【STM32开发笔记】移植AI框架TensorFlow到STM32单片机【DSP指令加速篇】

【STM32开发笔记】移植AI框架TensorFlow到STM32单片机【DSP指令加速篇】

    • 一、前文回顾
    • 二、CMSIS-NN简介
      • 2.1 为什么介绍CMSIS-NN？
      • 2.2 CMSIS-NN是什么？
      • 2.3 CMSIS-NN核心特性
      • 2.4 CMSIS-NN算子支持
    • 三、TFLM+CMSIS-NN集成
      • 3.1 包含TFLM的STM32项目
      • 3.2 理解TFLM中CMSIS-NN相关构建规则
      • 3.3 理解TFLM中CMSIS-NN相关算子实现
      • 3.4 集成CMSIS-NN方式1——作为TFLM的一部分
      • 3.5 集成CMSIS-NN方式2——作为独立的三方库
    • 四、TFLM+CMSIS-NN测试
      • 4.1 编译源代码
      • 4.2 下载Boot代码
      • 4.3 下载Appli代码
      • 4.4 运行TFLM基准测试
    • 五、问题解决
      • 5.1 specialize_files.py 输入不支持CMake列表参数问题
      • 5.2 specialize_files.py 输出的路径分隔符不一致问题
      • 5.3 specialize_files.py 输出和CMake列表格式不一致问题
      • 5.4 specialize_files.py 输出的最后一个文件无法找到
    • 六、项目源码
    • 七、参考链接

本文介绍了如何通过移植CMSIS-NN库并调整TensorFlow Lite for Microcontrollers (TFLM) 的构建配置，实现在STM32微控制器上利用DSP指令集加速TensorFlow Lite模型的推理过程。通过这一方法，我们能够有效地提升基于ARM Cortex-M系列MCU上运行深度学习模型的性能。文章首先介绍了CMSIS-NN库的基本概念及其在神经网络加速中的作用，随后详细阐述了移植库到STM32平台的步骤。接着，文章深入讲解了如何修改TFLM的构建规则，实现调用CMSIS-NN库实现TensorFlow算子。最后，通过实验验证了该方法在提高模型推理速度方面的显著效果，使用CMSIS-NN实现DSP加速后的人脸检测模型推理速度接近原来的3.5倍。

本系列博文目录：

  1. 【STM32开发笔记】移植AI框架TensorFlow到STM32单片机【上篇】 （背景介绍、初步体验、框架移植）
  2. 【STM32开发笔记】移植AI框架TensorFlow到STM32单片机【下篇】 （平台适配、编译集成、基准测试）
  3. 【STM32开发笔记】移植AI框架TensorFlow到STM32单片机【DSP指令加速篇】 （CMSIS-NN简介、TFLM+CMSIS-NN集成、TFLM+CMSIS-NN测试）

一、前文回顾

此系列前面已经发布了两篇：

  1. 【STM32开发笔记】移植AI框架TensorFlow到STM32单片机【上篇】

  2. 【STM32开发笔记】移植AI框架TensorFlow到STM32单片机【下篇】

【上篇】介绍了TensorFlow、TensorFlow Lite、TensorFlow Lite for Microcontrollers（TFLM）是什么，如何下载TFLM源码，如何在个人电脑（PC）上体验运行TFLM基准测试。同时，分析了TFLM的部分Makefile源码分析。最后，介绍了如何移植TFLM的主体代码。

【下篇】介绍了如何准备STM32 CubeMX项目（以便于后续的TFLM可以顺利移植），如何将TFLM源码集成到STM32 CubeMX生成的项目中去，以及如何在STM32项目中运行TFLM基准测试。同时，介绍了过程中遇到的问题，以及解决方法。最后，给出了整个项目的完整可运行源代码。

二、CMSIS-NN简介

2.1 为什么介绍CMSIS-NN？

因为TFLM源码中有针对CMSIS-NN的算子适配层，通过该适配层可以实现将TensorFlow Lite模型的推理计算转化为对CMSIS-NN库的调用。

同时，CMSIS-NN底层支持DSP指令和MVE指令，在Cortex-M4、Cortex-M7、Cortex-M33上可以实现DSP指令加速计算，在Cortex-M55、Cortex-M85上可以实现MVE加速计算。

