RK3568开发笔记(三):RK3568虚拟机基础环境搭建之更新源、安装网络工具、串口调试、网络连接、文件传输、安装vscode和samba共享服务

简介: RK3568开发笔记(三):RK3568虚拟机基础环境搭建之更新源、安装网络工具、串口调试、网络连接、文件传输、安装vscode和samba共享服务

前言

  开始搭建RK3568的基础虚拟机,具备基本的通用功能,主要包含了串口工具minicom,远程登陆ssh,远程传输filezilla,代码编辑工具vscode。


虚拟机

  文档对对虚拟机做了一些基本要求,如下图:

  

  为了尽量在前期减少错误,应选择一样的vmware版本 和ubuntu,尤其是ubuntu(重点是amd 64位的)。

  笔者使用ubutn18.04 x64位系统,制作一个空系统,使用vmware虚拟机只做一个改系统的空系统(如何安装虚拟机,请自行百度)。

  


Ubuntu界面方式更新源

更换源

  

  

  

  

  更换完成,如果弹出要更新,请点击取消(界面更新的东西好像比较多)。


安装网络工具

  Ubuntu18没有ifconfig等一些工具,需要手动安装:

sudo apt-get install net-tools

  


开发板调试串口连接

更新源

  更换完成后,使用以下命令更新以下:

sudo apt-get update

  

串口物理连接

  将串口连接到PC电脑上,并将串口PC与虚拟机连接,是虚拟机可以打开串口。

  串口物理接线:

  

  电脑上显示新的串口:

  

  虚拟机将串口接入:

  

  确认串口(USB串口):

  

  虚拟机网络连接

  

  下载串口工具minicom

sudo apt-get install minicom

  

打开串口(ttyUSB0,一般波特率都为115200)

sudo minicom -s

  

  

  

重新上电,连接成功

  

  查看开发板内核系统版本:

  


虚拟机与开发板的网络连接

虚拟机通往开发板

  开发板ip:

  

  查看网卡,此开发板网络配置很多,wlan0为无线网卡配置;

  

  虚拟机通往开发板:

  

开发板通往虚拟机

  虚拟机ip:

  

  开发板通往虚拟机:

  


安装fileZilla文件传输软件

  (此开发板自带的系统没有该服务,但是我们系统需要安装上后,往后需要搭建自己的系统,现在只安装这个软件)

  在ubuntu软件中心下载软件fileZilla,如下图:

  


代码开发编辑工具vscode

下载vscode

  (因为开发驱动,而不是之前只开发qt和c应用了,尝试使用vscode)。

  vscode 是一款免费开源的代码编辑器, 而且功能十分强大, 基本支持所有主流的编程语言的语法高亮,自动补全, 匹配括号等。 软件跨平台支持 win, mac 和 linux。

  官方下载地址:https://code.visualstudio.com/Download

  CSDN粉丝0积分下载地址:https://download.csdn.net/download/qq21497936/85430506

  QQ群下载地址:1047134658(点击“文件”搜索“code”,群内与博文同步更新)

  

安装vscode

sudo dpkg --install code_1.67.2-1652812855_amd64.deb 

  

  

安装vscode插件

  

  

  安装插件,根据开发文档推荐的,如下:

  • C/C++:C和C++的编译环境
  • C/C++ Snippets:C/C++重用代码块。
  • C/C++ Advanced Lint:C/C++静态检测。
  • Code Runner:即代码运行。
  • Include AutoComplete:自动头文件包含。
  • Rainbow Brackets:彩虹花括号,有助于阅读代码。
  • One Dark Pro:VSCode 的主题。
  • GBKtoUTF8:将 GBK 转换为 UTF8。
  • Arm Assmebly:即支持 ARM 汇编语法高亮显示。
  • Chinese(Simplified):中文环境。
  • vscode-icons:VSCode 图标插件, 主要是资源管理器下各个文件夹的图标。
  • compareit:比较插件, 可以用于比较两个文件的差异。
  • DeviceTree:设备树语法插件。
  • TabNine AI:AI 自动补全插件。

  安装完成后:

  


共享文件服务器samba

  虚拟机有时候拽拖文件有问题,为了更好的避免,此处安装了samba服务,让外部电脑通过资源管理器直接使用ip地址即可访问虚拟机ubuntu的共享文件夹,实现文件传输。

