海思Hi3519/Hi3559-CMake实战:从零构建跨平台SDK开发环境

海思Hi3519/Hi3559-基于CMake的SDK交叉编译实战指南 本文详细介绍了在海思Hi3519/Hi3559平台上使用CMake进行SDK交叉编译的完整实战指南。通过对比传统Makefile的不足,阐述了CMake在项目结构清晰化、依赖管理简化以及交叉编译统一配置方面的显著优势。文章提供了从环境搭建、工具链配置到集成海思SDK库与头文件的详细步骤,并演示了如何构建复杂项目及管理第三方依赖,帮助开发者高效、规范地进行嵌入式开发。 阅读详情

1. 为什么选择CMake构建海思SDK开发环境

第一次接触海思Hi3519/Hi3559开发时,我完全被它复杂的Makefile体系搞懵了。那些层层嵌套的Makefile文件就像迷宫一样,每次修改配置都要在各种include路径里转圈。直到尝试用CMake重构项目,才发现原来构建过程可以这么清爽。

CMake作为现代构建工具,在海思平台开发中至少有三大优势:首先是跨平台特性,同一套配置可以在Windows/Linux/macOS上运行;其次是依赖管理智能化,自动处理头文件包含和库链接;最重要的是配置可视化,通过CMake-GUI可以直观调整编译参数。实测将原有Makefile项目迁移到CMake后,编译效率提升了30%以上。

对于海思这种需要交叉编译的场景,CMake的toolchain文件机制简直是救星。我们只需要定义一次交叉编译链配置,之后所有项目都能复用。相比每次都要设置环境变量的传统方式,这种"一次配置,到处运行"的体验不要太舒服。下面这张对比表能清晰看出差异:

构建方式配置复杂度可维护性跨平台支持学习成本
传统Makefile高差有限高
CMake中优秀全平台中
厂商IDE低一般无低

2. 搭建交叉编译工具链

2.1 准备编译环境

在Ubuntu 20.04上配置海思工具链时,建议先安装这些基础依赖:

sudo apt-get install -y gcc g++ make cmake libncurses5-dev

海思官方提供的交叉编译器通常存放在/opt/hisi-linux目录下。以Hi3519AV100为例,其编译器路径为:

/opt/hisi-linux/x86-arm/arm-himix200-linux/bin/arm-himix200-linux-gcc

遇到"Permission denied"错误时,记得给安装脚本执行权限:

chmod +x arm-himix200-linux.install
sudo ./arm-himix200-linux.install

2.2 配置CMake工具链文件

创建toolchain.cmake文件是核心步骤,这个文件相当于告诉CMake如何与海思工具链对话。我的配置模板如下:

# 目标系统类型
set(CMAKE_SYSTEM_NAME Linux)
set(CMAKE_SYSTEM_PROCESSOR arm)

# 指定交叉编译器
set(CMAKE_C_COMPILER /opt/hisi-linux/x86-arm/arm-himix200-linux/bin/arm-himix200-linux-gcc)
set(CMAKE_CXX_COMPILER /opt/hisi-linux/x86-arm/arm-himix200-linux/bin/arm-himix200-linux-g++)

# 搜索规则设置
set(CMAKE_FIND_ROOT_PATH_MODE_PROGRAM NEVER)
set(CMAKE_FIND_ROOT_PATH_MODE_LIBRARY ONLY)
set(CMAKE_FIND_ROOT_PATH_MODE_INCLUDE ONLY)
set(CMAKE_FIND_ROOT_PATH_MODE_PACKAGE ONLY)

使用时通过-DCMAKE_TOOLCHAIN_FILE参数指定该文件位置:

cmake -DCMAKE_TOOLCHAIN_FILE=../toolchain.cmake ..