简言之，TFLM默认的算子实现为纯CPU计算，而CMSIS-NN可以作为TFLM的后端，实现部分处理器上的DSP和MVE加速计算。

2.2 CMSIS-NN是什么？

CMSIS-NN是什么？官方的解释是：

CMSIS NN 软件库是一组高效的神经网络核（函数），旨在最大限度地提高 Arm Cortex-M 处理器上神经网络的性能并最大限度地减少内存占用。

CMSIS-NN是一个计算库，它向上提供了神经网络（NN）计算接口，实现了神经网络计算的硬件加速。它内部实现了纯CPU计算、DSP计算、MVE计算，屏蔽了底层硬件的具体细节，降低了编程难度。

2.3 CMSIS-NN核心特性

总结一下官方的介绍，可以知道CMSIS-NN库的核心特性：

  • 专为Cortex-M处理器开发；

  • 神经网络计算函数；

  • 最大化性能；

  • 最小化内存占用；

  • CMSIS-NN的硬件和软件支持

2.4 CMSIS-NN算子支持

在CMSIS-NN源码仓首页，可以看到CMSIS-NN库提供了三种算子实现，分别为：

  • 纯C，CMSIS-NN提供了所有算子的纯C实现，用于像Cortex-M0和Cortex-M3这样的处理器；
  • DSP扩展，在支持DSP扩展的处理器上，可以使用DSP指令加速计算，例如Cortex-M4或Cortex-M7；
  • MVE扩展，在支持ARM Helium技术的处理器上，可以使用MVE指令加速计算，例如 Cortex-M55 或 Cortex-M85；

三、TFLM+CMSIS-NN集成

接下来，我将介绍如何将TFLM和CMSIS-NN集成到STM32项目中。

3.1 包含TFLM的STM32项目

前面的文章中，我们已经知道了如何将TFLM集成到STM32项目中，本文将以上一篇文章的代码为基础，继续进行CMSIS-NN的集成和测试。

基础项目代码仓链接：

https://gitcode.com/xusiwei1236/STM32H7S78-DK-TFLM

这个代码仓就是——已经包含了TFLM的STM32项目。

3.2 理解TFLM中CMSIS-NN相关构建规则

TFLM的构建规则Makefile文件中，和CMSIS-NN相关的主要代码片段为：

tflm-makefile-638

这段代码中，比较重要的有两处，分别为：

  • 649行，CMSIS-NN对应的OPTIMIZED_KERNEL_DIR变量值为cmsis_nn，此时会包含cmsis_nn.inc构建规则文件；
  • 651到653行，调用specialize_files.py脚本，用于将算子实现源文件列表MICROLITE_CC_KERNEL_SRCS中的部分文件替换为CMSIS-NN适配源文件列表；

cmsis_nn.inc文件内容如下：

cmsis_nn_inc

这段代码中，可以看到TFLM支持两种方式和CMSIS-NN集成：

  • CMSIS-NN作为独立的三方库，链接到一起；
  • CMSIS-NN作为TFLM的一部分，编译到一起；

specialize_files.py文件源码如下：

specialize_files_py

该文件实现了：

  • 遍历base_files列表中的条目，检查在specialized_directory目录下是否存在和它的基础文件名（basename）相同的文件；
  • 如果存在，则使用specialized_directory目录下的替换掉base_files中的这一条；
  • 否则，保持原来位于base_files中的这一条不变！

3.3 理解TFLM中CMSIS-NN相关算子实现

对于CMSIS-NN，实际运行时的specialized_directory指定的参数值是tensorflow/lite/micro/kernels/cmsis_nn子目录。

该目录下包含的文件如下：

image-20241016001239443

实际执行specialize_files.py脚本时，实际的替换文件的对应关系如下：

默认算子文件CMSIS-NN算子文件
tensorflow/lite/micro/kernels/add.cctensorflow/lite/micro/kernels/cmsis_nn/add.cc
tensorflow/lite/micro/kernels/batch_matmul.cctensorflow/lite/micro/kernels/cmsis_nn/batch_matmul.cc
tensorflow/lite/micro/kernels/conv.cctensorflow/lite/micro/kernels/cmsis_nn/conv.cc
tensorflow/lite/micro/kernels/depthwise_conv.cctensorflow/lite/micro/kernels/cmsis_nn/depthwise_conv.cc
tensorflow/lite/micro/kernels/fully_connected.cctensorflow/lite/micro/kernels/cmsis_nn/fully_connected.cc
tensorflow/lite/micro/kernels/mul.cctensorflow/lite/micro/kernels/cmsis_nn/mul.cc
tensorflow/lite/micro/kernels/pooling.cctensorflow/lite/micro/kernels/cmsis_nn/pooling.cc
tensorflow/lite/micro/kernels/softmax.cctensorflow/lite/micro/kernels/cmsis_nn/softmax.cc
tensorflow/lite/micro/kernels/svdf.cctensorflow/lite/micro/kernels/cmsis_nn/svdf.cc
tensorflow/lite/micro/kernels/transpose_conv.cctensorflow/lite/micro/kernels/cmsis_nn/transpose_conv.cc
tensorflow/lite/micro/kernels/unidirectional_sequence_lstm.cctensorflow/lite/micro/kernels/cmsis_nn/unidirectional_sequence_lstm.cc

