#嵌入式系统

tiny-dnn学习资料汇总 - 无依赖的C++14深度学习框架

2 个月前
Cover of tiny-dnn学习资料汇总 - 无依赖的C++14深度学习框架

Awesome MicroPython:优秀的MicroPython库、框架和资源列表

3 个月前
Cover of Awesome MicroPython:优秀的MicroPython库、框架和资源列表

操作系统的发展与未来:从简单到复杂,从通用到专用

3 个月前
Cover of 操作系统的发展与未来:从简单到复杂,从通用到专用

嵌入式系统概述:从基础到应用

3 个月前
Cover of 嵌入式系统概述:从基础到应用

uTensor: 轻量级边缘 AI 推理框架

3 个月前
Cover of uTensor: 轻量级边缘 AI 推理框架

tiny-dnn:轻量级C++深度学习框架

3 个月前
Cover of tiny-dnn:轻量级C++深度学习框架
相关项目
Project Cover

emlearn

emlearn是一款为微控制器和嵌入式系统设计的便携高效的机器学习工具。通过Python训练模型后,可生成C99代码用于设备推断。支持包括AVR Atmega、ESP8266、ARM Cortex M等多个平台,无需动态分配或libc依赖,可直接与Python整合,通过scikit-learn或Keras训练并生成可嵌入C语言代码。

Project Cover

uTensor

uTensor是一个基于TensorFlow,专为Arm设备优化的轻量级机器学习推理框架。其核心运行时库仅有约2KB大小,提供模块化架构、低功耗执行、便捷调试和高效错误处理等功能。通过重构代码和工具,uTensor提升了模型修改和扩展的易用性,并支持高性能操作符和内存管理方案,确保系统运行的安全性和可靠性。

Project Cover

Super-Simple-Tasker

Super-Simple Tasker (SST) 是一款事件驱动、抢占式、基于优先级的实时操作系统内核,兼容速率单调分析/调度 (RMA/RMS) 要求。SST 支持基本任务、抢占式优先级调度、多任务优先级和多任务激活等功能。此外,SST 为 ARM Cortex-M 和 Microchip dsPIC 提供了硬件 RTOS 实现,在这些平台上展现出卓越的性能和效率。

Project Cover

STM32FreeRTOS

STM32FreeRTOS是一个为STM32微控制器移植的FreeRTOS库,提供9.x和10.x系列版本。该库支持灵活配置,包括用户自定义设置、默认配置文件和额外配置选项。它集成了基于Newlib的线程安全堆分配实现,并在多种STM32开发板上进行了广泛测试。STM32FreeRTOS为嵌入式开发提供实时操作系统支持,可与Arduino环境兼容。

Project Cover

awesome-os

本列表收录了多种开源操作系统项目和相关学习资源。涵盖从教育用简单内核到完整图形界面系统等多种类型,使用C、C++、汇编、Rust等语言开发,支持x86、ARM等架构。为操作系统开发学习者提供丰富代码示例和参考,展示了操作系统设计的多样性。

Project Cover

ubuntu-rockchip

ubuntu-rockchip是一个社区项目,致力于将Ubuntu系统移植到Rockchip硬件平台。项目支持Ubuntu 22.04 LTS和24.04 LTS版本,提供3D硬件加速、GNOME桌面和4K视频流畅播放等功能。系统通过apt进行包管理和更新,保持与官方Ubuntu仓库同步。用户可从GitHub或专属网站下载最新镜像,便捷地在Rockchip设备上运行Ubuntu系统。

Project Cover

awesome-canbus

这个项目收集了丰富的CAN总线开源资源,包括工具、硬件和各类资料。内容涉及逆向工程、测试设备、协议实现和实用程序等多个领域,重点关注汽车嵌入式控制器软件和通信技术。项目汇集了CarHackingTools、Caring Caribou等知名工具,还包括专门针对OBD-II、UDS、J1939等协议的工具。对于研究CAN总线技术的开发者和研究人员而言,这是一个极具参考价值的资源库。

Project Cover

build

Armbian Build Framework是一款开源嵌入式Linux构建工具,专为资源受限的硬件自动化定制系统。它集成文件系统生成、底层控制、内核编译等功能,可构建定制内核、镜像和发行版。通过图形界面指导整个过程,轻松生成内核包或SD卡镜像,实现跨平台的一致体验。

Project Cover

tiny-dnn

tiny-dnn是一个为计算资源有限的嵌入式系统和物联网设备设计的C++14深度学习库。该库无需GPU,通过TBB线程和SSE/AVX向量化实现了高效性能,在13分钟内达到了98.8%的MNIST准确率。其便携的头文件形式使其易于集成,支持多种网络层类型、激活函数、损失函数和优化算法。tiny-dnn还能导入Caffe模型,适合学习和构建神经网络应用。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号