首页 星云 工具 资源 星选 资讯 热门工具
:

PDF转图片 完全免费 小红书视频下载 无水印 抖音视频下载 无水印 数字星空

如何在Arch Linux上构建Raspberry Pi虚拟环境

编程知识
2024年07月29日 21:19

如何在Linux上构建Raspberry Pi虚拟环境

​ 下面我们来讲讲如何使用QEMU来仿照树莓派环境。这里首先先分成两大类。第一类是跑比较老的,安全性较低的老树莓派,主要指代的是22年4月份发布之前的版本,这个版本当中,树莓派镜像自己内部就配置了一份默认的账户密码。对于之后的版本则不配备这种默认的账号密码。因此,我们需要区分出两种装载模式。

​ 为了省力,我们使用人家已经配置好了的

github仓库:qemu-rpi-kernel

前置环境需求

yay -S qemu-system-arm

Older Version

​ 考虑旧的树莓派镜像,安装的方式如下

  1. 克隆仓库qemu-rpi-kernel到一个位置,取出里头的:

    kernel-qemu-5.4.51-buster
    versatile-pb-buster-5.4.51.dtb
    

    这两个文件到一个自己创建的目录文件夹下。我的是oldone

  2. 下载旧树莓派镜像

    https://downloads.raspberrypi.org/raspios_lite_armhf/images/raspios_lite_armhf-2020-05-28/2020-05-27-raspios-buster-lite-armhf.zip
    

    wget还是扔浏览器自己点击,看自己兴趣。下载结束解压到上面创建的oldone文件夹下

  3. 写一个简单的脚本

    qemu-system-arm \
      -M versatilepb \
      -cpu arm1176 \
      -m 256 \
      -drive "file=2020-05-27-raspios-buster-lite-armhf.img,
       if=none,index=0,media=disk,format=raw,id=disk0" 
      -device "virtio-blk-pci,drive=disk0,disable-modern=on,disable-legacy=off" \
      -net "user,hostfwd=tcp::5022-:22" \
      -dtb versatile-pb-buster-5.4.51.dtb \
      -kernel kernel-qemu-5.4.51-buster \
      -nographic \ # 提示,这个跟下面的console=ttyAMA0搭配使用,想要图形化输出请自行删掉提到的两行
      -append 'root=/dev/vda2 panic=1 console=ttyAMA0' \
      -no-reboot
    

    我先说说这些参数都是什么意思。

    -M versatilepb:QEMU支持的板子里有这个,这个是我们树莓派的体系平台,选这个运行我们的树莓派仿真环境

    -cpu arm1176: CPU型号选择arm1176

    -m 256 内存大小是256MB,我看有Issue说最大就这个,不能再大了,有bug会,笔者这里尚未考证,不予评价

    下面这一个长一些:实际上就是指定我们的镜像文件和索引格式:

    file=2020-05-27-raspios-buster-lite-armhf.img:指定要使用的镜像文件。

    if=none:指定该驱动器不自动分配到任何接口。

    index=0:设置驱动器的索引为0。

    media=disk:指定媒体类型为磁盘。

    format=raw:指定镜像文件的格式为raw(原始格式)。

    id=disk0:为该驱动器指定一个唯一的ID(disk0)。

    下面的这个是指定输入输出:

    virtio-blk-pci:指定设备模型为VirtIO块设备(通过PCI总线连接的VirtIO块设备)。VirtIO设备通常用于提高虚拟化性能。

    drive=disk0:将这个设备与之前定义的ID为disk0的驱动器关联起来。

    disable-modern=on:禁用现代(modern)VirtIO设备特性。这些特性通常提供更高的性能,但可能与某些旧的系统不兼容。

    disable-legacy=off:启用传统(legacy)VirtIO设备特性。这些特性通常用于兼容旧的系统。

    -net配置网络:user:使用用户模式网络栈。这是QEMU的一种网络配置方式,适合不需要复杂网络配置的场景。hostfwd=tcp::5022-:22:设置端口转发规则,将主机的TCP端口5022转发到虚拟机的TCP端口22。