这里以第一行add.cc为例，默认的算子实现主体代码为：

tf-add-cc

CMSIS-NN版本的add.cc代码主体代码为：

tf-add-cmsis-nn

都提供了Register_ADD()函数，用于注册ADD算子。

3.4 集成CMSIS-NN方式1——作为TFLM的一部分

理解了前面的Makefile代码，就可以编写CMake构建规则，从而实现在STM32项目中集成TFLM和CMSIS-NN。

前文提到，STM32项目集成CMSIS-NN有两种方式，分别为：

  • CMSIS-NN作为TFLM的一部分，编译到TFLM的静态库（libtflite-micro.a）文件中；
  • CMSIS-NN作为独立的三方库，链接到STM32的可执行程序（.elf）文件中；

首先，介绍第一种方式，也就是CMSIS-NN作为TFLM的一部分；这种方式Appli子项目不直接依赖CMSIS-NN库，无需修改，更易于理解。

基于对Makefile源码的理解，修改tflite-micro目录的CMakeLists.txt文件内容：

tflm-cmakelists-diff

这段修改中包含了cmsis-nn.cmake，cmsis-nn.cmake文件的内容为：

cmsis-nn.cmake

整个修改实现了：

  • 调用specialize_files.py脚本，将MICROLITE_KERNEL_CC_SRCS中的部分算子文件路径替换为cmsis_nn目录内的，实现了CMSIS-NN适配层的编译；
  • 将cmsis-nn.cmake中匹配到的CMSIS-NN源文件，添加到TFLM库的源文件列表中，实现了CMSIS-NN代码的编译，并作为TFLM库的一部分；

这样修改之后，重新编译生成的libtflite-micro.a中就包含了CMSIS-NN的代码，以及基于CMSIS-NN的TensorFlow算子实现。

3.5 集成CMSIS-NN方式2——作为独立的三方库

另外一种集成CMSIS-NN的方式是，CMSIS-NN作为独立的三方库，最终连接到整个项目的可执行文件（.elf）中。

要实现这种继承方式，需要在刚修改的TFLM的CMakeLists.txt的基础上进行修改：

tflm-cmakelists-diff-2

一共修改两处：

  • add_library代码片段，删除CMSIS-NN相关的代码文件；
  • 文件末尾添加add_subdirectory(tensorflow/lite/micro/tools/make/downloads/cmsis_nn)，让CMSIS-NN的CMakeLists.txt被包含到整个项目中；

除此之外，还需要修改Appli目录的CMakeLists.txt文件，具体修改内容如下图：

Appli-CMakeLists.diff

一共修改了三处：

  • 新增了TF_CMSIS_NN_DIR变量定义，用于记录cmsis_nn源码所在子目录；
  • target_link_directories下，增加一行，指定CMSIS-NN库文件生成的目录；
  • target_link_libraries下，增加一行，指定链接cmsis-nn库；

