小火苗的个人空间动态-电子工程世界

小火苗

动态发布点评好友关于

2024-11-14
发表了主题帖：【米尔-全志 T527 开发板-试用评测】-FacenetPytorch人脸识别

一、facenet_pytorch算法实现人脸识别深度神经网络简介 Facenet-PyTorch 是一个基于 PyTorch 框架实现的人脸识别库。它提供了 FaceNet 模型的 PyTorch 实现，可以用于训练自己的人脸识别模型。FaceNet 是由 Google 研究人员提出的一种深度学习模型，专门用于人脸识别任务。在利用PyTorch神经网络算法进行人脸图像对比的实验设置中，我们专注于对比环节，而不涉及实际项目的完整实现细节。但为了贴近实际应用，我们可以构想以下流程： 1）捕捉新人脸图像：首先，我们使用摄像头或其他图像采集设备捕捉一张新的人脸照片。 2）加载存储的人脸图像：接着，从数据库中加载所有已存储的人脸图像。这些图像是之前采集并存储的，用于与新捕捉到的人脸照片进行对比。 3）构建神经网络模型：为了实现对比功能，我们需要一个预先训练好或自定义的神经网络模型。这个模型能够提取人脸图像中的关键特征，使得相似的图像在特征空间中具有相近的表示。 4）特征提取：利用神经网络模型，对新捕捉到的人脸照片和存储的每一张人脸图像进行特征提取。这些特征向量将用于后续的对比计算。 5）计算相似度：采用合适的相似度度量方法（如余弦相似度、欧氏距离等），计算新照片特征向量与存储图像特征向量之间的相似度。 6）确定匹配图像：根据相似度计算结果，找到与新照片相似度最高的存储图像，即认为这两张图像匹配成功。 7）输出匹配结果：最后，输出匹配成功的图像信息或相关标识，以完成人脸对比的实验任务。核心组件 MTCNN：Multi-task Cascaded Convolutional Networks，即多任务级联卷积网络，专门设计用于同时进行人脸检测和对齐。它在处理速度和准确性上都有出色的表现，是当前人脸检测领域的主流算法之一。 FaceNet：由Google研究人员提出的一种深度学习模型，专门用于人脸识别任务。FaceNet通过将人脸图像映射到一个高维空间，使得同一个人的不同图像在这个空间中的距离尽可能小，而不同人的图像距离尽可能大。这种嵌入表示可以直接用于人脸验证、识别和聚类。功能支持人脸检测：使用MTCNN算法进行人脸检测，能够准确识别出图像中的人脸位置。支持人脸识别：使用FaceNet算法进行人脸识别，能够提取人脸特征并进行相似度计算，实现人脸验证和识别功能。二、安装facenet_pytorch库更新系统更新ubuntu系统，详情查看米尔提供的资料文件更新系统软件 apt-get update 安装git等支持软件 sudo apt-get install -y python3-dev python3-pip libopenblas-dev libssl-dev libffi-dev git cmake 安装Pytorch支持工具 # 克隆 PyTorch 源代码 git clone --recursive https://github.com/pytorch/pytorch # 进入 PyTorch 目录 cd pytorch # 安装 PyTorch (需要根据你的需求选择 CUDA 版本，如果不需要 GPU 支持则不需要 --cuda 参数) pip3 install --no-cache-dir torch -f https://download.pytorch.org/whl/torch_stable.html # 测试 PyTorch 安装 python3 -c "import torch; print(torch.__version__)" 5.安装facenet_pytorch pip3 install facenet_pytorch 三、CSDN参考案例 1.代码实现 ############face_demo.py############################# import cv2 import torch from facenet_pytorch import MTCNN, InceptionResnetV1 # 获得人脸特征向量 def load_known_faces(dstImgPath, mtcnn, resnet): aligned = [] knownImg = cv2.imread(dstImgPath) # 读取图片 face = mtcnn(knownImg) # 使用mtcnn检测人脸，返回人脸数组 if face is not None: aligned.append(face[0]) aligned = torch.stack(aligned).to(device) with torch.no_grad(): known_faces_emb = resnet(aligned).detach().cpu() # 使用ResNet模型获取人脸对应的特征向量 print("\n人脸对应的特征向量为：\n", known_faces_emb) return known_faces_emb, knownImg # 计算人脸特征向量间的欧氏距离，设置阈值，判断是否为同一张人脸 def match_faces(faces_emb, known_faces_emb, threshold): isExistDst = False distance = (known_faces_emb[0] - faces_emb[0]).norm().item() print("\n两张人脸的欧式距离为：%.2f" % distance) if (distance < threshold): isExistDst = True return isExistDst if __name__ == '__main__': # help(MTCNN) # help(InceptionResnetV1) # 获取设备 device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu') # mtcnn模型加载设置网络参数，进行人脸检测 mtcnn = MTCNN(min_face_size=12, thresholds=[0.2, 0.2, 0.3], keep_all=True, device=device) # InceptionResnetV1模型加载用于获取人脸特征向量 resnet = InceptionResnetV1(pretrained='vggface2').eval().to(device) MatchThreshold = 0.8 # 人脸特征向量匹配阈值设置 known_faces_emb, _ = load_known_faces('yz.jpg', mtcnn, resnet) # 已知人物图 faces_emb, img = load_known_faces('yz1.jpg', mtcnn, resnet) # 待检测人物图 isExistDst = match_faces(faces_emb, known_faces_emb, MatchThreshold) # 人脸匹配 print("设置的人脸特征向量匹配阈值为：", MatchThreshold) if isExistDst: boxes, prob, landmarks = mtcnn.detect(img, landmarks=True) print('由于欧氏距离小于匹配阈值，故匹配') else: print('由于欧氏距离大于匹配阈值，故不匹配') 此代码是使用训练后的模型程序进行使用，在程序中需要标明人脸识别对比的图像。 2.实践过程第一次运行时系统需要下载预训练的vggface模型，下载过程较长，后面就不需要在下载了运行会很快。如图所示： 3.程序运行异常呗终止运行程序，提示killed，系统杀死了本程序的运行，经过多方面的测试，最终发现是识别的图片过大，使得程序对内存消耗过大导致。后将图片缩小可以正常运行了。以下是对比图像和对比结果。四、gitHub开源代码首先下载代码文件代码库中，大致的介绍了facenet算法的训练步骤等。代码实现以下是facenet的python代码，注意需要更改下面的一条程序"cuda" False,因为t527使用的是cpu，芯片到时自带gpu但是cuda用不了，因为cuda是英伟达退出的一种计算机架构。 import matplotlib.pyplot as plt import numpy as np import torch import torch.backends.cudnn as cudnn from nets.facenet import Facenet as facenet from utils.utils import preprocess_input, resize_image, show_config #--------------------------------------------# # 使用自己训练好的模型预测需要修改2个参数 # model_path和backbone需要修改！ #--------------------------------------------# class Facenet(object): _defaults = { #--------------------------------------------------------------------------# # 使用自己训练好的模型进行预测要修改model_path，指向logs文件夹下的权值文件 # 训练好后logs文件夹下存在多个权值文件，选择验证集损失较低的即可。 # 验证集损失较低不代表准确度较高，仅代表该权值在验证集上泛化性能较好。 #--------------------------------------------------------------------------# "model_path" : "model_data/facenet_mobilenet.pth", #--------------------------------------------------------------------------# # 输入图片的大小。 #--------------------------------------------------------------------------# "input_shape" : [160, 160, 3], #--------------------------------------------------------------------------# # 所使用到的主干特征提取网络 #--------------------------------------------------------------------------# "backbone" : "mobilenet", #-------------------------------------------# # 是否进行不失真的resize #-------------------------------------------# "letterbox_image" : True, #-------------------------------------------# # 是否使用Cuda # 没有GPU可以设置成False #-------------------------------------------# "cuda" : False, }@classmethod def get_defaults(cls, n): if n in cls._defaults: return cls._defaults[n] else: return "Unrecognized attribute name '" + n + "'" #---------------------------------------------------# # 初始化Facenet #---------------------------------------------------# def __init__(self, **kwargs): self.