一、简介uboot中i2c读写有2种方式，一种使用uboot驱动模型，通过宏CONFIG_DM_I2C定义，另一种是传统方式，通过宏CONFIG_SYS_I2C定义。二、uboot中使用I2C命令进行读写在uboot命令行中，通过定义宏CONFIG_CMD_I2C，可以打开i2ccmd子系统。输入i2c查看usage。i2cbus-查看当前总线i2cdev[dev]-设置总线号i2cmdchipaddress[.0,.1,.2][#ofobjects]-i2c设备读i2cmwchipaddress[.0,.1,.2]value[count]-i2c设备写=>i2cbusBus2:i2c@480
opencv解码记录解码库使用的时候发现瑞芯微以前做过解码库对ffmpeg和gstreamer的支持然后最近实在不想再调试Rtsp浪费时间了，就从这中间找了一个比较快的方案ffmpeg带硬解码库编译编译流程参考文献https://blog.csdn.net/T__zxt/article/details/123424359编译的ffmpeg是这个版本https://github.com/jjm2473安装了下面这些东西：sudoapt-get-yinstall\autoconf\automake\build-essential\cmake\git-core\libass-dev\libfreet
OpenHarmony是由开放原子开源基金会（OpenAtomFoundation）孵化及运营的开源项目，目标是面向全场景、全连接、全智能时代、基于开源的方式，搭建一个智能终端设备操作系统的框架和平台，促进万物互联产业的繁荣发展。一、开发环境准备针对openharmony板级开发需要准备以下环境：TB-RK3568X开发板1个（附购买链接）PC-Windows101台（用于烧录和调试）服务器-Ubuntu20.04（用于openharmony代码编译）RK3568开发板外围配件（屏幕/摄像头等，附购买链接）二、开发板（目标板）硬件规格说明TB-RK3568X采用四核64位Cortex-A55处
在关于人工智能讨论度高居不下的今天，各个行业的领路企业也纷纷不甘落后。Adobe作为媒体界的行业标杆，就在近期推出了自己的人工智能图像应用——萤火虫firefly。虽然这只萤火虫刚刚“起飞”，它已经展现的文字生图和能力算是及格。我分别在网页版和PS中尝试了firefly。下面简单来介绍下我使用已经开放的功能的一些体验。（图片源于AdobeFirefly） Texttoimage非常直观的“文字描述>>>图片”功能。但一千个人心中有一千个哈姆雷特，训练出初始的模型不可能是每个人心目中理想的神笔。为了改善这个问题，firefly中有“showsimilar”和“useasreferenceimag
mipi调试过程1、前言2、开发环境3、调试过程3.1、下载openharmony3.2源码3.2、设备树上增加mipi-dsi屏幕的节点3.3、分析kernel显示不出来画面3.4、mipi屏幕显示效果图1、前言由于工作需要，RK3568需要支持openharmony3.2系统版本，需要重新移植下载源码并且适配自家公司的核心板。在开发的过程中，可谓是真滴难！！！原本openharmony系统就没有多少开源的资料了，然后整个架构跟linux和Android的SDK不一样，导致开发过程十分缓慢。。。就以MIPI屏幕为例接下来。2、开发环境Ubuntu：18.04openharmony版本：3.2
文章目录前言编译armbian根文件系统结果TODO前言23.12.02一个项目需要用到armbian系统。所以开始弄一下。硬件平台是rk3528、Linux内核5.10.160我用的方式是armbian根文件系统+rk的sdk内核方式，不用armbiancompile方式弄。编译armbian根文件系统armbian编译库代码仓armbian编译使用需要自主研究，这里不细说。gitclone下来后选择一个板子配置进行编译我选rock-3a.conf的配置同时我修改一处地方，把编译好的根文件系统放到我指定位置，防止编译结束后删除根文件系统文件夹diff--gita/lib/functions/
SOC：RK3568system：Android12kernel：kernel-4.19芯片：NVP6158Cxs9922目前我的主板上NVP6158接入4路Camera走DVP通道，xs9922接入4路AHDCamera走mipi通道RKkernel-4.19支持xs9922nvp6158c驱动路径 drivers/media/i2c/xs9922/xs9922.c drivers/media/i2c/nvp6158_drv/nvp6158_v4l2.cRK支持Camera热插拔复位机制，如果RK没有适配过的Camera驱动可以在ioctl加入RKMODULE_GET_VICAP_R
在音视频领域，融合推流，低码流，低延迟，浏览器H5化是一个降低成本，提升用户体验的重要手段。同时适配现有直播的生态也是一个必要条件。 在满足上述要求的情况下，我做了以下实践，取得了良好的效果。 在实践中，我们选择采用了成熟的rtmp做为推流的主要手段，srs直播多媒体服务器的顶级生态位不可或缺，H265作为良好的视频编解码协议，在节约40%以上的码流带宽情况下比H264拥有更清晰的画质和更好的运动画面表现力，新兴的浏览器传输硬解渲染技术作为跨平台web化的门户比起桌面播放器有太多优势。 在设备端推流选取了性价比很高的瑞星微rk3568作为硬件载体，其拥有60fps1080
文章目录一、Caffe模型加载接口二、TensorFlow模型加载接口三、TensorFlowLite模型加载接口四、ONNX模型加载五、DarkNet模型加载接口六、PyTorch模型加载接口沉淀、分享、成长，让自己和他人都能有所收获！😄📢RKNN-Toolkit2目前支持Caffe、TensorFlow、TensorFlowLite、ONNX、DarkNet、PyTorch等模型的加载转换，这些模型在加载时需调用对应的接口，以下为这些接口的详细说明。一、Caffe模型加载接口
基于yolov5与Arcface算法实现人脸检测以及拓展一、摘要二、本课题研究背景及研究意义三、国内外研究背景1、人脸检测技术的研究现状2、人脸识别技术研究现状论文的研究内容一、摘要为协助高校学生查找教室空座分布情况和辅助教师考勤，设计基于视频监控的教室人数统计方法。由于视频监控教室场景下的学生都是处于坐立状态，躯干部分被桌椅遮挡，无法进行全身轮廓检测，并且学生都是低头学习，也无法选择人脸识别进行计数，而选择人头这一部位作为检测目标更加适合教室场景。首先采用YOLOv5s网络作为人头检测识别的模型，在自制人头数据集上对网络进行训练，利用训练好的YOLOv5s网络提取不同视频监控下人头的特征和位
