Pandaboard/Pandaboard ES开发板简介:

基于 OMAP 4 平台的 PandaBoard ES 包含集成 2 颗 ARM Cortex-A9 处理器(每颗运行速率为 1 GHz)的 OMAP4460 处理器,可提供对称多处理 (SMP) 性能以及丰富的多媒体与 3D 图形支持。此外,该电路板还具有 WLAN 与蓝牙 (Bluetooth) 连接技术。

PandaBoard 可提供一款能够在紧张的移动功率预算内确保项目充分发挥其功能的理想平台。

参数:

PandaBoard  Technical Specs

Core Logic OMAP4430 applications processor

  • Dual-core ARM? Cortex?-A9 MPCore? with Symmetric Multiprocessing (SMP) at 1 GHz each. Allows for 150% performance increase over previous ARM Cortex-A8 cores.
  • Full HD (1080p) multi-standard video encode/decode
  • Imagination Technologies’ POWERVR? SGX540 graphics core supporting all major API’s including OpenGL? ES v2.0, OpenGL ES v1.1, OpenVG v1.1 and EGL v1.3 and delivering 2x sustained performance compared to the previous SGX530 core
  • Low power audio

Display

  • HDMI v1.3 Connector (Type A) to drive HD displays
  • DVI-D Connector (can drive a 2nd display, simultaneous display; requires HDMI to DVI-D adapter)
  • LCD expansion header

Memory

  • 1 GB low power DDR2 RAM
  • Full size SD/MMC card cage with support for High-Speed & High-Capacity SD cards

Audio

  • 3.5″  Audio in/out
  • HDMI Audio out

Connectivity

  • Onboard 10/100 Ethernet

Wireless Connectivity

  • 802.11 b/g/n (based on WiLink? 6.0)
  • Bluetooth? v2.1 EDR (based on WiLink? 6.0)

Expansion

  • 1x USB 2.0 High-Speed On-the-go port
  • 2x USB 2.0 High-Speed host ports
  • General purpose expansion header (I2C, GPMC, USB, MMC, DSS, ETM)
  • Camera expansion header
  • LCD signal expansion using a single set of resistor banks

Debug

  • JTAG
  • UART/RS-232
  • 2 status LEDs (configurable)
  • 1 GPIO Button

Dimensions

  • Height: 4.5″ (114.3 mm)
  • Width:  4.0″ (101.6 mm)
  • Weight: 2.6 oz (74 grams)

PandaBoard ES Technical Specs

Core Logic OMAP4460 applications processor

  • Dual-core ARM? Cortex?-A9 MPCore? with Symmetric Multiprocessing (SMP) at 1.2 GHz each. Allows for 150% performance increase over previous ARM Cortex-A8 cores.
  • Full HD (1080p) multi-standard video encode/decode
  • Imagination Technologies’ POWERVR? SGX540 graphics core supporting all major API’s including OpenGL? ES v2.0, OpenGL ES v1.1, OpenVG v1.1 and EGL v1.3 and delivering 2x sustained performance compared to the previous SGX530 core
  • Low power audio

Display

  • HDMI v1.3 Connector (Type A) to drive HD displays
  • DVI-D Connector (can drive a 2nd display, simultaneous display; requires HDMI to DVI-D adapter)
  • LCD expansion header
  • DSI Support

Memory

  • 1 GB low power DDR2 RAM
  • Full size SD/MMC card cage with support for High-Speed & High-Capacity SD cards

Audio

  • 3.5″  Audio in/out
  • HDMI Audio out
  • Sterio audio input support

Connectivity

  • Onboard 10/100 Ethernet

Wireless Connectivity

  • 802.11 b/g/n (based on WiLink? 6.0)
  • Bluetooth? v2.1 EDR (based on WiLink? 6.0)

Expansion

  • 1x USB 2.0 High-Speed On-the-go port
  • 2x USB 2.0 High-Speed host ports
  • General purpose expansion header (I2C, GPMC, USB, MMC, DSS, ETM)
  • Camera expansion header
  • LCD signal expansion using a single set of resistor banks

Debug

  • JTAG
  • UART/RS-232
  • 2 status LEDs (configurable)
  • 1 GPIO Button
  • Sysboot switch available on board