3. 集成海思专用库文件

3.1 定位SDK关键组件

海思SDK中这些目录需要特别关注:

  • mpp/include:媒体处理头文件
  • mpp/lib:静态库文件(.a)
  • sample/svp:智能视觉处理示例代码
  • drv:外设驱动相关

建议在CMake中通过变量集中管理路径:

set(HISI_SDK_ROOT "/home/user/Hi3519AV100_SDK_V2.0.1.0")
set(HISI_MPP_INCLUDE ${HISI_SDK_ROOT}/mpp/include)
set(HISI_MPP_LIB ${HISI_SDK_ROOT}/mpp/lib)

3.2 链接静态库的技巧

海思的静态库有严格的链接顺序要求,这点可以从官方sample的Makefile.param文件中找到线索。常见的库依赖顺序是:

  1. 基础库:libmpi.a、libsecurec.a
  2. 音频处理:libupvqe.a、libdnvqe.a
  3. 视频处理:libhdmi.a、libdsp.a
  4. ISP相关:libsns_imx290.a、libisp.a
  5. 智能分析:libive.a、libnnie.a

在CMake中这样配置:

target_link_libraries(my_project
    ${HISI_MPP_LIB}/libmpi.a
    ${HISI_MPP_LIB}/libsecurec.a
    ${HISI_MPP_LIB}/libupvqe.a
    ${HISI_MPP_LIB}/libhdmi.a
    # 其他库...
)

4. 典型问题排查指南

4.1 头文件找不到问题

遇到"fatal error: hi_comm.h: No such file"这类错误时,检查以下几点:

  1. 确认include_directories()已添加海思头文件路径
  2. 检查SDK版本是否与芯片型号匹配
  3. 查看头文件权限是否为可读

4.2 库链接失败处理

当出现"undefined reference to `HI_MPI_SYS_Init'"时:

  1. 确认链接了libmpi.a库
  2. 检查库文件路径是否正确
  3. 尝试调整库的链接顺序

4.3 内存对齐问题

海思芯片对内存对齐有特殊要求,在CMake中可添加:

add_compile_options(-mfloat-abi=softfp -march=armv7-a)

5. 进阶优化技巧

5.1 模块化项目管理

对于大型项目,推荐采用这样的目录结构:

project/
├── CMakeLists.txt
├── core/           # 核心算法
├── mpp/            # 海思MPP封装
├── thirdparty/     # 第三方库
└── platform/       # 平台相关代码

对应的CMake配置示例:

# 主CMakeLists.txt
add_subdirectory(core)
add_subdirectory(mpp)

# 链接时自动处理依赖关系
target_link_libraries(main_app
    PRIVATE core_lib mpp_lib
)

5.2 交叉编译调试

在VSCode中配置launch.json:

{
    "version": "0.2.0",
    "configurations": [
        {
            "name": "GDB Remote Debug",
            "type": "cppdbg",
            "request": "launch",
            "program": "${workspaceFolder}/build/app",
            "miDebuggerServerAddress": "192.168.1.100:2000",
            "miDebuggerPath": "/opt/hisi-linux/x86-arm/arm-himix200-linux/bin/arm-himix200-linux-gdb"
        }
    ]
}

6. 实战案例:视频分析项目

最近用这套环境完成了一个智能交通项目,核心CMake配置如下:

# 视频分析管道配置
set(VIDEO_SOURCES
    src/video_input.cpp
    src/video_analysis.cpp
    src/video_output.cpp
)

# 添加可执行文件
add_executable(traffic_analysis ${VIDEO_SOURCES})

# 链接海思库
target_link_libraries(traffic_analysis
    ${HISI_LIBS}
    opencv_core
    opencv_videoio
)

项目上线后运行稳定,CPU占用率比原Makefile版本降低了15%。这充分证明了CMake在海思平台的应用价值。

海思Hi3519/Hi3559-使用cmake编译sdk代码 事情的起因是我的逻辑代码使用cmake编译的,觉着cmake的开发速度会更快(其实是看不懂华为那层层套用的Makefile -_-). 1. 首先就是先配置交叉编译链,具体参考https://www.cnblogs.com/pied/p/8805883.html 我的toolChain.cmake配置如下,编译时记得用cmake DCMAKE_TOOLCHAIN_FILE=../toolCh... 阅读详情

相关推荐

【能源系统优化】基于NSGA-II的储能容量配置模型:多目标优化与全寿命周期成本分析 项目介绍 MATLAB 储能容量配多大?NSGA-II优化与寿命成本情景分析

