QT for MCU （一）开始

于 2020-06-04 16:43:35 发布
阅读量1.5w 收藏 51
点赞数 11
分类专栏： 嵌入式 QT/QML
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/WMX843230304WMX/article/details/106548343
版权
本文详细介绍如何使用QTforMCU进行嵌入式GUI开发，包括购买开发板、获取授权、下载安装Qt软件、安装驱动及连接开发板等步骤。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

QT for MCU （一）开始

官方 WIKI

https://doc.qt.io/QtForMCUs/index.html

1 购买一块开发板

查看 受支持的目标板和开发主机
我选 STM32F769I Discovery
在淘宝上买

2 获取 QT for MCU授权

一 试用版本

访问 https://www.qt.io/download
在这里插入图片描述点击 试试Qt -> 立即下载 ，填写 相关信息，获取 10天商业试用版本：

在这里插入图片描述

二 商业版本

用于MCU的Qt根据所分发的嵌入式设备的数量收取费用

3 下载 qt online installer

选择qt-unified-windows-x86-online.exe，因为目前（2020-6-4） win10 64位系统 是唯一的开发平台
下载到电脑上运行。
登录你的Qt账号，（输入 获取商业试用版本 时的账号，或者商业版本的账号 ）

  • 下载 qt5.15
    在这里插入图片描述

  • 选择必要工具，依赖 cmake 勾选上
    在这里插入图片描述

  • 下载Qt for MCU

    我这里选的开发板是 STM32F769I-DISCO
    依赖的ARM GCC 编译器
    勾选上

  • 在这里插入图片描述然后点击下一步，安装

4 安装 st-link v2 驱动

下载地址 https://www.st.com/zh/development-tools/stsw-link009.html
在这里插入图片描述

5 板子连接电脑，并且开机

由于 stm32f769i-DISCO 板子 自带 stlink-v2 ，只需要使用数据线（注意是数据线，不是充电线）链接到电脑
在这里插入图片描述可以看到默认出厂的程序，自此我们的开始教程完毕