Dimensions

  • Height: 4.5″ (114.3 mm)
  • Width:  4.0″ (101.6 mm)
  • Weight: 2.88 oz (81.5 grams)

Pandaboard 元件说明 

Pandaboard ES 元件说明

 

更多详细介绍:

http://www.chipsee.com/pandaboardes.html

WiKi:https://en.wikipedia.org/wiki/PandaBoard

原厂ARM Cortex-A9开发板OMAP4460双核Pandaboard ES-博航网 http://www.broadon.net/product-2167.html

 

淘宝搜索链接:点我查看淘宝搜索结果

电脑摄像头,手机摄像头,监控摄像头等都是摄像头,但是接口却不一样。

常用的电脑摄像头是USB接口,

主流的智能手机摄像头是MIPI接口

树莓派等硬件却常常为CSI接口

对于开发硬件产品的人来讲,哪种最好呢?它们的区别是什么呢?

DVP总线PCLK极限大约在96M左右,而且走线长度不能过长,所有DVP最大速率最好控制在72M以下,故PCB layout会较好画

MIPI总线速率随便就几百M,而且是lvds接口耦合,走线必须差分等长,并且注意保护,故对PCB走线以及阻抗控制要求高一点。

一般而言,96M pclk是DVP的极限,曾经在一个team做多摄相头的图象采集设备,DVP总线连接。几个不懂技术的一直push我说是硬件走线干扰啊,拘泥纠缠在什么I2C这种低速控制信号受干扰,还搞了好几天看示波器,被烦的不行,我用一个晚上时间改驱动降低PCLK降桢率搞定。

DVP是并口,需要PCLK、VSYNC、HSYNC、D[0:11]——可以是8/10/12bit数据,看ISP或baseband是否支持;

MIPI是LVDS,低压差分串口。只需要要CLKP/N、DATAP/N——最大支持4-lane,一般2-lane可以搞定。

显然,MIPI接口比DVP的接口信号线少,由于是低压差分信号,产生的干扰小,抗干扰能力也强。最重要的是DVP接口在信号完整性方面受限制,速率也受限制。500W还可以勉强用DVP,800W及以上都采用MIPI接口。

以下谈谈个人从业当中有过的经验:
有时候你白天干活,一群自己不会干却喜欢指手画脚指挥别人干的在旁边唧唧歪歪,你还必须装出笑脸迎合,但你的时间却被他们白白浪费了,去做一些你已经预见到不会有效果的事情,但你嘴上都不能说出来,这种心情是很痛苦的,你也不能撂挑子说不干了。你只有捱到等这些干扰源下班走人了,清空一切,此时效率会很高,白天解决不了的我基本都在半夜搞定

 

参考资料:

MIPI接口和DVP接口的区别及优点 – 硬件综合 – 52RD研发论坛– http://bbs.52rd.com/Thread-214024-1-1.html

高清摄像头MIPI接口与ARM处理器的连接 – 老拙 – 博客园 https://www.cnblogs.com/whw19818/p/5811299.html

一直对计算机视觉保持关注,也想过很多计算机视觉上的问题。这个视频将机器视觉的几大类说的很清楚。

人类进化出了双目视觉去,且有几大特点:

双目同时运动,聚焦于同一物体,双目也可向内聚焦(对眼)。它们的共同特点就是——聚焦同一物体,判断距离和大小。

人眼可以同时上下、左右运动,且同时聚焦于同一物体。人眼的中心凹范围很小,所以只能集中精力处理一件事物,而其他区域很大,视觉模糊,但低精度意味着信息简单,大脑可以快速对周围作出反应,因此可以同时关注多个目标(不需要特别精确)。

耳朵控制眼睛的水平,类似于陀螺仪。

机器视觉相比于人的优势:

瞳距可调,意味着精度可调。(这个太酷了,我之前从来没有想到)
焦距可调,意味着可以望远和观近。(不知道人眼佩戴特殊眼镜是否也可以实现)
可移植,眼、脑分离,可以靠无线信号传递信息。且尺寸不限。(人无法做到,除非脑科学与芯片学发展成熟,不过要实现这一目标,现在还还非常早)

