【亲测免费】 Xiaomi MIoT Raw 项目教程
项目介绍
Xiaomi MIoT Raw 是一个开源的 Python 库,专门为小米 MIoT 协议提供原始数据访问和控制功能。通过这个库,开发者可以轻松地与小米智能设备进行交互,实现自定义的自动化场景或扩展智能家居系统的功能。该项目支持大多数小米 MIoT 设备,并且无需配置 YAML 文件即可轻松集成到 Home Assistant 中。
项目快速启动
安装
首先,克隆项目仓库到本地:
git clone https://github.com/ha0y/xiaomi_miot_raw.git
cd xiaomi_miot_raw
配置
在 Home Assistant 的配置文件夹中创建一个 custom_components 文件夹(如果还没有的话),然后将 xiaomi_miot_raw 文件夹复制到 custom_components 文件夹中:
mkdir -p /path/to/homeassistant/config/custom_components
cp -r custom_components/xiaomi_miot_raw /path/to/homeassistant/config/custom_components/
启用
在 Home Assistant 的 configuration.yaml 文件中添加以下配置:
xiaomi_miot_raw:
devices:
- sid: 'your_device_id'
model: 'your_device_model'
重启 Home Assistant 以应用更改。
应用案例和最佳实践
自动化场景
使用 Xiaomi MIoT Raw 库,你可以轻松创建自动化场景。例如,设置一个自动化规则,当某个传感器检测到特定条件时,控制智能灯的开关:
automation:
- alias: 'Turn on light when motion detected'
trigger:
- platform: state
entity_id: sensor.motion_sensor
to: 'on'
action:
- service: light.turn_on
entity_id: light.living_room
远程控制
通过云端连接,即使不在家也可以远程控制小米智能设备。配置云端连接后,可以通过 Home Assistant 的 Web UI 或移动应用远程控制设备。
典型生态项目
Home Assistant
Home Assistant 是一个开源的智能家居平台,支持多种智能设备和协议。Xiaomi MIoT Raw 库可以无缝集成到 Home Assistant 中,提供强大的自动化和控制功能。
HACS (Home Assistant Community Store)
HACS 是一个为 Home Assistant 设计的插件商店,用于安装和管理第三方组件和插件。通过 HACS,你可以轻松安装和管理 Xiaomi MIoT Raw 插件。
Python-miio
Python-miio 是一个用于控制小米智能设备的 Python 库和控制台工具。它与 Xiaomi MIoT Raw 库配合使用,提供更全面的设备控制和自动化功能。
通过这些生态项目,你可以构建一个完整的智能家居系统,实现高效、便捷的智能生活体验。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C099
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00