__dict__.update(self._defaults) for name, value in kwargs.items(): setattr(self, name, value) self.generate() show_config(**self._defaults) def generate(self): #---------------------------------------------------# # 载入模型与权值 #---------------------------------------------------# print('Loading weights into state dict...') device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') self.net = facenet(backbone=self.backbone, mode="predict").eval() self.net.load_state_dict(torch.load(self.model_path, map_location=device), strict=False) print('{} model loaded.'.format(self.model_path)) if self.cuda: self.net = torch.nn.DataParallel(self.net) cudnn.benchmark = True self.net = self.net.cuda() #---------------------------------------------------# # 检测图片 #---------------------------------------------------# def detect_image(self, image_1, image_2): #---------------------------------------------------# # 图片预处理，归一化 #---------------------------------------------------# with torch.no_grad(): image_1 = resize_image(image_1, [self.input_shape[1], self.input_shape[0]], letterbox_image=self.letterbox_image) image_2 = resize_image(image_2, [self.input_shape[1], self.input_shape[0]], letterbox_image=self.letterbox_image) photo_1 = torch.from_numpy(np.expand_dims(np.transpose(preprocess_input(np.array(image_1, np.float32)), (2, 0, 1)), 0)) photo_2 = torch.from_numpy(np.expand_dims(np.transpose(preprocess_input(np.array(image_2, np.float32)), (2, 0, 1)), 0)) if self.cuda: photo_1 = photo_1.cuda() photo_2 = photo_2.cuda() #---------------------------------------------------# # 图片传入网络进行预测 #---------------------------------------------------# output1 = self.net(photo_1).cpu().numpy() output2 = self.net(photo_2).cpu().numpy() #---------------------------------------------------# # 计算二者之间的距离 #---------------------------------------------------# l1 = np.linalg.norm(output1 - output2, axis=1) plt.subplot(1, 2, 1) plt.imshow(np.array(image_1)) plt.subplot(1, 2, 2) plt.imshow(np.array(image_2)) plt.text(-12, -12, 'Distance:%.3f' % l1, ha='center', va= 'bottom',fontsize=11) plt.show() return l1 代码实现此代码调用的签名的代码，但其可以直接的去调用图片进行人脸识别。 from PIL import Image from facenet import Facenet if __name__ == "__main__": model = Facenet() while True: image_1 = input('Input image_1 filename:') try: image_1 = Image.open(image_1) except: print('Image_1 Open Error! Try again!') continue image_2 = input('Input image_2 filename:') try: image_2 = Image.open(image_2) except: print('Image_2 Open Error! Try again!') continue probability = model.detect_image(image_1,image_2) print(probability) 程序运行运行程序后首先显示的是程序的配置信息，然后可以输入图像对比检测的内容。以下是图像识别的效果和对比的准确率。五、参考文献 CSDN博客 https://blog.csdn.net/weixin_45939929/article/details/124789487?utm_medium=distribute.pc_relevant.none-task-blog-2~default~baidujs_baidulandingword~default-1-124789487-blog-142987324.235^v43^pc_blog_bottom_relevance_base6&spm=1001.2101.3001.4242.2&utm_relevant_index=4 官方源码来源 https://gitcode.com/gh_mirrors/fac/facenet-pytorch/overview
2024-11-06
回复了主题帖：嵌入式工程师AI挑战营（进阶）：在RV1106部署InsightFace算法的多人实时人脸识别实战

