imx_usb_loader 使用教程
1. 项目介绍
imx_usb_loader 是一个开源工具,由 Boundary Devices 开发,用于通过 USB OTG 端口在 NXP i.MX5/i.MX6/i.MX7 和 Vybrid SoCs 上下载和执行代码。该工具通过 Serial Download Protocol (SDP) 实现,通常用于替代 NXP 的 MFGTOOL 来加载 SPL 和 U-Boot。
2. 项目快速启动
2.1 安装依赖
首先,确保系统中已安装 libusb-1.0-0-dev:
sudo apt-get install libusb-1.0-0-dev
2.2 下载并编译项目
克隆 imx_usb_loader 仓库并编译:
git clone https://github.com/boundarydevices/imx_usb_loader.git
cd imx_usb_loader
make
2.3 配置和使用
-
构建 U-Boot: 根据目标设备的配置文件构建 U-Boot。例如,使用 SD 卡/eMMC 的配置文件:
make CROSS_COMPILE=arm-linux-gnueabihf- ARCH=arm u-boot -
复制 SPL 和 U-Boot 镜像: 将生成的 SPL 和 U-Boot 镜像复制到
imx_usb_loader目录:cp SPL u-boot.img ~/imx_usb_loader -
配置 imx_usb_loader: 编辑
imx_usb.conf文件,添加目标设备的配置:cd ~/imx_usb_loader nano imx_usb.conf在文件开头添加以下内容:
#imx6dq/dqp 0x15a2:0x0054 mx6_usb_rom.conf 0x0525:0xb4a4 mx6_usb_sdp_spl.conf -
启动设备: 将目标设备设置为 USB 下载模式,连接到主机并运行
imx_usb:sudo ./imx_usb
3. 应用案例和最佳实践
3.1 修复损坏的 U-Boot
当设备的 U-Boot 损坏时,可以使用 imx_usb_loader 重新加载 U-Boot。首先,确保设备处于 USB 下载模式,然后按照上述步骤重新加载 SPL 和 U-Boot 镜像。
3.2 批量烧录
对于需要批量烧录 U-Boot 的场景,可以通过脚本自动化该过程。例如,使用 imx_usb_loader 的 --bus 和 --device 选项来指定特定的 USB 设备:
for dev in $(lsusb | grep "Freescale SemiConductor Inc SE Blank ARIK" | awk '{print $6}'); do
bus=$(echo $dev | cut -d':' -f1)
device=$(echo $dev | cut -d':' -f2)
sudo ./imx_usb -b $bus -D $device u-boot.img
done
4. 典型生态项目
4.1 U-Boot
imx_usb_loader 通常与 U-Boot 一起使用,用于加载和执行 U-Boot 镜像。U-Boot 是一个广泛使用的开源引导加载程序,支持多种嵌入式平台。
4.2 MFGTOOL
NXP 的 MFGTOOL 是另一个用于烧录和配置 i.MX 系列 SoC 的工具。虽然 imx_usb_loader 提供了更轻量级的解决方案,但在某些场景下,MFGTOOL 可能更适合复杂的烧录任务。
4.3 libusb
imx_usb_loader 依赖于 libusb 库来与 USB 设备进行通信。libusb 是一个开源的跨平台库,用于与 USB 设备进行低级通信。
通过以上步骤和案例,您可以快速上手并使用 imx_usb_loader 进行 i.MX 系列 SoC 的开发和维护。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00