以上这种修改方式，也可以实现将TFLM和CMSIS-NN集成到STM32项目中。

四、TFLM+CMSIS-NN测试

4.1 编译源代码

第一种方式集成CMSIS-NN，由于上层代码不依赖CMSIS-NN库，即不新增库依赖；因此，其编译方式和此前的文章方式一样，这里不在介绍。

这里仅介绍第二种方式集成CMSIS-NN的编译方法，分为如下几步：

  1. 清理输出目录，如下图操作：

    image-20241019205845206

  2. 编译tflite-micro库，如下图操作：

    image-20241019210234667

  3. 编译xxx_benchmark库，如下图操作：

    image-20241019210123597

  4. 编译cmsis-nn库，如下图操作：

    image-20241019210824201

  5. 编译Appli目标，如下图操作：

    image-20241019210320714

  6. 编译Boot代码，如下图所示：

    image-20241019210403135

4.2 下载Boot代码

由于Appli代码需要使用Boot代码进行跳转，因此，下载Appli代码之前，需要先将Boot代码下载到开发板上。

下载之前，先将STM32H7S78-DK开发板和PC通过USB线连接好，板子由三个USB口，注意连接到标有STLK的。

下载Boot代码，按照如下图所示操作：

image-20241019213805347

执行过程中终端子窗口会输出进度等信息：

image-20241019213920660

4.3 下载Appli代码

下载Appli代码，按照如下图操作：

image-20241019211731626

执行过程中终端子窗口会输出进度等信息：

image-20241019213610487

4.4 运行TFLM基准测试

打开MobaXterm，添加会话，选择STLink的虚拟串口设备，参数如下：

image-20241019020056378

连接设备之后，按下开发板上的NRST按钮，重启设备，可以看到串口输出如下：

20241014234609

可以看到，开发板上，运行有人图像的人体检测耗时为286毫秒，没有人的耗时为286毫秒；连续运行10次的耗时分别为2863毫秒和2863毫秒，速度有点慢。

和上一篇文章的数据对比如下：

测试项目TFLMTFLM+CMSIS-NN
WithPersonDataIterations(1)993286
NoPersonDataIterations(1)994286
NoPersonDataIterations(10)99382863
NoPersonDataIterations(10)99402863

五、问题解决

第三章、第四章实际过程中遇到了一些问题，为了保持前文逻辑连贯，没有在前面记录，本章将记录具体问题及解决方法。

5.1 specialize_files.py 输入不支持CMake列表参数问题

【问题现象】specialize_files.py脚本输出和输入参数base_files的值完全一样。

【问题原因】specialize_files.py脚本使用Python的string.split对参数base_files的值进行分隔，要求值是空白字符（空格、TAB、换行等）分隔的。而CMake的列表字符串是分号分隔的。

【解决方法】将MICROLITE_CC_KERNEL_SRCS中的分隔符替换为空格，再将其传给specialize_files.py脚本，具体代码为：

specialize_files_py_input

5.2 specialize_files.py 输出的路径分隔符不一致问题

【问题现象】specialize_files.py 输出的路径分隔符不一致，有正斜杠也有反斜杠，导致后续报错——文件找不到。

【问题原因】CMake代码使用的路径分隔符是正斜杠，specialize_files.py代码里面使用的是os.path.sep，在Windows上是反斜杠。

【解决方法】将反斜杠全部替换为正斜杠。

specialize_files_py_ouput2

5.3 specialize_files.py 输出和CMake列表格式不一致问题

【问题现象】specialize_files.py 输出的文件列表是空格分隔的，和CMake列表格式不一致。

【问题原因】specialize_files.py 使用空格拼接文件列表为一个字符串之后输出，而CMake列表需要用使用分号分隔。

【解决方法】将字符串中的空格替换为分号。

specialize_files_py_ouput3

5.4 specialize_files.py 输出的最后一个文件无法找到

【问题现象】specialize_files.py 输出的文件列表的最后一个文件，后续CMake代码提示该文件找不到。

【问题原因】乍看起来文件路径是对的，能够找到；实际将该文件路径字符串加上双引号输出之后，发现末尾多了一个换行符。

【解决方法】去除末尾的空白字符。

specialize_files_py_ouput1

六、项目源码

如需本文修改后项目源码的，请在评论区留言。我将会在留言超过10条，或本文阅读量超过1200之后，将本文修改的最终源码全部开源。

当然，动手能力强的读者，也可以根据文章描述的步骤，一步步修改得到最终版本的源码。

七、参考链接

  1. TensorFlow Lite for Microcontrollers介绍： TensorFlow Lite for Microcontrollers (google.cn)
  2. TensorFlow Lite for Microcontrollers入门： 微控制器入门 | TensorFlow (google.cn)
  3. tflite-micro 源码仓： https://github.com/tensorflow/tflite-micro
  4. CMake最新文档： CMake Reference Documentation — CMake 3.30.3 Documentation
  5. CMSIS-NN在线文档： CMSIS-NN: CMSIS NN Software Library (arm-software.github.io)
  6. CMSIS-NN 源码仓： https://github.com/ARM-software/CMSIS-NN