InsightFace是由旷视科技（Megvii）开发的一款高效的人脸识别、人脸检测和人脸对齐算法库。开发环境搭建，安装Python和相关的依赖库，在ubuntu PC系统进行人脸识别算法的开发。使用RKNN-Toolkit2进行算法程序的转换，因为RKNN是在电脑端进行应用的，在嵌入式端无法直接运行。所以需要使用工具进行算法程序的转换。实际开发，在pc端进行人脸识别算法的开发和训练，最终将算法程序部署到rv1106电路板上进行实际的使用和调试。
2024-10-16
回复了主题帖：【新定义TBK-RD8T3x 触摸滑条和按键评估板】三、触摸滑动触摸&RDS魔盒

程英茂发表于 2024-10-16 07:48 提出了问题，之后忽然找到了答案，厉害厉害这几天没看消息错过了
2024-09-19
回复了主题帖：【匠芯创D133CBS】-小火苗-PWM测试

Jacktang 发表于 2024-9-14 07:46 用不了其他引脚进行PWM测试，这个最后怎么处理的呢蜂鸣器用的是PWM1 用的蜂鸣器
回复了主题帖：【匠芯创D133CBS】-网络通讯测试

Jacktang 发表于 2024-9-15 08:48 评估板不知道怎么回事下载不了其编译后的镜像，这个是个小遗憾是啊
2024-09-13
发表了主题帖：【匠芯创D133CBS】-小火苗-PWM测试

PWM工作原理 PWM 信号 < class="p" style="">PWM 信号通常由一列占空比不同的矩形脉冲构成，其占空比可以调节。用数字输出来控制 PWM 占空比，占空比提高意味着高电平脉宽增大，输出的能量就会增加，PWM 就相当于一个功率版的 DA 转换模块。下图是一个典型的 PWM 信号波形：图典型的 PWM 信号波形 < class="p" style="">占空比的计算方法：占空比 = (脉宽时间 / 周期) * 100% < class="p" style="">结合上图，我们可以说：脉宽时间 1 相比脉宽时间 2 提供较小的占空比。 < class="p" style="">PWM 通常用于背光亮度调节、电机控制、舵机控制等。本文仅限于 PWM 调节背光的功能，通过调节 PWM 中的占空比，达到控制 LED 背光电流的通和断，进而可调整背光亮度。 PWM驱动配置打开VsCode软件，打开该文件，在VsCode下打开终端，输入list命令查看系统，使用lunch 11 选择程序系统。在文件夹下打开win_cmd.bat终端，因为VsCode打开menuconfig配置文件的时候显示和操作会很卡。所以直接用电脑自带的终端打开。编译使用终端命令scons进行编译下载测试查看手册和板子原理图，PWM引脚接入蜂鸣器，其余的PWM引脚被其他功能复用，所以在此使用不了其他引脚进行PWM测试。
发表了主题帖：【匠芯创D133CBS】-网络通讯测试

