树莓派raspbian环境下编译的so文件，支持sigar-1.6。 注：不同版本sigar需要使用对应版本的so库文件。

树莓派4B的ubuntu镜像

树莓派gpio4测试程序，复制到pi目录中，然后运行终端，输入python gpio4blink.py，就可以看到gpio4口led闪烁，前提gpio4口接了一个led

YoloV5-ncnn-Raspberry-Pi-4 带有ncnn框架的YoloV5。 论文： ： 专为裸露的Raspberry Pi 4制作，请参阅 基准。 模型 杰特逊纳米2015 MHz RPi 4 64-OS 1950兆赫 YoloV2（416x416） 10.1帧/秒 3.0帧/秒 YoloV3（352x352）微小 17.7帧/秒 4.4 FPS YoloV4（416x416）微小 11.2 FPS 3.4帧/秒 YoloV4（608x608）完整 0.7帧/秒 0.2帧/秒 YoloV5（640x640）小 4.0 FPS 1.6帧/秒 依赖关系。 要运行该应用程序，您必须： 具有32或64位操作系统的树莓派4。 它可以是Raspberry 64位操作系统，也可以是Ubuntu 18.04 / 20.04。 已安装腾讯ncnn框架。 已安装OpenC

树莓派zero图像分类与目标检测 山东大学（威海） 2018级数据科学与人工智能实验班 孙易泽 吴锦程 詹沛 徐潇涵 树莓派zero图像分类与目标检测是深度学习的研究项目，旨在通过深度学习算法，实现树莓派的实时识别与分类。 在树莓派上运行深度学习主要分为以下几个步骤： 首先是数据的获取及预处理，图像分类与目标检测需要大量干净且高质量的图片数据进行训练，我们需要通过不同方式，尽可能多的获取到相关的图片数据，并处理为深度学习可用的形式。 接下来先实现图像分类，根据深度学习领域存在的相关模型，选择适合于树莓派上运行的深度学习模型。通过Tensorflow2搭建深度学习框架，通过对模型参数不断调整，训练出正确率高且能快速运行的模型。通过对模型的不断改进，在保持模型正确率的同时，减小模型的大小。 目标检测模型也是一个侧重点，我们选择轻量级的深度学习模型，并使用Tensorflow2 Object D

树莓派Pico小掌机工程.(附带电路图,基础源码) LCD使用ST7789,通过PCF8574扩展按键IO,s_task协程库模拟多线程 I2S部分未完成,可自行修改使用pwm方式播放简单音乐 使用Vscode+PlatformIO 基于Arduino库开发. 目前是验证阶段,全部使用模块配合面包板进行测试. Pico的ram比较小,现在只能做一些小游戏尝试.如果有可以外扩PSRAM的方案也可以运行fc游戏等.

树莓派 4B I2c 硬件方式读写 mlx90614 温度传感器

在树莓派上使用gtk库进行gui编程 AN INTRODUCTION TO C AND GUI PROGRAMMING

主要介绍了使用Python简单的实现树莓派的WEB控制的相关资料,需要的朋友可以参考下

用它来远程管理 Linux 十分好用，其主要优点如下： ◆ 完全免费 ◆ 在 Windows 9x/NT/2000 下运行的都非常好 ◆ 全面支持 SSH1 和 SSH2 ◆ 体积很小 ◆ 操作简单