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。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
yuanrongopenYuanrong runtime:openYuanrong 多语言运行时提供函数分布式编程,支持 Python、Java、C++ 语言,实现类单机编程高性能分布式运行。Go051
MiniCPM-SALAMiniCPM-SALA 正式发布!这是首个有效融合稀疏注意力与线性注意力的大规模混合模型,专为百万级token上下文建模设计。00
ebook-to-mindmapepub、pdf 拆书 AI 总结TSX01