毕业设计-----基于uclinux的boa移植及内核的从新编译

     依稀的鞭炮声,给人一种年的呼唤!

     打算在年前完成uclinux上的web sever的假设,并调试成功!回家后学习CGI来了之后在进行驱动程序的学习!

     今天我在uclinux内核内加上了boa从新编译了以下内核!在这里也总结一下内核编译的过程及需要注意的地方:

     1.安装arm-elf-tools工具可用"./"命令来完成!

     2.设置路径

     3.解压uClinux-dist(时间较长2G呢也难免!!)

     4.在上述目录下输入命令make distclean(不是第一次编译时),make xconfig,

     5.在出现的界面上进行相关的配置

     6.保存退出

     7.#make dep;连接后,#make

     8.结束!!

^^^^^^^^碰到了一个棘手的问题:在从新编译内核后,在linux-2.4.x下并没有生成linux.elf文件,反生成了linux.bin文件,让人郁闷的是他有31.5M,这就是所谓的内核文件吗?晕!有待进一步解决!!

       就是上述问题,我倒弄了一个下午,头都大了可还是不知道,不知道哪个boot/的init.img和linux.bin是怎么编译出来的!郁闷!!唉!过两天就回家了!!好好想想吧!

    不如这两天换换脑子学习一下C语言,也许会又新的灵感来到哦!!

 

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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