sunxi-tools 使用与安装指南
本文档将详细介绍如何安装和使用 sunxi-tools,这是一个针对基于 Allwinner SoC 的设备的命令行工具集。
1. 安装指南
首先,确保您的系统已经安装了必要的依赖项。在 Ubuntu 20.04 上,可以使用以下命令安装:
sudo apt install libusb-1.0-0-dev libz-dev libfdt-dev
接下来,从 GitHub 仓库克隆 sunxi-tools 项目:
git clone https://github.com/linux-sunxi/sunxi-tools.git
cd sunxi-tools
根据您的需求选择以下构建目标:
- 构建 tools(大多数用户需要的):
make tools
- 构建 target-tools(用于 Allwinner SoC 的工具):
make target-tools
- 构建所有工具:
make all
- 安装 tools:
make install-tools
- 安装 target-tools:
make install-target-tools
- 安装所有工具:
make install-all
2. 项目的使用说明
sunxi-tools 提供了一系列工具,以下是一些主要工具的简要说明:
-
sunxi-fexc:
.fex文件的编译器和反编译器。使用方法:
./sunxi-fexc [-vq] [-I <输入格式>] [-O <输出格式>] [<输入文件> [<输出文件>]] -
bin2fex:将
_script.bin文件反编译为.fex格式。 -
fex2bin:将
.fex文件编译为二进制格式,用于兼容老版本的内核。 -
sunxi-fel:用于与 CPU 内置的 FEL 处理器进行 USB 通信的脚本接口。
-
fel-gpio:允许通过 FEL 进行 GPIO 操作的简单包装脚本。
-
fel-sdboot:ARM 原生 SD 卡引导加载程序,强制设备进入 FEL 模式。
-
uart0-helloworld-sdboot:仅在 UART0 串行控制台打印简短 "hello" 消息的 ARM 原生 SD 卡引导加载程序。
-
sunxi-pio:操作 PIO 寄存器/转储的工具。
-
sunxi-nand-part:用于操作 Allwinner NAND 分区表的工具。
-
sunxi-nand-image-builder:用于创建原始 NAND 图像(包括 boot0 图像)的工具。
-
sunxi-bootinfo:从 Allwinner 引导文件(boot0/boot1)转储信息的工具。
-
phoenix_info:提供关于凤凰卡(phoenixcard)创建的图像的信息,并可选地从隐藏分区中提取嵌入式引导代码和固件文件。
-
sunxi-meminfo:从寄存器读取 DRAM 设置的工具。
-
sunxi-script_extractor:在 rooted Android 设备上执行的简单工具,用于通过读取 /dev/mem 转储 script.bin。
3. 项目API使用文档
sunxi-tools 主要通过命令行工具提供功能,没有提供传统意义上的 API。每个工具的命令行参数和使用方法在项目的 README 文件中都有详细说明。
4. 项目安装方式
项目的安装方式已在“安装指南”部分详细描述,包括构建和安装不同的目标工具。
确保在构建前安装所有必需的依赖项,然后根据您的需求选择适当的构建和安装命令。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0195
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0124
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07