在STM32项目中优化U8G2字体存储位置的技巧
背景介绍
在嵌入式开发中,特别是使用STM32系列微控制器时,Flash存储空间的合理分配是一个常见挑战。本文以STM32C0系列(256KB Flash,分为两个128KB bank)为例,探讨如何将U8G2图形库的字体数据高效地分配到特定的Flash区域。
问题分析
STM32C0的Flash分为Bank1和Bank2两个区域,开发者希望将尽可能多的常量数据(特别是U8G2字体数据)放置在Bank2中。U8G2库中的字体数据通常占用较大空间,因此需要一种优雅的方法来控制其存储位置。
解决方案比较
方法一:直接修改字体声明
这种方法直接在每个字体数组声明处添加__attribute__((section(".fonts")))属性,强制将字体数据放入自定义的".fonts"段。
优点:
- 实现简单直接
- 效果明确,可以精确控制每个字体的位置
缺点:
- 需要修改每个字体声明,侵入性强
- 维护困难,特别是当U8G2库更新时
方法二:修改U8G2宏定义
通过修改U8G2库中的U8X8_FONT_SECTION宏定义,尝试将所有字体自动放入".fonts"段。
遇到的问题:
- 链接时出现空间溢出错误
- 原因是未使用的字体未被正确剥离,导致链接器尝试放入所有字体
解决方案:
-
修改宏定义为
#define U8X8_FONT_SECTION(name) U8X8_SECTION(".fonts" name)- 关键点:必须将字体名称附加到段名后,确保每个字体有独立段
- 这样链接器才能正确执行垃圾回收,只保留实际使用的字体
-
替代方案:将所有只读数据(.rodata)放入特定Flash区域
- 在链接脚本中重新分配.rodata段的位置
- 这种方法更通用,但控制精度较低
链接脚本优化技巧
对于STM32的双Bank Flash,可以采用以下策略优化存储分配:
-
代码(.text)和只读数据(.rodata)分离
- 将代码放在Bank1
- 将只读数据(包括字体)放在Bank2
-
特定数据段定制
- 为字体数据创建专用段
- 使用ALIGN确保地址对齐
-
垃圾回收机制
- 确保使用
-ffunction-sections和-fdata-sections编译选项 - 链接时使用
--gc-sections移除未使用的段
- 确保使用
实践建议
-
对于精确控制需求,推荐使用方法二修改宏定义的方式
- 侵入性小
- 维护方便
- 配合正确的段命名确保垃圾回收
-
对于简单项目,可以考虑将全部.rodata重定位
- 实现更简单
- 但灵活性较低
-
无论哪种方法,都要仔细检查生成的map文件
- 确认各段实际位置
- 验证空间使用情况
总结
在STM32项目中优化U8G2字体存储位置需要理解链接器的工作机制。通过合理设计段分配策略和利用链接器的垃圾回收功能,可以既保持代码的整洁性,又实现存储空间的精细控制。对于类似需求,关键在于确保每个需要单独控制的数据有独立的段,并为链接器提供足够的信息来进行优化。
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