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/diannao/57467.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

vscode使用法则及神器介绍

vscode使用法则及神器介绍

目录 1.Vscode设置中文 2.文插件选择configure display Language 3.插件 4.代码格式化 5.创建代码模板 一个好的插件，可以快速提高优秀程序猿的工作效率，减少开发时间； 1.Vscode设置中文 首先打开VSCode软件 快捷键【CtrlShiftP】 2.…
阅读更多...
基于neo4j的医疗图谱问答与展示

基于neo4j的医疗图谱问答与展示

找不到好的毕业设计题材？或者对人工智能领域感兴趣却不知道如何下手？这里给大家推荐一款基于Neo4j的医疗图谱问答系统项目，绝对是毕业设计的不二选择。 这个项目依托于医疗领域的知识图谱，为用户提供交流问答系统。它不仅具有知识…
阅读更多...
3DsMax删除FBX 导出的预设

3DsMax删除FBX 导出的预设

3DsMax删除FBX 导出的预设 文档 https://help.autodesk.com/view/3DSMAX/2025/CHS/?guidGUID-9939F041-5E2D-4AA8-A732-6C2A1DFB5314删除静态FBX 这个预设 使用everything 搜索预设文件的后缀.fbxexportpreset ，然后 文件路径 C:\Users\GoodCooking\Documents\3…
阅读更多...
GPU 与 GPU 服务器：科技璀璨之星，开启无限未来

GPU 与 GPU 服务器：科技璀璨之星，开启无限未来

今天咱们要来聊聊在科技领域中闪闪发光的 GPU 和 GPU 服务器。这可真是一对厉害的 “科技搭档”，正以其卓越的性能成为众多行业发展的强大动力源。 先来说说 GPU 吧。它呀，一开始是为了满足图形处理的高要求而诞生的。但随着科技不断进步，人…
阅读更多...
WRF-LES与PALM微尺度气象大涡模拟

WRF-LES与PALM微尺度气象大涡模拟

针对微尺度气象的复杂性，大涡模拟（LES）提供了一种无可比拟的解决方案。微尺度气象学涉及对小范围内的大气过程进行精确模拟，这些过程往往与天气模式、地形影响和人为因素如城市布局紧密相关。在这种规模上，传统的气象模…
阅读更多...
百度搜索推广和信息流推广的区别，分别适用于什么场景！

百度搜索推广和信息流推广的区别，分别适用于什么场景！

信息流推广和搜索广告，不仅仅是百度，是很多平台的两个核心推广方式。 1、搜索广告： 就是基于用户的搜索习惯，更多是用户有疑问、还有用户当下就要做出行动的广告。 比如上门服务、线上咨询服务、招商加盟、了解产品各种型号和信…
阅读更多...
Java应用程序的测试覆盖率之设计与实现（二）-- jacoco agent

Java应用程序的测试覆盖率之设计与实现（二）-- jacoco agent

说在前面的话 要想获得测试覆盖率报告，第一步要做的是，采集覆盖率数据，并输入到tcp。 而本文便是介绍一种java应用程序部署下的推荐方式。 作为一种通用方案，首先不想对应用程序有所侵入，其次运维和管理方便。 正好…
阅读更多...
什么是机器人流量？如何识别和预防有害机器人流量？

什么是机器人流量？如何识别和预防有害机器人流量？

机器人流量是指由自动软件程序（或机器人）而非人类用户生成的互联网流量。机器人可以执行各种任务，包括有益的和恶意的，而且速度比人类快得多。 据估计，大约 30% 的互联网流量来自旨在窃取内容、破坏服务和开展其他恶意…
阅读更多...
深入浅出：深度学习模型部署全流程详解

深入浅出：深度学习模型部署全流程详解

博主简介：努力学习的22级计算机科学与技术本科生一枚🌸博主主页： Yaoyao2024往期回顾： 【论文精读】PSAD：小样本部件分割揭示工业异常检测的合成逻辑每日一言🌼: 生活要有所期待， 否则就如同罩在…
阅读更多...
u盘装win10系统提示“windows无法安装到这个磁盘,选中的磁盘采用GPT分区形式”解决方法

u盘装win10系统提示“windows无法安装到这个磁盘,选中的磁盘采用GPT分区形式”解决方法

我们在u盘安装原版win10 iso镜像时，发现在选择硬盘时提示了“windows无法安装到这个磁盘,选中的磁盘采用GPT分区形式”，直接导致了无法继续安装下去。出现这种情况要怎么解决呢？下面小编分享u盘安装win10系统提示“windows无法安装到这个磁盘…
阅读更多...
一款好用的搜索软件——everthing（搜索比文件资源管理器快）