一、MAC 使用指南支持全双工/半双工支持 100/10 Mbps，部分 SoC 支持 1000 Mbps 支持 RMII 接口，部分 SoC 支持 RGMII 接口支持内部 DMA TXFIFO/RXFIFO 的大小均为 2048 Byte，均支持阈值模式和存储-转发模式支持 VLAN 哈希过滤支持 64-bit 哈希地址过滤、完美地址过滤（支持 8 个地址寄存器）支持源地址的插入/替换，VLAN 的插入/替换/删除，CRC 的插入/替换/删除支持接收校验和错误检测支持发送校验和计算二、以太网介绍以太网（Ethernet）是一种计算机局域网组网技术，基于 IEEE802.3 标准，它规定了包括物理层的连线（RJ45），电气信号（PHY）和媒体访问层（MAC）协议等，以太网的特征是有线网络，网络中的各终端必须通过网线进行连接，以太网模块可以简单的理解为 MAC 通过 MII 总线控制 PHY 共同完成终端之间数据交换的一种设备。使用拓扑一个典型的以太网电路至少需要如下器件的参与 RJ45 连接器网络变压器晶振 PHY 收发器 MAC 控制器 AP 处理器 D211 集成 MAC 控制器模块，AP 内部也可以提供 PHY 收发器所需的时钟，从而不使用外部晶振模块。如果要提升硬件的防静电能力，外部一般会增加 ESD 保护电路。三、MAC 架构图模块架构图MAC 架构图PHY 架构四、程序开发--上点干货五、测试过程 1、镜像选择 Built-in configs: 8. d13x_demo88-nand_baremetal_bootloader 9. d13x_demo88-nand_rt-thread_helloworld 10. d13x_demo88-nor_baremetal_bootloader 11. d13x_demo88-nor_rt-thread_helloworld 12. d13x_kunlunpi88-nor_baremetal_bootloader 13. d13x_kunlunpi88-nor_rt-thread_helloworld 以上六种程序系统适配当前的开发板，d13x_demo88-nand_rt-thread_helloworld系统更适合开发网口程序，但是我的评估板不知道怎么回事下载不了其编译后的镜像，问官方也未得到反馈。后面使用的是d13x_kunlunpi88-nor_rt-thread_helloworld系统进行的实验。 Lwip简介 LWIP是一个轻量的开源的TCP/IP协议栈，专为嵌入式系统设计，在RTOS应用非常多。特点‌：LwIP可以在有无操作系统的情况下运行，重点是在保持TCP协议主要功能的基础上减少对RAM的占用，通常只需十几KB的RAM和40K左右的ROM即可运行。 ‌应用‌：适用于资源受限的嵌入式设备，如云台接入、无线网关、远程模块等。 ‌接口‌：提供RAW API、NETCONN API和SOCKET API三种编程接口，方便开发者根据需求选择使用。 ‌优势‌：代码量小、可配置性强、支持多平台，广泛应用于物联网项目中‌
2024-09-12
发表了主题帖：【匠芯创D133CBS】-小火苗-CAN通讯测试实验

一、CAN配置驱动配置 Board options ---> Using CAN0 Using CAN1 luban-lite CAN 的 driver 层是基于 RT-Thread 的 CAN 驱动框架实现的，所以需要使能 RT-Thread 的 CAN 驱动框架： RT-Thread options ---> RT-Thread Components ---> Device Drivers ---> Using CAN device drivers Enable CAN hardware filter [ ] Enable CANFD support EEWORLDIMGTK0 二、CAN 测试程序配置在 Luban-Lite 根目录下执行 scons --menuconfig，进入 menuconfig 的功能配置界面，按如下选择： Drivers options ---> Drivers examples ---> Enable CAN driver test command 三、程序编译程序经过以上配置后编译程序系统便带有了RTC的例程，编译命令为scons。如图所示：四、程序下载程序下载使用USB下载会很快，首先连接好设备后，按住BOOT按键不松手再按RESET按键，下载软件便可以发现设备。五、CAN 收发测试正常模式收发测试将测试板上的 CAN0 接口连接到CAN分析仪上。执行 sample 命令，CAN0 会向 CAN1 发送数据，CAN分析仪会打印接收到的数据。 aic /> can_sample 回环模式收发测试在打开 test_can 的编译后，板子上可直接运行 test_can 命令： aic /> test_can test_can - test CAN send frame to itself (loopback mode) Usage: test_can <can_name> frame_id#frame_dataFor example: test_can can1 1a3#11.22.9a.88.ef.00 执行命令，CAN 设备会向自己发送数据，并会打印接收到的数据。 aic /> test_can can1 1a3#11.22.9a.88.ef.00 # 设置 CAN1 为接收端和发送端，发送数据帧 1a3#11.22.9a.88.ef.00 The can1 received thread is ready... received msg: ID: 0x1a3 DATA: 11 22 9a 88 ef 00 以上是官方的教程，实操如图所示：六、相关资料电路引脚，如图所示：
2024-09-11
发表了主题帖：【匠芯创D133CBS】-小火苗-RTC时钟测试

