 = 图像宽度（像素） × 图像高度（像素） 比如 1920 × 1080， 表示图像宽 1920 像素、高 1080
计算机视觉·MaskFormer
2301_80132162的博客
11-30 332
借助了的核心思想，不过将原本的目标检测任务迁移到了语义分割和全景分割领域。
AI训练（目标检测：yolov8）
最新发布
weixin_48036026的博客
12-04 232
本文介绍 YOLOv8 目标检测项目实操全流程：含虚拟环境创建、PyCharm 配置及依赖安装，明确项目目录结构，给出模型预测、训练、验证、测试的终端命令。重点解析训练结果，包括最优与末次训练权重文件，results.png 中各类损失、精度、召回率、mAP 等指标含义，以及数据明细和标签分布，同时提及过拟合、样本不均衡等问题的应对思路，为项目实操与结果分析提供指导。
Java 实现图片清晰化（锐化处理）
qq_27246521的博客
12-01 128
使用「拉普拉斯核（5 为中心权重）」，既增强人脸边缘（如轮廓、眼睛、嘴巴），又不会过度失真（避免影响识别精度）。：直接复制原图边界像素，避免锐化后出现黑边（黑边会干扰人脸识别模型）。格式，去除透明通道（大多数人脸识别系统不支持带透明通道的图片）。方法中添加文件夹遍历逻辑，循环调用。如果需要处理批量图片，可在。
LMM-Det：让大型多模态模型在目标检测中脱颖而出
AI浩
12-01 1316
大型多模态模型因其在多模态理解、推理和上下文学习等方面的卓越能力，在人工智能研究和工业界引起了广泛的关注和兴趣。虽然 LMM 在图像描述、视觉问答和视觉定位等多模态任务上已展现出有前景的结果，但其目标检测能力与专业检测器相比仍存在显著差距。为弥补这一差距，我们摒弃了将重型检测器与 LMM 集成的传统方法，提出了 LMM-Det，这是一种简单而有效的方法，它利用大型多模态模型进行纯目标检测，而无需依赖专门的检测模块。
计算机视觉·DETR
2301_80132162的博客
11-30 297
由于N的数量肯定是大于图像中真实锚框的数量和标签集M，因此作者引入了一个No Object作为新的标签集。，这N个锚框经过FFN分别得到分类结果和锚框坐标。这些query向量首先经过自注意力进行交互。总损失：N个分类损失，M个锚框和GIoU损失。DETR设计了N个可以学习的query。就像NMS一样，作者需要减少锚框的数量。首先通过CNN+1x1卷积得到特征图，，N的数量大于图像中实际存在的数量。，其中N=100，表示查询的数量。得到生成的锚框与真实锚框之间的。，就是一个关系矩阵C。
国密sm4的加解密源码从哪获取，适配aarch64版本
06-07
<think>嗯，用户正在寻找适配aarch64架构的国密SM4加解密源码下载。用户可能正在做国产化硬件平台的加密应用开发，因为明确提到了aarch64架构（常见于鲲鹏、飞腾等国产CPU）。从用户引用[1]和[2]来看，ta应该已经尝试过GmSSL在arm设备上的交叉编译，并且关注硬件加速特性——特别是注意到ta引用了lKAE加速引擎支持SM4的内容。这说明用户可能需要的是能充分发挥aarch64硬件加速能力的SM4实现，而不仅仅是普通C语言源码。比较关键的是用户引用的第三篇关于OpenCloudOS更新的内容，里面提到Ceph支持SM4加密特性。不过考虑到用户需要的是源码而非系统环境，这个引用可能更多是上下文背景。用户真正的技术需求层次可能是：1）基础需求：获得能在aarch64平台运行的SM4源码2）进阶需求：利用ARMv8的加密扩展指令(CryptoExtension)优化性能3）潜在需求：与国密生态组件（如GmSSL）集成当前存在几个技术难点：-纯C实现的SM4在aarch64上性能较差-ARMv8的crypto扩展需要内联汇编或ACLE支持-GmSSL自带的arm64优化可能不够完善根据这些分析，我决定提供三类源码获取方案：1）官方基础实现：从GmSSL提取最简化的SM4C代码，方便移植但无优化2）ARM指令集优化版：提供调用ARMv8crypto扩展的实例，但需要考虑用户是否熟悉内联汇编3）通过华为iSula方案间接获取：用户引用的[2]提到lKAE加速引擎，华为开源的isula-security项目有现成集成特别强调下载方式时要区分两种场景：-如果需要源码级修改能力，选择方案1或2-如果只需要调用接口，方案3预编译的iSula可能是更优解用户看起来有一定技术基础（能处理交叉编译问题），所以技术细节可以展开说明。但需要提示编译器要求，因为用armv8扩展需要gcc≥4.8或clang≥3.6的ACLE支持。最后补充开源合规建议很重要，GmSSL是Apache协议允许修改，但华为代码是BSD-3可能有不同要求。