一款好用的搜索软件——everthing（搜索比文件资源管理器快）

everthing官网链接 在官网选择下载 1.下载后双击打开 2.点击OK（需要其他语言自己选择） 3.选择安装位置（路径最好别带中文和空格） 继续点击下一步 4. 点击下一步 5.继续点击安装 6.然后就完成了 7.点击打开然后就可以搜索了
阅读更多...
【有啥问啥】CLIP Adapter：提升视觉语言模型性能的利器

【有啥问啥】CLIP Adapter：提升视觉语言模型性能的利器

CLIP Adapter：提升视觉语言模型性能的利器 1. 引言 在视觉语言预训练领域，CLIP（Contrastive Language-Image Pre-training）模型凭借其强大的跨模态表征能力，在多个任务上取得了显著成果。然而，如同其他预…
阅读更多...
多模态大语言模型（MLLM）-Deepseek Janus

多模态大语言模型（MLLM）-Deepseek Janus

论文链接：https://arxiv.org/abs/2410.13848 代码链接：https://github.com/deepseek-ai/Janus 本次解读Janus: Decoupling Visual Encoding for Unified Multimodal Understanding and Generation 前言 Deepseek出品，必属精品。 创新点 传…
阅读更多...
【javax maven项目缺少_Maven的依赖管理 引入依赖】

【javax maven项目缺少_Maven的依赖管理 引入依赖】

javax maven项目缺少_Maven的依赖管理 引入依赖 Maven的依赖管理 - 引入依赖依赖管理(引入依赖)导入依赖 https://blog.csdn.net/weixin_28932089/article/details/112381468 Maven的依赖管理 - 引入依赖 依赖管理(引入依赖) 能够掌握依赖引入的配置方式 导入依赖 导入依赖练…
阅读更多...
【经管】比特币与以太坊历史价格数据集（2014.1-2024.5）

【经管】比特币与以太坊历史价格数据集（2014.1-2024.5）

一、数据介绍 数据名称：比特币与以太坊历史价格数据集 频率：逐日 时间范围： BTC：2014/9/18-2024/5/1 ETH：2017/11/10-2024/5/1 数据格式：面板数据 二、指标说明 共计7个指标：Date、Open…
阅读更多...
C#，自动驾驶技术，ASAM OpenDRIVE BS 1.8.0 规范摘要与C# .NET Parser

C#，自动驾驶技术，ASAM OpenDRIVE BS 1.8.0 规范摘要与C# .NET Parser

本文介绍自动驾驶技术的标准之一《ASAM OpenDRIVE》1.8.0 版本的规范摘要，及北京联高软件开发有限公司实现的 C# 版本 xodr 文件（XML） Parser 源代码。 本文档是 ASAM e.V. 的版权财产。 在更改常规许可条款时，ASAM 允许不受限制地…
阅读更多...
HCIP--1

HCIP--1

同一区域内的OSPF路由器拥有一致的 LSDB, 在区域内，OSPF 采用 SPF算法计算路由一个区域太多路由器，硬件资源跟不上，所以多划分区域 OSPF 路由计算原理 1. 区域内路由计算 LSA 在OSPF中，每个路由器生成 LSA，用于告诉…
阅读更多...
Git Push（TODO）

Git Push（TODO）

最近经常碰到GIT push不上去的问题。到处求人解决也真是尴尬，想自己看看，所以刚刚在github上建了一个仓，试了下。结果如下： 暂时可能还不行，因为数据都是加密的，没法看到具体GIT的交互信息。。。 后面再想办…
阅读更多...
CMOS 图像传感器：像素寻址与信号处理

CMOS 图像传感器：像素寻址与信号处理

CMOS image sensor : pixel addressing and signal processing CMOS image sensor 对于寻址和信号处理有三种架构 pixel serial readout and processingcolumn parallel readout and processingpixel parallel readout and processing 其中，图 (b) column paralle…
阅读更多...
Pr 视频效果：自动重构

Pr 视频效果：自动重构

视频效果/变换/自动重构 Transform/Auto Reframe 自动重构 Auto Reframe效果是用于快速调整视频素材以适应不同长宽比的一项强大工具。 随着各种平台和设备的多样化，视频内容需要适应不同的屏幕尺寸和比例，如 16:9（横屏）、9:16&am…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023