嵌入式Linux之uboot,嵌入式linux之我行全集 详细uboot移植 下载.doc

嵌入式linux之我行全集 详细uboot移植 下载

?嵌入式Linux之我行——u-boot-2009.08在2440上的移植详解(一)?2009-11-27 10:46:35

分类:?嵌入式

嵌入式Linux之我行,主要讲述和总结了本人在学习嵌入式linux中的每个步骤。一为总结经验,二希望能给想入门嵌入式Linux的朋友提供方便。如有错误之处,谢请指正。

共享资源,欢迎转载:

一、移植环境

主 ?机:VMWare--Fedora 9

开发板:Mini2440--64MB Nand,Kernel:

编译器:arm-linux-gcc-4.3.2.tgz

u-boot:u-boot-2009.08.tar.bz2

二、移植步骤

本次移植的功能特点包括:

支持Nand Flash读写

支持从Nor/Nand Flash启动

支持CS8900或者DM9000网卡?

支持Yaffs文件系统?

支持USB下载(还未实现)

1.?了解u-boot主要的目录结构和启动流程,如下图。

?

??? u-boot的stage1代码通常放在cpu/xxxx/start.S文件中,他用汇编语言写成;

??? u-boot的stage2代码通常放在lib_xxxx/board.c文件中,他用C语言写成。

??? 各个部分的流程图如下:

?

?

?

2. 建立自己的开发板项目并测试编译。

???目前u-boot对很多CPU直接支持,可以查看board目录的一些子目录,如:board/samsung/目录下就是对三星一些ARM处理器的支持,有smdk2400、smdk2410和smdk6400,但没有2440,所以我们就在这里建立自己的开发板项目。

?

1)因2440和2410的资源差不多,主频和外设有点差别,所以我们就在board/samsung/下建立自己开发板的项目,取名叫my2440

#tar -jxvf u-boot-2009.08.tar.bz2????//解压源码#cd u-boot-2009.08/board/samsung/????//进入目录#mkdir my2440????????????????????????//创建my2440文件夹#cp -rf smdk2410/* my2440/???//将2410下所有的代码复制到2440下

#cd my2440???????????????????//进入my2440目录

#mv smdk2410.c my2440.c??????//将my2440下的smdk2410.c改名为my2440.c

#cd ../../../????????????????//回到u-boot根目录#cp include/configs/smdk2410.h include/configs/my2440.h?//建立2440头文件#gedit board/samsung/my2440/Makefile???//修改my2440下Makefile的编译项,如下:COBJS????:=?my2440.o flash.o??//因在my2440下我们将smdk2410.c改名为my2440.c#gedit Makefile

CROSS_COMPILE ?= arm-linux-????????//指定交叉编译器为arm-linux-gcc

?

smdk2410_config????:????unconfig???//2410编译选项格式????@$(MKCONFIG) $(@:_config=)?arm arm920t smdk2410 samsung s3c24x0

?

my2440_config????:????unconfig?????//2440编译选项格式????@$(MKCONFIG) $(@:_config=)?arm arm920t?my2440 samsung s3c24x0

?

*说明:arm??? :CPU的架构(ARCH)

?????? arm920t:CPU的类型

?????? my2440 :对应在board目录下建立新的开发板项目的目录

?????? samsung:新开发板项目目录的上级目录,如直接在board下建立新的开发板项目的目录,则这里就为NULL

?????? s3c24x0:CPU型号

*注意:编译选项格式的第二行要用Tab键开始,否则编译会出错4)测试编译新建的my2440开发板项目

#make my2440_config?//如果出现Configuring for my2440 board...则表示设置正确

#make?//编译后在根目录下会出现u-boot.bin文件,则u-boot移植的第一步就算完成了#gedit?cpu/arm920t/u-boot.lds

OUTP

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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