sxj731533730

摘要：本文介绍了基于W660 DTU设备和MQTT协议的水下灯控制系统实现方案。主要包括两个关键步骤：1）在阿里云平台开放1883端口；2）通过tingboard网站开通MQTT服务并进行客户端-服务器通信测试。系统通过MQTT协议实现对水下灯开关和亮度的远程控制，为水下照明设备提供了一种可靠的物联网解决方案。

一、首先将DTU设备USR-M100连接路由器上，然后使用python代码搜索同一局域网设备，基本思想：设置M100 采集传感器数据。查看自动获取ip网址状态。

本文介绍了使用昇腾设备进行分割推理的测试流程，包括两种测试方式（cann+onnx和om）。首先验证300iDUO卡的可用性，随后创建Docker镜像和容器以搭建独立环境。通过从指定仓库拉取Ubuntu 20.04镜像，创建容器并映射目录。进入容器后安装必要组件（Python3、GCC等）和系统工具（pciutils、net-tools等），为后续模型转换和迁移做准备。整个流程旨在构建可交付给第三方的标准化测试环境。

本文介绍了济南有人DTU控制水下灯光的基本操作步骤。首先需正确连接DTU设备的供电模块和RS-485接口（红线接A口，绿线接B口），确保供电正常。然后通过有人官方手册，访问后台服务http://192.168.1.1/cgi-bin/luci，在连接DTU的WiFi后使用AP模式进行灯光调试和控制。若设备供电后未工作，需检查火线和零线是否接反。

基本思想：承接上一篇博客，适配fastgpt,假设你已经配置了docker和docker-compose包，目标设备仍然是昇腾服务器，且mindie服务和分词服务也已经启动，开始构建FastGPT环境吧。先拉取arm64的镜像，进行x86镜像替换。第一步：one-api部署。

阶段，安装过程缺什么，，在docker外面git下源码，进入容器内部进行量化，这里的容器建议在创建个8卡的容器，双卡容器量化会显示npu显存不够，除非你用cpu转模型，我就懒得创建容器了，使用cpu量化吧，巨慢；创建容器，进入容器，计划使用两张昇腾NPU卡推理DeepSeek-R1-Distill-Qwen-32B的W8A8模型，所以构建的容器用两张卡，选6、7卡吧，0-6号卡可以跑文本嵌入模型、重排序模型；直接进入量化阶段，在容器外面操作即可，环境不用管，因为系统已经默认配置了环境，直接跳到。

五、将模型改名成yolov5s.axmodel，替换/home/ubuntu/ax620e_bsp_sdk/msp/sample/vin_ivps_engine_venc_rtsp/models里面的模型替换转换的模型，拷贝编译好的代码到开发板推理之前，先丢个模型和图片到这个文件夹×/bin，一个为了测试一下模型是否可以用，一个为了推流并进行推理测试，推流文件名可以和原来的保持一致。这个也改了一起测，改成两类，可以先用这个例子单独测试一下，在测推流代码。第一步需要连接屏幕，将wifi连接上网，进行开发。

新建立一个export_onnx.py文件文件路径 /home/ubuntu/AdaFace/face_alignment/mtcnn_pytorch/src/export_onnx.py。一、按照readme进行测试mtcnn模型，将main.py代码添加到/home/ubuntu/AdaFace/face_alignment/mtcnn_pytorch/目录下。可以看出非常接近，优化一下代码，完全独立官方的逻辑代码，使用但文件推理，方便在atlas设备上推理。

基本思想：将Adaface适配上310p设备上。

基本思想：简单学习一下如何制作镜像和上传下载到私有阿里云，然后构建一个gpu的训练/推理环境，以备后续使用。

搭建仿真转换模型环境，主要python版本和我下载的rknn2的版本。截取shape节点，输出模型。so库也要对应转模型的whl。其中安装的whl版本。

一、 我们先刷个刷成linux系统，测试比较方便，虽然window+python代码也可以开发，但是这不是为了获奖吗，搞点难度的ubuntu+c++推理，同时还为了测试灰仔的ncnn吗，勉为其难，把正版window 系统刷掉吧，哈哈哈。基本思想：收到intel的开发板-小挪吒，正好手中也有oak相机，反正都是openvino一套玩意，进行评测一下，竟然默认是个window系统，哈哈。首先在自己的宿主机器上ubuntu20.04配置环境，转一下oak所需要的模型，设备的系统openvino版本太高。