计算机还可以多目视觉。人眼可否实现类似二郎神的功能呢?即计算机视觉辅助系统,帮助完善和扩展人眼的功能,甚至取代人眼(盲人就可以看见了,技术拯救盲人)

本文大概描述了机器学习领域之外的人如何转行到机器学习领域内。说得很详细。

下文转载自CSDN:http://blog.csdn.net/qq_40027052/article/details/78542679?locationNum=3&fps=1


在计算机行业,关于从业人员的素质,一直都有一个朴素的认识——科班出身好过非科班,学历高的好过学历低的。大部分时候,这个看法是对的。在学校学习,有老师指点,有同学讨论,有考试压迫,有项目练手。即便不大用心的学生,几年耳濡目染下来,毕业后作为半个专业人士,还是没什么问题的。

不过,量子物理告诉我们,这个世界的本质要看概率。所以,科班出身的同学,在技术上好过非科班出身的同学,这是大概率事件;相反,非机器学习专业,甚至非计算机专业的同学,在这个领域做的比本专业同学更好,则就是小概率事件了。但小概率事件并非“不可能事件”,国内很多做机器学习公司的CTO,都不是机器学习专业的科班出身,却能够抓住这里的“小概率”,让自己华丽地转身并实现弯道超车。

他们是怎么做到的?

如果在上学的时候,我们没能嗅到机器学习领域的机会,而是选择其他领域来学习和工作……如今却打算半路出家、改行机器学习,应该怎么做,才能做到跟这些人一样好?或者,至少是足够好?

我自己痛苦转型的经历,说出来可以供大家参考一下。

我也是非科班出身,但因为工作,一直需要接触计算机视觉的一些传统算法。后来,看到ImageNet竞赛的结果,我意识到了深度学习在视觉领域的巨大优势,遂决定开始转型深度学习和神经网络,走上了这条学习的不归路(笑)。

想要转型,跟上学的时候不同,因为手头正在做的工作意味着,自己需要从没有时间的情况下挤出时间,需要把别人睡觉、打游戏的时间用来学习,而所学的又是一种颇为艰深晦涩的学问。

转型,其实很容易,需要做到的只有一件事:学习。

转型,其实很困难,因为必须做到一件事:坚持学习。

最难的不是下定决心,而是贯彻到底。所以,在开始之前,不妨先问问自己这样几个问题:

“我真的已经想清楚,要踏足这个行业吗?”
“我能够付出比其他人更多的辛苦汗水,在这条路上坚定地走下去吗?”
“在遭受了痛苦甚至打击之后,我对机器学习的热爱,仍然能够维持我继续前进吗?”

根据我掌握的数据,100个程序员里大概有30个考虑过转型,而真正付诸行动的不过10个。一个月以后仍然在坚持的仅有5个,最终能完成第一个阶段学习的,最多两三个而已。

真的这么困难吗?是的。特别是你要白天上班,晚上才能学习,独学而无友,有问题又只能自己查。而要系统地入门,又不是咬牙一天两天就能学出来,恐怕得坚持几个月才能get到点。

我个人的经历是这样:一开始接触时,每周一、三、五固定3天时间,每晚花两个小时去学习、看视频、翻书,周六周日则用来完成课程附带的编程作业,大概也是每天两小时左右。在这种强度下坚持了三个月,我才算是完成了入门的第一步。

也许有的人效率更高一些,也许有的人步子更慢一些,但快和慢不是关键,即使学习最慢的人,也要比一开始放弃学习的人走得更远。

所以,其实真正重要的,不是“我该学什么”,或者“我该怎么学”;而是“我是不是真的有足够的决心”,以及“我是不是能坚持到底”。

上手的课程

定好决心后,我们就能看看:在学机器学习的时候,我们到底在学什么?

几乎所有人都知道人工智能这个概念;有一部分人知道“机器学习”这个概念;其中一小部分人能清楚描述“深度学习”、“机器学习”和“神经网络”的关系; 很少一部分人能够正确说明“卷积”、“池化”、“CTC”这些名词的正确含义与计算/实现的方法;非常少的人能清楚地理解损失函数和反向传播的数学表达;极少极少的人能够阐述网络的一个修改(比如把卷积核改小)对precision/recall会产生什么影响;几乎没有人能描述上述影响到底是什么原理。

查看全文