一、RTC配置参考官方文档手册，配置如下：在 Luban-Lite 根目录下执行 scons --menuconfig，进入 menuconfig 的功能配置界面，按如下选择： Board options ---> Using RTC RTC parameter ---> (3276800) The actual rate of 32K clock [ ] Enable the alarm IO output [ ] Enable the 32K clock output 当使用 RT-Thread 内核的时候，RTC 驱动需要依赖 Thread 的 RTC 设备驱动框架和 alarm 框架，也是在 menuconfig 界面中打开： Rt-Thread options ---> RT-Thread Components ---> Device Drivers ---> Using RTC device drivers Using RTC alarm 二、时区配置 1、在 RT-Thread 组件中提供了时区管理功能，Luban-Lite SDK 中默认配置时区为中国的 +8 时区。在 Luban-Lite 根目录下执行 scons --menuconfig，进入 menuconfig 的功能配置界面，进入功能配置： Rt-Thread options ---> RT-Thread Components ---> C/C++ and POSIX layer ---> (8) Set the default time zone (UTC+) 2、使用命令配置：串口 Aic命令界面使用的是串口通讯，板子载有UART0-DEBUG接口，通过USB转TTL进行通讯，串口波特率为115200 三、程序编译程序经过以上配置后编译程序系统便带有了RTC的例程，编译命令为scons。如图所示：四、程序下载程序下载使用USB下载会很快，首先连接好设备后，按住BOOT按键不松手再按RESET按键，下载软件便可以发现设备。五、程序验证测试 aic /> test_alarm 3# aic /> [I] test_alarm_callback()9 Test alarm callback function.
2024-08-26
发表了主题帖：【匠芯创D133CBS】-小火苗-仿真和开发环境搭建

淘宝买的调试器安装驱动驱动配置 VS Code设置 VS Code编译 Vs debug
2024-08-16
回复了主题帖：【匠芯创D133CBS】-小火苗-开发前期理论分析

wangerxian 发表于 2024-8-16 09:23 这是国产芯片吗？有参数吗国产芯片售价在18元左右一颗 https://www.artinchip.com/p/25.html
发表了主题帖：【匠芯创D133CBS】-小火苗-开发前期理论分析

一、硬件外观硬件电路设计的还是比较板正。二、系统架构探索接收到开发板之后一脸蒙，是linux系统还是RTOS系统呢？从官方资料上看使用的是RTOS系统，Luban-Lite 是 ArtInChip 基于 RT-Thread 系统深度优化的 RTOS SDK，支持 baremetal 构建模式，支持 freerots， rt-thread 核，支持 rt-thread 生态。 Baremetal 是 ArtInChip 的嵌入式裸机系统。总结，匠芯创D133CBS是用的是ROTS系统和裸机系统两种方式实现软件的开发。三、开发环境个人理解，linux系统下开发，和Windows系统下还有Eclipse软件开发环境，我分析是有这三种开发方式，在之后我选择使用linux系统下进行软件开发。四、开发用的的下载工具程序下载工具将编译好的镜像烧录到开发板中，程序烧录有三种种方式，串口（JTAG）、SD卡和USB升级。五、使用手册 https://www.artinchip.com/knowledge/oxy_ex-1/topics/chapter-system-luban-lite.html 六、JATG 个人分析JATG调试工具在后面的开发调试比较重要
2024-08-06
回复了主题帖：测评入围名单：工业级智能控制MCU 匠芯创D133CBS，追加了3块

个人信息无误，确认可以完成测评分享计划
2024-07-17
发表了主题帖：【米尔-全志 T527 开发板-试用评测】-Ubuntu系统游戏安装

T527-Ubuntu系统游戏安装一、应用商城游戏软件安装二、命令行安装使用命令行进行游戏软件安装小游戏 sudo apt-get install sl //下载安装sl sudo apt-get install cmatrix //下载安装代码雨 sudo apt-get install bastet //下载安装代俄罗斯方块 sudo apt-get install frozen-bubble //下载安装代泡泡龙 sudo apt-get install oneko //追逐鼠标指针的小猫 Sudo apt-get install kigo //围棋
发表了主题帖：【米尔-全志 T527 开发板-试用评测】-TeamViewer远程协助