  参考博文《linux实用技巧:ubuntu18.04安装samba服务器实现局域网文件共享



相关文章
|
2天前
|
搜索推荐 C++ 开发者
VSCode安装使用教程,保姆级!
本文介绍了Visual Studio Code(VS Code)的安装和基本使用,包括从官网下载安装包,按照步骤在Windows系统上安装,以及设置个性化主题。此外,还强调了安装插件以增强功能,例如安装简体中文插件,并展示了如何搜索和安装插件。VS Code作为一个免费、开源的轻量级编辑器,其丰富的扩展性和高效性使其成为开发者工具的首选。
25 0
|
14天前
|
机器学习/深度学习 计算机视觉 知识图谱
【YOLOv8改进】MobileViT 更换主干网络: 轻量级、通用且适合移动设备的视觉变压器 (论文笔记+引入代码)
MobileViT是针对移动设备的轻量级视觉Transformer网络,结合CNN的局部特征、Transformer的全局注意力和ViT的表示学习。在ImageNet-1k上,它以600万参数实现78.4%的top-1准确率,超越MobileNetv3和DeiT。MobileViT不仅适用于图像分类,还在目标检测等任务中表现出色,且优化简单,代码已开源。YOLOv8引入了MobileViT块,整合卷积和Transformer结构,提升模型性能。更多详情可参考相关专栏和链接。
|
10天前
|
存储 安全 测试技术
网络奇谭:虚拟机中的共享、桥接与Host-Only模式解析
网络奇谭:虚拟机中的共享、桥接与Host-Only模式解析
19 0
|
13天前
|
Ubuntu
蓝易云 - 虚拟机中Ubuntu16.04设置网络教程
以上就是在虚拟机中设置Ubuntu 16.04网络的基本步骤。具体的步骤可能会根据你的虚拟机软件和网络环境有所不同。
26 8
|
14天前
|
机器学习/深度学习 数据可视化 计算机视觉
【YOLOv8改进】MCA:用于图像识别的深度卷积神经网络中的多维协作注意力 (论文笔记+引入代码)
YOLO目标检测专栏介绍了YOLO的创新改进和实战案例,包括多维协作注意力(MCA)机制,它通过三分支架构同时处理通道、高度和宽度注意力,提高CNN性能。MCA设计了自适应组合和门控机制,增强特征表示,且保持轻量化。该模块适用于各种CNN,实验证明其在图像识别任务上的优越性。此外,文章还展示了如何在YOLOv8中引入MCA层的代码实现和相关任务配置。
|
14天前
|
机器学习/深度学习 计算机视觉
【YOLOv8改进】 YOLOv8 更换骨干网络之GhostNetV2 长距离注意力机制增强廉价操作,构建更强端侧轻量型骨干 (论文笔记+引入代码)
该专栏聚焦YOLO目标检测的创新改进与实战,介绍了轻量级CNNs和注意力机制在移动设备上的应用。文章提出了一种名为GhostNetV2的新架构,结合了硬件友好的DFC注意力机制,强化了特征表达能力和全局信息捕获,同时保持低计算成本和高效推理。GhostNetV2在ImageNet上以167M FLOPs达到75.3%的top-1准确率,优于同类模型。创新点包括DFC注意力、模型结构优化和效率提升。源代码可在GitHub和MindSpore平台上找到。此外,还提到了YOLOv8的相关实现和任务配置。
|
14天前
|
机器学习/深度学习 存储 测试技术
【YOLOv8改进】 YOLOv8 更换骨干网络之 GhostNet :通过低成本操作获得更多特征 (论文笔记+引入代码).md
YOLO目标检测专栏探讨了卷积神经网络的创新改进,如Ghost模块,它通过低成本运算生成更多特征图,降低资源消耗,适用于嵌入式设备。GhostNet利用Ghost模块实现轻量级架构,性能超越MobileNetV3。此外,文章还介绍了SegNeXt,一个高效卷积注意力网络,提升语义分割性能,参数少但效果优于EfficientNet-L2。专栏提供YOLO相关基础解析、改进方法和实战案例。
|
14天前
|
计算机视觉
【YOLOv8改进】 AFPN :渐进特征金字塔网络 (论文笔记+引入代码).md
YOLO目标检测专栏介绍了YOLO的有效改进和实战案例,包括AFPN——一种解决特征金字塔网络信息丢失问题的新方法。AFPN通过非相邻层直接融合和自适应空间融合处理多尺度特征,提高检测性能。此外,还展示了YOLOv8中引入的MPDIoU和ASFF模块的代码实现。详情可参考提供的专栏链接。
|
14天前
|
编解码 计算机视觉 网络架构
【YOLOv8改进】BiFPN:加权双向特征金字塔网络 (论文笔记+引入代码)
该专栏深入研究了YOLO目标检测的神经网络架构优化,提出了加权双向特征金字塔网络(BiFPN)和复合缩放方法,以提升模型效率。BiFPN通过双向跨尺度连接和加权融合增强信息传递,同时具有自适应的网络拓扑结构。结合EfficientNet,构建了EfficientDet系列检测器,在效率和准确性上超越先前技术。此外,介绍了YOLOv8如何引入MPDIoU并应用BiFPN进行可学习权重的特征融合。更多详情可参考提供的专栏链接。
|
15天前
|
数据安全/隐私保护
给虚拟机配置网络 Xshell 使用
给虚拟机配置网络 Xshell 使用