WiringPi项目对Raspberry Pi 500和Compute Module 5(Lite)的支持进展
硬件支持背景
WiringPi作为Raspberry Pi平台上广受欢迎的GPIO控制库,近期针对新发布的Raspberry Pi 500和Compute Module 5(Lite)进行了适配工作。由于开发团队尚未获得这些新型号硬件,因此需要社区协助完成测试验证。
测试环境搭建
测试在Raspberry Pi Compute Module 5 Lite 8GB版本上进行,运行Raspberry Pi OS 64位Bookworm系统。测试平台采用官方CM5 IO扩展板,确保硬件接口的完整性和可靠性。
编译与安装过程
测试者从WiringPi项目的Pi500分支获取源代码进行编译。编译过程顺利完成,生成的.deb安装包在安装时出现了一个关于APT沙箱权限的非关键性提示,这属于Debian包管理器的常规行为,不影响功能使用。
基础功能验证
通过执行gpio命令行工具,成功识别了硬件信息:
- 正确识别CM5 Lite型号
- 准确显示8GB内存容量
- 完整输出40针GPIO接口的引脚映射表
示例程序测试
在WiringPi示例程序中,重点测试了两个典型应用:
- LED闪烁测试:使用wPi编号23/24/25引脚成功控制LED的亮灭
- 串口回环测试:通过物理引脚8(TxD)和10(RxD)实现数据收发验证
标准单元测试
为全面验证GPIO功能,进行了标准化的单元测试。测试前需要建立三组GPIO桥接:
- GPIO26与GPIO19相连
- GPIO13与GPIO12相连
- GPIO17与GPIO18相连
测试过程中发现系统缺少time命令工具,安装后所有测试用例均顺利通过。测试覆盖了以下关键功能:
- 版本信息验证
- 数字输入输出测试
- 上拉/下拉电阻配置
- PWM功能验证
- 中断处理测试
调试信息分析
在详细调试模式下,观察到GPIO控制子系统的工作细节:
- 成功打开/dev/gpiochip0设备
- 正确识别pinctrl-rp1控制器
- 各引脚模式配置和值读写操作正常
- 即使故意对配置为输入的引脚执行写操作,系统也给出了预期的错误提示
技术要点解析
-
设备树支持:新版本正确识别了CM5的设备树信息,这是现代Linux系统管理硬件资源的关键机制。
-
GPIO访问方式:测试验证了三种GPIO访问途径:
- 通过内存映射的直接访问(高效)
- 通过/dev/gpiomem的用户空间访问
- 通过/dev/gpiochip的标准接口访问(兼容性好但速度较慢)
-
错误处理:测试中故意对输入模式引脚执行写操作,系统正确返回错误状态,展示了良好的错误检测能力。
结论与展望
经过全面测试,WiringPi 3.13版本已具备对Raspberry Pi Compute Module 5 Lite的完整支持能力。测试结果表明:
- 所有基础GPIO功能工作正常
- 高级功能如PWM、中断等表现稳定
- 系统资源管理和错误处理机制完善
这一进展为使用新型号Raspberry Pi进行硬件开发的用户提供了可靠的工具支持,延续了WiringPi在树莓派生态中的重要地位。未来随着Raspberry Pi 500硬件的可获得性提高,预计将很快完成对该型号的官方支持。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
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
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00