内容概要:本文介绍了一个基于MATLAB的储能容量配置优化项目,通过NSGA-II多目标优化算法,综合考虑储能系统的全寿命周期成本、供电可靠性与新能源消纳能力,构建了包含数据生成、储能运行仿真、寿命衰减建模、多目标优化与决策分析的一体化模型框架。项目生成50000条多维随机数据,涵盖负荷、新能源出力、电价、温度与电池运行压力,并建立储能能量容量、功率与备用SOC的协同配置模型。通过时序仿真计算充放电行为、等效循环次数与容量衰减,结合初始投资、运行收益、更换成本与惩罚项,构建全生命周期经济评价体系。NSGA-II算法用于求解成本、供电可靠性与碳排放之间的Pareto最优前沿,支持多情景对比分析,如电价波动、负荷增长与寿命衰减加剧等,最终输出推荐配置与可视化结果,为储能工程选型提供量化依据。; 适合人群:具备一定MATLAB编程基础,从事电力系统规划、储能系统设计、新能源集成或优化算法研究的科研人员与工程技术人员,尤其适用于研究生、能源领域研发工程师及项目规划人员。; 使用场景及目标:①解决“储能容量配多大”这一实际工程问题,优化容量与功率的协同配置;②评估不同电价、负荷、气候与政策情景下储能方案的经济性与鲁棒性;③分析寿命衰减对长期成本的影响,避免“低投入高维护”的不合理配置;④为新能源电站、微电网、工业园区等场景的储能规划提供Pareto最优解集与决策支持。; 阅读建议:此资源侧重于模型构建与算法实现,建议读者结合提供的代码示例深入理解NSGA-II在储能优化中的应用,重点关注目标函数设计、寿命成本建模与多情景分析逻辑。建议运行数据生成与优化代码,调试并可视化结果,以掌握从数据到决策的完整流程。

海思Hi3519/Hi3559 SDK开发:CMake交叉编译实战避坑指南(附完整配置)

本文为海思Hi3519/Hi3559开发者提供了一份详尽的CMake交叉编译实战指南。文章深入解析了从传统Makefile转向CMake构建系统的核心逻辑,重点分享了工具链文件配置、SDK库的精准链接、模块化项目管理等关键步骤,并附带了完整的配置示例和常见问题排查方法,旨在帮助开发者高效搭建健壮、可维护的海思平台构建环境。

efc1234567的博客 1096

印尼稻米收成与粮食安全数据集2026年

本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。

海思Hi3519/Hi3559 SDK编译实战:CMake替代Makefile的完整避坑指南

本文详细介绍了如何使用CMake替代海思Hi3519/Hi3559 SDK中的原生Makefile进行项目构建,提供完整的避坑指南。内容包括交叉编译环境配置、SDK目录结构整合、静态库链接陷阱解决方案以及IVS样本工程集成实战,帮助开发者高效构建海思平台项目。

butter的博客 1110

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

Delphi 13.2控件之msquic4d.rar

Delphi 13.2控件之msquic4d.rar

海思AI芯片(Hi3519A/3559A)方案学习(十二)移植opencv343到hi3519A

前言 将opencv移植到某个平台,无非就是用该平台对应的编译器将opencv源代码编译成so库。 这里的target平台是hi3519A,所以得用交叉编译器arm-himix200-linux交叉编译器。 准备工作 1)安装交叉编译器,这个海思SDK说得很明白,也可以参考我之前的系列(三)Ubuntu18.0.4上编译Hi3519AV100 uboot和kernel 2)在ubuntu上...

ltshan139的专栏 9785

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现)