    -dtb:指定设备树,这里用配好的

    -kernel是使用到的内核:kernel-qemu-5.4.51-buster

    -no-reboot:虚拟机关机或崩溃时,阻止它自动重启(关了我们怎么看日志呢hhh)

    -nographic:不启用图形化,这个看心情指定,注意的是这个跟console=ttyAMA0一起用

    下面的--append说的是追加内核启动参数:

    root=/dev/vda2:指定根文件系统所在的设备。这里假设根文件系统位于虚拟磁盘的第二个分区。

    panic=1:在内核遇到致命错误时,指定在1秒后自动重启。

    console=ttyAMA0:指定内核控制台输出到ttyAMA0,通常用于ARM架构的串口控制台。

​ 下面就可以启动了,我想要提到的是,由于这玩意内存就给256M,可以说启动相当的缓慢,因此,有点耐心,好几次笔者以为是配置挂了反复检查,直到吃饭回来才发现跑通的本来

​ 总结一下,如果看官希望采用的是非图形化的输出,需要写入的脚本是:

qemu-system-arm \
  -M versatilepb \
  -cpu arm1176 \
  -m 256 \
  -drive "file=2020-05-27-raspios-buster-lite-armhf.img,
   if=none,index=0,media=disk,format=raw,id=disk0" 
  -device "virtio-blk-pci,drive=disk0,disable-modern=on,disable-legacy=off" \
  -net "user,hostfwd=tcp::5022-:22" \
  -dtb versatile-pb-buster-5.4.51.dtb \
  -kernel kernel-qemu-5.4.51-buster \
  -nographic \
  -append 'root=/dev/vda2 panic=1 console=ttyAMA0' \
  -no-reboot

​ 下面只需要

chmod 777 <脚本名称>.sh
./<脚本名称>.sh

​ 很快就会刷屏

笔者建议使用非图形化的方式启动,日志更加丰富,而且可以实时看看进度。图形化的方式则会缺斤少两,导致一些长时间的加载被误认为是kernel挂了(我自己)

​ 这是结束时候的画面,默认的,旧版本下的账号密码是:登录用户名为pi,该账户默认密码是raspberry,之后想要改passwd更改就好。

​ 如果想要以图形化的方式启动:

qemu-system-arm \
  -M versatilepb \
  -cpu arm1176 \
  -m 256 \
  -drive "file=2020-05-27-raspios-buster-lite-armhf.img,
   if=none,index=0,media=disk,format=raw,id=disk0" 
  -device "virtio-blk-pci,drive=disk0,disable-modern=on,disable-legacy=off" \
  -net "user,hostfwd=tcp::5022-:22" \
  -dtb versatile-pb-buster-5.4.51.dtb \
  -kernel kernel-qemu-5.4.51-buster \
  -append 'root=/dev/vda2 panic=1' \
  -no-reboot


新版本启动

​ 我们这一次玩一个新的,这一次我们尝试跑最新版本的树莓派镜像,有了旧版本的经验,事情垂手可得,但是这次我们要注意的是,我们必须先用非图形化的方式跑一次(可以不用吗,可以,但是我懒得改文件)