基本思想：使用csi摄像头进行画面取帧，使用v7进行目标检测，使用rtmpose进行关键点检测。刷机手册参考官网、搜素ip方法。三、测试csi摄像头。

第一步：系统刷机，参考官方吧，懒得刷机了，参考官方手册即可链接：https://pan.baidu.com/s/1umXM3ir-5adfjC3ZyjjJ4A?三、先测试一下环境，是否可用，ide使用clion，需要添加环境变量在clion中，测试我上一篇对应博客和模型，模型我共享在百度云盘了。二、因为我习惯了华为官方的aclite库，我发现官方给我刷的系统没有，那我自己编译一下吧。连接账号 root 密码：Mind@123。然后就参考我这篇博客修改和编译即可。使用python搜索同一网段的ip。

基本思想：需要使用linux系统调用alliedvisio工业相机完成业务，这里只做驱动相机调用，具体不涉及业务开发。一、先用软件调用一下。

二、然后测试python的oak代码,c++我就不测试了，这里附录一个python搜索本地ip的地址，可以用于c++ 的oak设置开发。一、首先购买双CPE设备，简称网桥，进行设置，设置方式采用网线直连的方式进行ip设置，保证其主网桥和子网桥位于局域网属于同一网段内。基本思想：需要部署测试CPE+POE+OAK设备，仅此而已。三、测试python的oak代码。

基本思想：将oak深度相机与atlas 200dk A2进行结合，测试其dvpp的编解码能力。

基本思想：刚买了一块海康工业相机，需要在jetson上调用使用，所以记录一下配置方法，然后结合开发使用。一、先使用window软件调用一下，是否可用。

基本思想：需求部署yolov8目标检测和旋转目标检测算法部署atlas 200dk 开发板上。配置pycharm professional。使用huawei板子进行转换模型。

基本思想：适配关键点模型到华为昇腾芯片上，同时对针对性的动作做出响应。

基本思想：获得一块新的rk3588芯片，使用rk3588芯片做个简单的目标检测，调用usb摄像头，然后进行gpio引脚调用，然后没了。一、首先进行刷机，参考手册，不做详细介绍，未使用emc刷机。刷机完成：orangepi/orangepi登陆。然后配置环境，安装必要的库。

基本思想：只是单纯记录一下官方的例子，具体信息看官方手册，本菜也是参考官方手册学习。

一：需要将本机设置固定ip，主要是因为其板子的固定ip为192.168.150.1 我设置为本机固定的ip为。然后进行ssh连接，这里我的笔记本使用的wifi上网，并不影响笔记本上网。基本思想：需要适配算能盒子SE5开发，这里记录记录一下。

基本思想：适配mmpose模型，记录一下流水帐，环境配置和模型来自，请查看参考链接。

四、pycharm 专业版进行远程debug调试和转yolov7的模型，yolov7使用官方源码直接转onnx即可，batchsize=1,然后配置pycharm 专业版的解释器。二、刷机显示系统正常运行，刷机尝试使用linux刷机貌似不成功，的使用window系统进行刷机，其次，需要等待至少2-3分钟，官方给的回复是有固件升级书。测试c++代码，使用官方的demo生成的封装so库，然后自己用代码测试。在这里需要注意，查看，将其中的sh内容拷贝出来，六、测试一下batchsize=3的华为昇腾推理。

基本思想：python转换脚本安装，和其它环境配置参考之前，主要想搞一版本batchsize=3的c++ demo;一、转模型yolov5 batchsize=1 使用yolov5-5.0版本修改一点点参考上面链接。上面小板子是rk3399pro 大板子是rk3588,yolov5的使用参考链接。四、测试rk3588,官方的sdk ，转onnx=3。二、batchsize=3测试 ,参考。c++测试和上面雷同，