内容概要:本文研究了基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同集群三维路径规划中的应用,旨在解决复杂三维环境下的避障与最优路径搜索问题。通过构建包含路径长度、飞行高度、威胁规避和转弯角度的综合成本目标函数,利用MSDBO算法对多无人机系统的飞行轨迹进行全局优化,实现在保证安全性与稳定性的前提下达到最低能耗与最优性能的目标。文中详细阐述了算法的多策略改进机制、三维环境建模方法以及多无人机协同避障策略,并通过Matlab仿真平台验证了该方法相较于传统优化算法在收敛速度、路径质量和鲁棒性方面的优越性能。; 适合人群:具备一定优化算法理论基础和无人机控制系统知识的科研人员及研究生,特别适用于从事智能优化算法、多智能体协同控制、路径规划与自主导航等相关领域的研究人员和技术开发者。; 使用场景及目标:①应用于灾害救援、军事侦察、智能巡检等复杂三维场景中多无人机协同任务的路径规划;②为多目标约束下的路径优化、动态避障与能耗平衡问题提供高效的算法支持与仿真验证工具;③推动智能优化算法在无人系统自主决策与协同控制中的实际应用与工程落地。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法的具体实现过程,重点关注目标函数设计、多策略改进机制(如种群初始化、自适应参数调整、局部搜索增强等)及仿真结果分析部分,同时可尝试将该算法迁移至其他智能优化算法框架中进行对比研究,以深化对路径规划问题本质的理解与实践能力的提升。

机器视觉检测实战教程 19页成品课程光源选型Halcon标定海康相机VisionPro

内容概要:机器视觉检测实战教程,19页6章成品课程PDF:视觉检测光源选型对照表+五个翻车案例、Halcon模板匹配create_shape_model七参数整定、视觉标定三类(9点/旋转/手眼)、海康工业相机C#取图黑图丢帧排坑、VisionPro QuickBuild部署License迁移C#宿主、远心镜头选型。含C#/Halcon代码与现场案例。适用人群:机器视觉工程师、自动化检测开发、企业内训。使用场景:视觉方案设计、选型、标定部署、团队培训。原创整理。

【CEEMDAN-VMD-GRU】完备集合经验模态分解-变分模态分解-门控循环单元预测研究(Python代码实现)

内容概要:本文提出了一种融合完备集合经验模态分解(CEEMDAN)、变分模态分解(VMD)与门控循环单元(GRU)的复合预测模型,旨在提升对复杂非平稳时间序列的预测精度。首先利用CEEMDAN对原始信号进行自适应分解,有效缓解模态混叠问题,获得一组本征模态函数(IMFs);随后引入VMD对关键模态分量作进一步优化分解,增强特征分离能力,降低噪声干扰;最后将处理后的平滑分量分别输入GRU神经网络进行独立训练与预测,并通过加权集成策略融合各分量输出,得到最终高精度预测结果。该方法结合了多尺度信号分解与深度学习的优势,显著提升了模型在处理强噪声、非线性、非平稳序列(如电力负荷、风速、光伏发电功率等)时的泛化能力和预测稳定性,文中提供了完整的Python代码实现,便于复现与应用。; 适合人群:具备一定Python编程基础和机器学习理论知识,从事科研或工程应用的硕士、博士研究生及科研人员,尤其适用于能源系统预测、智能电网调度、可再生能源管理、信号处理与时间序列分析等相关领域的研究人员和技术开发者。; 使用场景及目标:①解决传统单一预测模型在面对复杂非平稳时间序列时存在的过拟合、收敛慢、精度低等问题;②通过多阶段信号分解降低原始序列的复杂度与不确定性,提升GRU模型的训练效率与预测鲁棒性;③为电力系统负荷预测、新能源出力预报、设备运行状态预警及市场交易策略制定等关键任务提供高精度数据支撑。; 阅读建议:建议读者结合提供的Python代码逐模块理解算法实现流程,重点关注CEEMDAN与VMD的参数配置对信号分解效果的影响,尝试在不同数据集上进行实验对比,并通过可视化手段分析各模态分量的物理意义,进一步掌握模型调优与性能评估的方法。