博客
CV模型训练/评估结果图解读
02-19 1383
这张图通过展示不同置信度阈值下的F1分数变化，帮助我们理解模型在不同置信度下的整体性能，并找到一个最优的置信度阈值以平衡精确率和召回率。这张图通过展示不同置信度阈值下的精确率变化，帮助我们理解模型在不同置信度下的整体性能，并找到一个最优的置信度阈值以达到最高的精确率。这张图通过展示不同召回率下的精确率变化，帮助我们理解模型在不同召回率下的整体性能，并找到一个最优的召回率阈值以平衡精确率和召回率。通过这种方式，你可以快速识别模型在不同召回率阈值下的性能，并选择最适合你应用场景的阈值。
博客
Recall（召回率）和 Precision（精确率） 的区别和F1分数
02-18 1001
简而言之，Precision 关注的是“准确性”，即你所选择的内容中有多少是对的；例如，在一些应用场景下，可能更倾向于减少漏报（提高 Recall），而在其他场景下则可能更注重降低误报（提高 Precision）。因此，选择优化的方向取决于具体的应用需求。但是，在这个案例中，由于 Recall 只有 0.5，意味着有一半的垃圾邮件未被发现，可能会让用户错过重要的过滤。意味着几乎所有的垃圾邮件都能被捕捉到，但同时可能也会误判一些正常的邮件为垃圾邮件（如上述例子中的 FP），导致 Precision 下降。
博客
粤语识别语音模型
12-27 380
common_voice_yue_31189594.wav 睇我几有礼貌去之前讲返声。
博客
打工人福音，AI笔记软件,免费使用DeepSeek
12-19 280
一款全功能的AI编辑器。现有的编辑器在面对文本生成、图像生成、图像识别、视觉识别以及语音识别等功能时，需要依赖多个外部工具，流程繁琐且不易于管理。本方案旨在解决这一痛点，通过本地化推理集成多个大语言模型、语音模型和视觉多模态模型，打造一个全功能的AI编辑器。
博客
DDPM 前向过程的公式推导
11-18 470
ϵ′\epsilon'ϵ′我们定义一个新的随机变量ϵ′\epsilon'ϵ′ϵ′αt1−αt−1ϵt−21−αtϵt−1ϵ′αt​1−αt−1​​ϵt−2​1−αt​​ϵt−1​。
博客
VAE 模型的下界
11-17 1124
通过对数似然的下界推导，我们得到了一个可以优化的目标函数，这个目标函数由两部分组成：重构误差（第一项）和正则化项（KL散度，第二项）。在VAE中，我们通过优化这个下界来间接优化对数似然，从而达到学习数据生成分布的目的。
博客
gym/Gymnasium强化学习玩推箱子游戏
08-05 453
自 2021 年以来一直维护 Gym 的团队已将所有未来的开发转移到 Gymnasium，这是 Gym 的替代品（将 gymnasium 导入为 gym），Gym 将不会收到任何未来的更新。请尽快切换到 Gymnasium。我用的是 Python 3.7.16。
博客
Qwen 微调LoRA之后合并模型，使用 webui 测试
06-01 920
【代码】Qwen 微调LoRA之后合并模型，使用 webui 测试。
博客
Qwen 微调脚本分析
05-31 984
【代码】Qwen 微调脚本分析 Qwen/finetune.py。
博客
使用LLaMA-Factory微调大模型
05-29 1155
我这里是本地电脑 显卡是 GTX-4070ti-super 16G ，单卡。因为是Qwen模型，不是Qwen1.5及以后的模型 所以。在 LLaMA-Factory 路径下 创建虚拟环境。这里必须这样，不然报错！然后保存配置参数，然后点击。在虚拟环境中安装依赖。我这里使用自带的数据。
博客
Qwen量化脚本run_gptq.py解析
04-18 851
## Qwen量化脚本run_gptq.py解析模型路径 [https://github.com/QwenLM/Qwen/](https://github.com/QwenLM/Qwen/)run_gptq.py路径 [https://github.com/QwenLM/Qwen/blob/main/run_gptq.py](https://github.com/QwenLM/Qwen/blob/main/run_gptq.py)
博客
ollama + langchain + FAISS 向量数据库，给定知识上下文的问答
03-31 2873
3 基于上面查询提供语言模型 promt。1 把给定的文档向量化存储为数据库。基于 langchain 框架。4 语言模型生成答案。
博客
强化学习A3C算法
08-16 409
【代码】强化学习A3C算法。
博客
强化学习DQN算法和代码
08-15 374
在训练时，目标网络𝑄𝜃’(𝑠𝑡+1, 𝑎)和预测网络𝑄𝜃(𝑠𝑡, 𝑎𝑡)来自同一网络，但是𝑄𝜃’(𝑠𝑡+1, 𝑎)网络的更新频率会滞后𝑄𝜃(𝑠𝑡, 𝑎𝑡)其中 gym version = 0.26.2。
博客
强化学习 PPO算法和代码
08-14 1099
强化学习PPO
博客
tensorflow / tensorflow-gpu cuda cudNN tensorRT 安装,启用显卡加速
08-11 2684
tensorflow-gpu版本对应关系。
博客
强化学习算法
08-10 353
策略网络输入状态s，输出动作a的概率分布如下： πa∣s多次训练轨迹如下​s11​a11​r11​……s1t​a1t​r1t​……s1T​a1T​r1T​………………sn1​an1​rn1​……snt​ant​rnt​……snT​anT​rnT​………………sN1​aN1​rN1​……sNt​aNt​rNt。
博客
win10 安装 tensorflow-gpu 2.10.0
08-07 1210
我安装 python 3.10 和 tensorflow_gpu-2.10.0。这里根据自己的版本安装，按照表格推荐tensorflow-gpu==2.10.0。这里根据自己的版本安装，按照表格推荐 11.2 ，我这里是12.2。这里根据自己的版本安装，按照表格推荐 8.1 ，我这里是 8.9。适用于Microsoft窗口的 CUDA 安装指南。显卡 GTX 1660 Ti。系统 win10 x64。
博客
从源码编译 tensorFlow ,启用CPU 指令加速
07-30 2818
7 Please specify optimization flags to use during compilation when bazel option “–config=opt” is specified [Default is -Wno-sign-compare]: --copt=-march=native # 配置 bazel 编译的参数，我这是纯 cpu 加速，所以填写。: 这是两个选项的组合，用于以交互式终端运行容器，并将终端连接到容器的输入/输出（stdin/stdout）。
博客
numpy反向传播算法示例
06-29 300
通过 scikit-learn 库提供的便捷工具生成 2000 个线性不可分的 2 分类数据集。按着7: 3比例切分训练集和测试集。
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值