基本思想：从某途径获得了一块rk3588 pci的板块，逐记录和测试一番，下图分别为主机箱，显卡所在的pci卡槽、和新版rk3588 pci板卡、主机配置,这里以yolov7的官方模型为基准，进行测试其板卡的性能。一、下载rknn-toolkit2。二、下载yolov7的源码和模型。

基本思想：纯粹为了记录，做个笔记。

基本思想：简单记录一下训练过程，数据集在coco基础上进行，进行筛选出杯子的数据集，然后进行训练，比较简单， 从coco数据集中筛选出杯子的数据集，然后在labelme数据集的基础上，转成paddleseg数据集，然后训练即可，生成的标签在代码中添加相应的数据格式，贴到txt即可。得到杯子数据集：链接: https://pan.baidu.com/s/1DWf7d1xWAscAKmIvNYJ9Rw?二、配置文件使用修改pp_liteseg_stdc1_camvid_960x720_10k.yml。

基本思想：需要使用独立模块代码去实现自己的逻辑功能，所以在基于官方源码基础上，和参考附录几个官方链接，搞出一版rk3588编码测试和解码测试demo。一、先看工程rk_yuv_mpp_h264编码demo。测试结果rk3588测试结果。

基本思想：喜提一块爱芯元智芯片，记录一下开发过程。

这里使用rk3588和oak相结合，存在两个问题，多个usb电流都在1a内，只有一个type-c转usb的电流在2a内，oak的基础电流要求900ma,峰值电流要求在1.5a左右，这就限制了oak的目标检测和推理数据传输，所以需要使用编码方式压缩数据量传输，即使使用usb的线进行数据传输，这个实验使用usb3.0的接口,但是由于电流无法满足要求，只能让oak限制使用2.0的速率dai::Device device(pipeline,true);2)修改第一版使用硬件解码h264然后显示，测试帧率。

一、刷机固件G:\QIHUA-X1126主板\刷机固件\221117\x1126_x1109_debian10_zs101nn3101j_210705。基本思想：手中有一个成都启划rv1126开发板，进行模型训练和开发。

基本思想: 记录一下rk3399 pro刷机过程,在公司刷机造成了屏幕卡在firefly画面不动了，甚是焦虑，拿回家拯救搬砖。二、另一种方法刷机，在已经安装驱动的基础上，使用RKDevTool工具。2）、然后插上内存卡，重启，重启成功之后，会提醒你拔掉sd卡。1）菜鸡使用sd卡刷机的。一、下载官方资料和固件。

基本思想：帮助好友部署一个人脸检测模型，也是自己业务需求，部分代码来自好友陈同学，自己改了改c++的代码可以部署rk3399pro上了，其它资料见附录吧。链接: https://pan.baidu.com/s/1MSZG-XeIFmBfYJwUMThzDQ?pwd=1ujq 提取码: 1ujq。一、测试mnn效果,其中mnn直接搬运了大佬参考附录一。二、测试rknn效果。

基本思想：需要一个快的实例分割模型，由于需要配置oak使用，所以就记录和实现一下微软社区提供的思路，去部署PaddleSeg的轻量级(实际是语义)分割模型。一、需要本机配置好　openvion和cuda cudnn tensorRT环境，参考附录。挑选这个模型的主要原因是官方提示最快的模型。配置环境自己搞一下，测试图片。

基本思想：继续学习OAK的节点函数。

基本思想：幸亏会一点点ffmpeg的视频编解码进行了视频播放,本片博客教你如何直接解码h265进行视频播放，还得立下flag　要学如何硬解码。

1.现在智能手机上采用的陀螺仪是MEMS（微机电）陀螺仪，手机中陀螺仪的运用首先用在游戏的控制上，相比传统重力感应器只能感应左右两个维度的（多轴的重力感应是可以检测到物体竖直方向的转动，但角度难判断）变化，陀螺仪通过对偏转、倾斜等动作角速度的测量，可以实现用手控制游戏主角的视野和方向。在我们按下快门时，陀螺仪测量出手机翻转的角度，将手抖产生的偏差反馈给图像处理器，用计算出的结果控制补偿镜片组，对镜头的抖动方向以及位移作出补偿，实现更清晰的拍照效果。这就是手机陀螺仪的作用。陀螺仪的作用是什么？

基本思想：继续学习oak的例子和硬件模块。