【医疗器械制造】基于酸碱腐蚀环境的一次性乳胶手套铝合金手模失效机理分析与量产风险控制

内容概要:本文围绕一次性医用乳胶手套生产中使用的铝合金手模在酸碱环境下的失效风险展开系统性分析,重点探讨其在外表面腐蚀、清洗循环、氯介质侵入及表面粗糙度控制等方面的工程挑战。研究表明,尽管市场上已有带涂层的铝合金手模供应,但其能否在强碱、酸洗、毛刷摩擦、冷热交变和氯共存的复杂工况下长期维持Ra 1.0—2.5 μm的表面质量并实现稳定脱模,仍需经过严格的多阶段验证。常规阳极氧化+PTFE涂层方案已被实测排除,而316L不锈钢筒体在湿氯环境中出现的三个月内腐蚀失效案例提示必须重视内腔隔离设计。文章强调,采购决策应基于“小批量试制—离线加速试验—影子生产验证—条件性放行”的四阶段准入机制,结合表面参数、工艺相容性、手套成品性能与全生命周期成本进行综合评估,避免依赖供应商宣传数据。; 适合人群:从事医疗器械制造、材料工程、设备采购与工艺质量管理的技术人员及决策管理者,尤其是涉及乳胶手套生产线优化与手模选型的相关从业人员。; 使用场景及目标:①评估铝合金手模替代陶瓷手模的技术可行性与风险边界;②建立手模选型的系统验证流程,防范因表面失效导致的脱模异常、手套缺陷与非计划停机;③指导采购合同中技术条款的制定,确保供应商交付具备可验证数据支撑; 阅读建议:此资源以工程实证为导向,建议读者结合自身产线工艺参数,重点关注外表面Ra控制、内腔双密封设计、影子生产验证方法及失效链追溯体系的构建,在试制阶段严格执行多维度联合判定标准,审慎推进规模化替代。

【新能源电力系统】项目介绍 MATLAB实现基于GWO-VMD-SSA-LSTM灰狼优化算法(GWO)结合变分模态分解(VMD)、麻雀搜索算法(SSA)及长短期记忆网络(LSTM)进行辐照度-温度驱动

内容概要:本文提出了一种融合灰狼优化算法(GWO)、变分模态分解(VMD)、麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的复合模型(GWO-VMD-SSA-LSTM),用于实现高精度的辐照度-温度驱动短期光伏功率预测。该模型首先通过GWO优化VMD的关键参数(模态数K和惩罚因子α),实现对非平稳光伏功率序列的高效多尺度分解,降低信号复杂性;随后利用SSA对LSTM的超参数(如隐藏层单元数、Dropout率、学习率等)进行智能寻优,提升网络训练效率与泛化能力;最后通过独立LSTM网络对各VMD模态进行预测并重构输出。模型结合了信号分解、智能优化与深度学习优势,显著提升了在多云、阴雨等复杂天气下的预测精度与稳定性,并通过MAE、RMSE、MAPE和R²等指标验证了有效性。文中还提供了完整的MATLAB实现流程,涵盖数据清洗、归一化、滑动窗口构建、参数优化与结果可视化等环节。; 适合人群:具备一定机器学习与时间序列预测基础,从事新能源发电预测、智能电网调度、电力系统自动化等相关领域的科研人员、工程师及研究生。; 使用场景及目标:①解决光伏功率受辐照度、温度等因素影响而导致的强随机性、非平稳性预测难题;②提升短期(15分钟至1小时)光伏出力预测精度,支撑电网经济调度、储能协同控制与电力现货市场申报;③为多源气象数据驱动的可再生能源预测提供可扩展的技术框架。; 阅读建议:建议结合提供的MATLAB代码逐步实践,重点关注GWO与SSA的优化机制、VMD分解效果及其与LSTM的集成方式,注意避免时间泄漏问题,推荐在实际数据上复现实验以深入理解模型性能。

T07_低空经济与智能网联汽车融合的城市空地一体出行服务平台建设方案_决策评审版.pptx

T07_低空经济与智能网联汽车融合的城市空地一体出行服务平台建设方案_决策评审版.pptx

T12_eVTOL低空经济低空公共航线网络规划设计方案_可研报告版.pptx

T12_eVTOL低空经济低空公共航线网络规划设计方案_可研报告版.pptx

上一篇: 手把手教你用JailbreakBench测试大语言模型的安全性(附避坑指南)
下一篇: 2025最新AOI数据实战:如何用Python快速分析67万+居民小区地理围栏(附完整代码)
Python
博客等级 码龄26年 1973粉丝 1567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