RaspberryPi-Buildroot 技术文档
本文档将详细说明如何安装、使用以及通过项目API来操作 RaspberryPi-Buildroot(也称为 Bsquask SDK)。以下内容将包含安装指南、使用说明以及项目API使用文档。
1. 安装指南
首先,您需要克隆 RaspberryPi-Buildroot 项目到您的本地代码目录:
cd ~/Code/
git clone git://github.com/nezticle/RaspberryPi-BuildRoot.git BuildRoot
接下来,创建一个目录用于构建您的 SDK:
export BSQUASK_DIR=/opt/bsquask
mkdir -p $BSQUASK_DIR
进入 BuildRoot 目录并为您 SDK 生成一个 Makefile:
cd BuildRoot
make raspberrypi_defconfig O=$BSQUASK_DIR
您可能会缺少一些构建依赖(如 flex, bison, 等),如果这是这种情况,您将会收到关于需要安装哪些包的警告。如果您使用的是 Ubuntu,以下命令应该可以安装所有需要的依赖:
sudo apt-get install flex bison texinfo mercurial git-core
然后,切换到您的 SDK 目录并开始构建(第一次构建可能需要几个小时):
cd $BSQUASK_DIR
make
注意:不要在这个 Makefile 中使用 -j 选项!最优的 make 任务数由 BuildRoot 决定,使用 -j 标志会破坏构建系统。
2. 使用说明
2.1 准备 SD 卡
首先,您需要一个设置了正确分区的 SD 卡:
- 75MB 的 fat32 分区
- 500MB 或更大的 ext4 分区(最好使用卡的剩余空间)
如果需要帮助,Raspberry Pi wiki 上有一份指南,非常接近(确保使用 ext4 而不是 ext3)。
设置好分区后,挂载两个分区(假设 fat32 分区为 /media/BOOT,ext4 分区为 /media/rootfs),然后执行以下命令来安装 rootfs:
cd $BSQUASK_DIR/images
tar -zxvf boot.tar.gz -C /media/BOOT
sudo tar -zxvf rootfs.tar.gz -C /media/rootfs
注意:提取 rootfs.tar.gz 时必须是 root 用户(使用 sudo),否则启动时会出现问题。
现在将 SD 卡插入 Raspberry Pi 并上电。如果一切顺利,您应该能够看到 Bsquask(linux)的登录提示。
2.2 登录信息
- 用户名:root
- 密码:root
3. 项目API使用文档
以下是一些环境变量的设置,以简化后续操作:
export BSQUASK_HOST_DIR=$BSQUASK_DIR/host
export BSQUASK_STAGING_DIR=$BSQUASK_DIR/staging
export BSQUASK_TARGET_DIR=$BSQUASK_DIR/target
$BSQUASK_HOST_DIR 是包含为您机器构建的本地工具的目录,如交叉编译器。如果您想使用这些工具,可以将它们添加到您的路径:
export PATH=$BSQUASK_HOST_DIR/usr/bin:$PATH
$BSQUASK_STAGING_DIR 是您的 sysroot 位置。这是您为设备构建的安装位置,包括开发头文件和调试符号。
$BSQUASK_TARGET_DIR 是您用于构建镜像的位置。这是您要部署到设备上的内容,只包含您希望在镜像中的内容(如剥离后的二进制文件)。
3.1 构建 Qt 5 基于应用
$BSQUASK_HOST_DIR/usr/bin/qmake yourproject.pro
make
3.2 构建 automake 基于项目
./autogen.sh --host arm-raspberrypi-linux-gnueabi --prefix=$BSQUASK_STAGING_DIR/usr
make
3.3 构建 cmake 基于项目
cmake -DCMAKE_TOOLCHAIN_FILE=$BSQUASK_HOST_DIR/usr/share/buildroot/toolchainfile.cmake
make
注意:Bsquask SDK 基于 BuildRoot 2013.02。
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