</think> 以下是为您整理的国密SM4算法在aarch64平台的适配方案和源码获取途径，结合硬件加速特性： ### 方案一：从GmSSL源码提取（推荐） 1. **下载源码** ```bash git clone https://github.com/guanzhi/GmSSL ``` 2. **关键源码位置** - SM4实现核心：`src/sm4/sm4.c` - ARMv8加速优化：`crypto/armcap.c`中的`OPENSSL_armcap_P`指令集检测逻辑 - 硬件加速入口：`crypto/evp/e_sm4.c`中的硬件加速调用路径 3. **ARMv8优化关键代码（摘要）** ```c /* sm4_core.c */ #include <arm_neon.h> void sm4_aarch64_crypt(const uint8_t *in, uint8_t *out, const sm4_key_t *key) { uint32x4_t vdat = vld1q_u32((const uint32_t*)in); // 使用ARMv8加密指令加速轮函数 vdat = vsm4eq_u32(vdat, key->rk[0]); ... vst1q_u32((uint32_t*)out, vdat); } ``` > 完整实现需包含密钥扩展和CBC/CTR模式处理[^1] ### 方案二：使用lKAE硬件加速（TaiShan服务器专用） 1. **通过OpenSSL引擎调用** 在`openssl.cnf`中配置： ```ini [openssl_def] engines = engine_section [engine_section] lkae = lkae_section [lkae_section] engine_id = lkae dynamic_path = /usr/lib64/engines/liblkae.so default_algorithms = ALL ``` 2. **代码调用示例** ```c #include <openssl/engine.h> ENGINE_load_dynamic(); ENGINE* eng = ENGINE_by_id("lkae"); SM4_KEY key; SM4_set_key(key_data, &key); // 自动调用硬件加速[^2] ``` ### 适配验证步骤 1. **交叉编译配置** ```bash ./Configure linux-aarch64 \ -D__ARM_NEON=1 \ -march=armv8-a+crypto \ --prefix=/opt/gmssl_aarch64 ``` 2. **运行时依赖** ```bash # 解决共享库问题 export LD_LIBRARY_PATH=/opt/gmssl_aarch64/lib ``` ### 预编译资源 1. OpenCloudOS 9.2预编译包： ```bash yum install openssl-gmssl-aarch64 ``` 2. 华为鲲鹏加速库： [KAE加速库下载](https://support.huawei.com/enterprise/zh/kae-library-pid-250702923/software/252125657) --- ### 常见问题解决 **Q1: 运行时提示`libgmssl.so.3 not found`** ```bash # 创建软链接解决 ln -s /opt/gmssl_aarch64/lib/libgmssl.so.3 /usr/lib64/ ldconfig ``` **Q2: 如何验证硬件加速生效？** ```bash gmssl speed sm4-cbc # 输出应包含lKAE engine标识[^2] ``` **Q3: 普通ARMv8开发板如何使用？** 在CMake中启用NEON加速： ```cmake add_definitions(-DARM_NEON) set(CMAKE_C_FLAGS "-march=armv8-a+crypto") ``` > 注：完整SM4实现需处理端序转换，ARMv8建议使用`vrev32q_u8`指令优化[^1] [^1]: GmSSL ARMv8优化实现要求编译器支持ACLE(ARM C Language Extensions) [^2]: 调用lKAE加速需确认`/dev/lkae`设备存在且驱动加载成功
评论 7
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