一键构建新的编译环境编译RK3568系统,完成系统定制

新安装好UBUNTU 20之后,可通过如下命令一键安装相关的编译工具:
sudo apt-get install git-core gnupg flex bison gperf build-essential zip curl zlib1g-dev gcc-multilib g+±multilib libc6-dev-i386 lib32ncurses5-dev x11proto-core-dev libx11-dev lib32z-dev ccache libgl1-mesa-dev libxml2-utils xsltproc unzip python-pyelftools python3-pyelftools device-tree-compiler libfdt-dev libfdt1 libssl-dev liblz4-tool python-dev qemu-user-static expect

构建3568 DEBIAN系统时,注意事项:
1、chroot 到arm 的根系统,得以实现的根本原因在于qemu-user-static这个包。
在没有安装这个包之前,执行到chroot时报如下错误:
无法执行/bin/bash , 格式错误。
原因是HOST是64位AMD平台,要切到arm架构,没有qemu支持是不行的。

2、完整编译RK3568 DEBIAN系统过程
完成的编译可以增加一个脚本解决:./builddebian.sh
export RK_ROOTFS_SYSTEM=debian
./build.sh allsave
其过程实质是:
先是编译内核,可以用./build.sh kernel重复执行
再是编译debian rootfs 可用./build.sh debian
再定制rootfs

再编译uboot ,可单独:./build.sh uboot 执行

3、定制的实质
定制系统的实质是,chroot binnary目录,然后,有两种途径进行定制:
1、通过apt-get install额外的包来完善
2、直接修改overlay目录,实现目标系统的覆盖

4、定制增加自已的包示例一
例如,要增加一个myapp,已经编译好
1)、进入debian目录
2)、cd overlay
3)、cd home目录
4)、可以把myapp放到home目录,后面系统打包工具会自动拷贝到目标系统中
5)、增加myapp启动脚本到 rc.local

5、定制示例二
增加MYSQL数据库
这个定制需求,可以直接用apt-get install 来解决
1)cd debian
2)vi mk-rootfs-bullseye.sh
找到cat << EOF | sudo chroot $TARGET_ROOTFS_DIR
这行,
在这一行后面增加安装指令:
sudo apt -y install mariadb-server

### 如何在 Linux 上部署 YOLO 模型 #### 编译 YOLO 模型示例 为了编译特定版本的YOLO模型,例如`yolo11`,可以采用以下命令集。这些指令适用于基于Linux的操作环境,在此环境中准备并构建所需的YOLO模型[^1]。 ```bash chmod +x build-linux.sh ./build-linux.sh -t rk3588 -a aarch64 -d yolo11 ``` 上述命令首先赋予脚本执行权限,随后通过指定目标平台(`rk3588`)、架构类型(`aarch64`)以及具体要处理的YOLO变体(`yolo11`)来启动实际的构建过程。 #### RK3588 平台上的 YOLO 部署验证 对于RK3588这样的硬件平台而言,确认所使用的框架和服务版本非常重要。这可以通过查询`rknn_server`和`librknnrt.so`库中的版本信息实现,确保它们处于最新状态以支持最新的YOLO模型特性[^2]。 ```bash strings /usr/bin/rknn_server | grep -i "rknn_server version" strings /usr/lib/librknnrt.so | grep -i "librknnrt version" ``` 以上两条命令分别用于获取`rknn_server`服务程序与`librknnrt.so`共享对象文件内的版本字符串,帮助开发者了解当前安装的基础组件情况。 #### 边缘计算设备上的 YOLO 模型量化及部署流程概述 当考虑将YOLO应用于资源受限的边缘计算节点时,如搭载ARM64处理器的RK3588模块,则需特别关注模型优化方面的工作——即所谓的“量化”,它能够有效减少推理过程中所需内存空间的同时保持较高的精度水平[^3]。 此外,针对不同应用场景下的性能需求差异,可能还需要进一步调整网络结构参数或选用更适合该类任务特点的新一代YOLO系列成员(比如YOLOv5),并通过适当工具链完成从原始训练成果向最终运行形式之间的转换工作。 #### 使用 OpenVINO 工具包进行跨平台移植实践指南片段 考虑到某些情况下可能会涉及到多平台间的迁移操作,利用Intel推出的OpenVINO开发套件不失为一种高效解决方案之一;其允许用户先将在其他深度学习框架内定义好的模型导出成通用格式(如ONNX),再经由一系列预置接口转化为适合本地硬件加速器读取的形式(如IR Intermediate Representation)。这一路径同样适用于把原本基于Darknet框架创建出来的YOLO实例迁移到新的执行环境中去[^4]。 #### 构建 TNN 测试项目于 Linux 下的具体方法说明 最后值得一提的是,除了官方推荐的方式之外,还有第三方开源社区贡献了许多实用辅助工具可供选择。例如TNN提供了一种简化版的一键式自动化构建方案,只需简单几步就能快速搭建起一套完整的测试环境,并生成可以直接投入生产的二进制文件[^5]。 ```bash # 假设已下载源码至当前目录 cd path/to/tnn/source/ sh build_linux.sh ```
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