TeamViewer远程协助软件的安装与使用一、软件下载二、软件安装使用命令行进行安装软件 sudo dpkg -i teamviewer-host_15.55.3_arm64.deb 安装成功后，配置软件。个人设置的是局域网链接，因为板子WiFi也连的同一个网络，所以在此有两段IP。三、Windows电脑远程控制 Windows电脑端的软件安装和远程连接操作。如图所示，电脑端实现对T527的远程桌面操作。
2024-07-01
发表了主题帖：【米尔-瑞米派Remi Pi-兼容树莓派扩展模块--试用评测】- 扩展接口与树莓派接口对比

一、电路原理二、树莓派外接口原理图三、瑞米派电路功能框图从原理图框图，可以很清晰的看出来外接口的功能。GPIO、PWM、SPI0、I2C0、I2C1、CAN0和SCIF2、SCIF4等功能。除此之外还有HDMI和MIPI等接口的预留。还有比较重要的一个问题可以看出来WIFI蓝牙模块和SD卡共用了引脚。 Wifi模块使用了SD卡的引脚。
2024-06-30
发表了主题帖：【米尔-瑞米派Remi Pi-兼容树莓派扩展模块--试用评测】-ubuntu系统安装

一、镜像下载选择myir-image-ubuntu系统镜像，下载。二、镜像工具下载SD卡烧录软件。三、镜像烧录制作SD卡镜像如果是首次烧录还是很麻烦的，需要参考Remi Pi_Linux软件开发指南进行操作。注意：在此强调一点，个人也是多次尝试最后找到的方法。该系统出厂时默认使用的WIFI功能，因为WIFI模块和SD卡共用引脚，所以启用WIFI功能后SD卡无法正常使用，从而无法更新系统镜像。所以需要设置下SD卡启动，开发指南有配置方法，但没有进入的方法。在此强调一下。正常开机时需要一直按回车键，才可以进入后台配置模式。如图所示：插入SD卡后上电，等待系统更新成功，如图所示：拔掉SD卡重新上电。四、镜像显示米尔Remi系统镜像密码基本都是123456 用户名可以用root 登录后默认桌面为黑色点击鼠标进行桌面设置。串口打印信息显示了Ubuntu系统和系统版本，如图所示五、Deban系统
发表了主题帖：【米尔-全志 T527 开发板-试用评测】-485通讯测试

一、参考米尔提供的资料使用命令行进行测试485通讯功能是否正常，方便日后的程序开发。二、原理图原理图设计参考了米尔官方资料三、测试
2024-05-17
回复了主题帖：【米尔-全志 T527 开发板-试用评测】- 外扩工控板设计原理梳理

beyond_笑谈发表于 2024-5-7 15:32 这个板子后面没有再尝试做其他的测评？CPU性能挺不错的后面会做的敬请期待
发表了主题帖：米尔-全志 T527 开发板-试用评测】-外扩板和外壳设计

米尔官方设计米尔官方提供的3D文件是.STP文件，可以在资源文件中找到，但是其3D文件缺少部分器件文件（如外壳底板等）固在3维设计软件中无法正常打开。米尔TL527开发板3D图外扩板电路设计电路设计比较简单，具有2路CAN通讯、2路232通讯、4路485通信、备用232通讯一路、2个指示灯和2个按键。使用3D设计软件，将外扩电路板与主板的固定孔和排针对齐，检测设计是否存在位置偏差。如图所示整体外壳设计根据外扩板和评估板的轮廓和各类接口模型，设计外壳。 PCB电路加工焊接完成