​ 这是因为我们需要被引导设置账号密码,新版本的树莓派OS不再提供默认的账号密码了!剩下的都一样!这里不再赘述

From:https://www.cnblogs.com/charliechen114514-blogs/p/18331195
本文地址: http://shuzixingkong.net/article/572
0评论
提交 加载更多评论
其他文章 LLM并行训练7-混合并行总结
概述 根据前面的系列文章, 对预训练大模型里用到的主要并行加速技术做了一系列拆分. 但是在实际的训练里往往是多种并行混合训练. 我们要怎么配置这些并行策略才能让训练框架尽可能的减少通信瓶颈, 提升GPU计算利用率呢? 这里的变量太多了, 以最简单的3D并行为例: 硬件层面有: 单台机器的卡数/卡间带
LLM并行训练7-混合并行总结 LLM并行训练7-混合并行总结 LLM并行训练7-混合并行总结
.NET周刊【7月第4期 2024-07-28】
国内文章 .NET 高性能缓冲队列实现 BufferQueue https://mp.weixin.qq.com/s/fUhJpyPqwcmb3whuV3CDyg BufferQueue 是一个用 .NET 编写的高性能的缓冲队列实现,支持多线程并发操作。 项目地址:https://github.c
.NET周刊【7月第4期 2024-07-28】 .NET周刊【7月第4期 2024-07-28】
.NET 高性能缓冲队列实现 BufferQueue
目录前言适用场景功能说明使用示例BufferQueue 内部设计概述Topic 的隔离Partition 的设计对并发的支持Partition 的动态扩容Segment 的回收机制Benchmark写入性能测试消费性能测试 前言 BufferQueue 是一个用 .NET 编写的高性能的缓冲队列实现
.NET 高性能缓冲队列实现 BufferQueue .NET 高性能缓冲队列实现 BufferQueue .NET 高性能缓冲队列实现 BufferQueue
软件测试必备 - 14个接口与自动化测试练习网站
随着互联网和移动应用的快速发展,接口和自动化测试的重要性日益凸显。越来越多的企业开始重视API测试,因为它不仅能提升开发效率,还能确保系统的稳定性和安全性。这些练习网站为测试人员提供了宝贵的资源,帮助他们掌握必要的技能,应对日益复杂的测试需求。 在软件测试的世界里,接口与自动化测试是提升效率和确保质
软件测试必备 - 14个接口与自动化测试练习网站 软件测试必备 - 14个接口与自动化测试练习网站 软件测试必备 - 14个接口与自动化测试练习网站
痞子衡嵌入式:MCUXpresso IDE下在线联合调试i.MXRT1170双核工程的三种方法
大家好,我是痞子衡,是正经搞技术的痞子。今天痞子衡给大家分享的是MCUXpresso IDE下在线联合调试i.MXRT1170双核工程的三种方法。 两年前痞子衡写过一篇《i.MXRT1170下在线联合调试双核工程的三种方法(IAR篇)》,那篇文章详细介绍了 IAR 下调试 RT1170 双核工程的几
痞子衡嵌入式:MCUXpresso IDE下在线联合调试i.MXRT1170双核工程的三种方法 痞子衡嵌入式:MCUXpresso IDE下在线联合调试i.MXRT1170双核工程的三种方法 痞子衡嵌入式:MCUXpresso IDE下在线联合调试i.MXRT1170双核工程的三种方法
【JavaScript】前端算法题(重建二叉树、反向输出链表每个节点)
前言 今天复习了一些前端算法题,写到一两道比较有意思的题:重建二叉树、反向输出链表每个节点 题目 重建二叉树: 输入某二叉树的前序遍历和中序遍历的结果,请重建出该二叉树。假设输入的前序遍历和中序遍历的结果中都不含重复的数字。例如输入前序遍历序列 {1,2,4,7,3,5,6,8} 和中序遍历序列 {
全网最适合入门的面向对象编程教程:27 类和对象的Python实现-Python中异常层级与自定义异常类的实现
本文主要介绍了在使用Python进行面向对象编程时,异常的层级和如何使用继承关系完成自定义自己项目中异常类,并以传感器数据采集为例进行讲解。
全网最适合入门的面向对象编程教程:27 类和对象的Python实现-Python中异常层级与自定义异常类的实现 全网最适合入门的面向对象编程教程:27 类和对象的Python实现-Python中异常层级与自定义异常类的实现 全网最适合入门的面向对象编程教程:27 类和对象的Python实现-Python中异常层级与自定义异常类的实现
机器学习:详解是否要使用端到端的深度学习?(Whether to use end-to-end learning?)
详解是否要使用端到端的深度学习? 假设正在搭建一个机器学习系统,要决定是否使用端对端方法,来看看端到端深度学习的一些优缺点,这样就可以根据一些准则,判断的应用程序是否有希望使用端到端方法。 这里是应用端到端学习的一些好处,首先端到端学习真的只是让数据说话。所以如果有足够多的\((x,y)\)数据,那
机器学习:详解是否要使用端到端的深度学习?(Whether to use end-to-end learning?) 机器学习:详解是否要使用端到端的深度学习?(Whether to use end-to-end learning?) 机器学习:详解是否要使用端到端的深度学习?(Whether to use end-to-end learning?)