Leehands workroom

ODROID M1S, Realsense Libarary 설치

LEEHANDS — Mon, 24 Feb 2025 20:41:51 +0900

인텔 홈페이지보면 odroid 를 공식 지원하지는 않기때문에 쉘스크립트 실행을 해야한다고한다.

실행해야 할 패치 파일

patch-realsense-ubuntu-odroid.sh
- Odroid 장치 전반을 위한 패치일 가능성이 큼.
patch-realsense-ubuntu-odroid-xu4-4.14.sh
- Odroid XU4와 커널 4.14에 특화된 패치.

Odroid XU4를 사용하고 커널이 4.14인 경우 patch-realsense-ubuntu-odroid-xu4-4.14.sh를 실행
그 외의 Odroid 장치를 사용한다면 patch-realsense-ubuntu-odroid.sh를 실행

실행 순서 (CMake 실행 전에 진행)

bash

복사편집

cd ~/Projects/librealsense/scripts # 일반적인 Odroid용 패치 적용 (XU4가 아니라면) sudo ./patch-realsense-ubuntu-odroid.sh

또는, XU4 + 커널 4.14 환경이라면:

bash

복사편집

sudo ./patch-realsense-ubuntu-odroid-xu4-4.14.sh

이후 CMake 및 빌드 과정

패치 적용 후, CMake 설정을 진행합니다.

bash

복사편집

cd ~/Projects/librealsense mkdir build && cd build # CMake 실행 cmake .. -DBUILD_EXAMPLES=true -DFORCE_RSUSB_BACKEND=true -DCMAKE_BUILD_TYPE=Release # 빌드 및 설치 make -j$(nproc) sudo make install

그 후, udev 규칙을 리로드하고 uvcvideo 모듈을 다시 로드:

bash

복사편집

sudo udevadm control --reload-rules && sudo udevadm trigger sudo modprobe uvcvideo

패치 적용이 필요한 이유

Odroid는 기본적으로 Intel이 공식 지원하는 플랫폼이 아님
커널 및 드라이버 패치 없이 Realsense 장치를 인식하지 못할 가능성이 높음
패치를 적용하면 USB 백엔드와 uvcvideo 모듈이 올바르게 작동할 가능성이 커짐

장치 연결 확인 (빌드 완료 후)

bash

복사편집

lsusb | grep -i intel # RealSense 장치가 USB에서 보이는지 확인 ls /dev/video* # /dev/video0 또는 video1 장치가 생성되었는지 확인 rs-enumerate-devices # RealSense 장치 목록 확인

이제 realsense-viewer로도 확인해보고, 카메라가 정상 동작하는지 체크하면 됩니다.

패치 적용 후에도 카메라가 인식되지 않는다면?

dmesg | grep uvcvideo 실행하여 커널 로그에서 오류 확인
lsmod | grep uvcvideo로 uvcvideo 모듈이 로드되었는지 체크
modinfo uvcvideo로 모듈 정보 확인

이 과정을 거치면 Odroid에서 RealSense D435i를 정상적으로 사용할 가능성이 높습니다.
혹시 실행 중 에러가 나오면, 로그를 확인하고 어떤 문제가 발생했는지 추가 점검하면 됩니다.

ODROID M1S, Realsense 카메라 no connection 시

LEEHANDS — Mon, 24 Feb 2025 20:25:08 +0900

ODROID XU4 / M1S 같은 보드들은 V4L2 드라이버 지원이 불완전할 수 있음
RealSense 기본 설정은 V4L2 기반이므로, USB 백엔드(RSUSB)를 강제로 활성화해야 인식 가능
USB 백엔드 활성화(-DFORCE_RSUSB_BACKEND=true)하면 카메라를 직접 USB 장치로 연결하여 사용 가능

cd ~
git clone https://github.com/IntelRealSense/librealsense.git
cd librealsense
mkdir build && cd build

cmake .. -DBUILD_EXAMPLES=true -DFORCE_RSUSB_BACKEND=true
make -j$(nproc)
sudo make install

DFORCE_RSUSB_BACKEND = true 해야지 odroid m1s 에서 python3 카메라 인식이 가능하다.

1. 기존에 Realsense 지운다

sudo apt remove -y librealsense2-utils librealsense2-dev librealsense2-dkms
sudo rm -rf ~/Projects/realsense/librealsense

2. USB 백엔드 강제 활성

cd ~
git clone https://github.com/IntelRealSense/librealsense.git
cd librealsense
mkdir build && cd build

cmake .. -DBUILD_EXAMPLES=true -DFORCE_RSUSB_BACKEND=true
make -j$(nproc)
sudo make install

3. udev 규칙 적용 (USB 장치 접근 권한 설정)

sudo cp config/99-realsense-libusb.rules /etc/udev/rules.d/
sudo udevadm control --reload-rules && sudo udevadm trigger

4. Realsense 서비스 재시작

sudo modprobe uvcvideo
sudo systemctl restart udev

5. 카메라 확인

rs-enumerate-devices

왜 USB 백엔드를 강제 적용해야 할까?

ODROID 보드에서 /dev/video* 장치가 생성되지 않음
- ls -lah /dev/video* 실행 결과 "No such file or directory"
- 즉, V4L2(Video for Linux) 인터페이스로 장치가 인식되지 않음
- 이는 커널 모듈이 올바르게 로드되지 않았거나, ODROID M1S의 V4L2 지원이 제한적이기 때문일 가능성이 큼
lsusb -t 결과에서 RealSense가 "Driver=" 로 표시됨
- /dev/video* 장치가 없는 것과 마찬가지로, USB 트리에서도 해당 장치가 드라이버 없이 연결된 상태
- 일반적으로 UVC (USB Video Class) 장치라면 Driver=uvcvideo가 보여야 함
- 드라이버가 정상적으로 로드되지 않았기 때문에 rs-enumerate-devices로는 확인되지만, Python 코드에서는 연결되지 않는 문제 발생 가능성 큼
RealSense Viewer (realsense-viewer)에서는 정상 작동
- 이건 Librealsense의 자체 USB 백엔드(RSUSB)를 사용하고 있기 때문일 가능성이 높음
- 하지만 기본적으로 Python API는 V4L2를 통해 접근을 시도함 → 장치가 인식되지 않음

✅ 강제 적용해야 하는 이유

V4L2 방식 (기본 설정) → 현재 환경에서 작동하지 않음
RSUSB 백엔드 방식 (강제 적용) → Realsense Viewer에서 정상 작동 가능성 높음
ODROID M1S 및 기타 보드에서 자주 발생하는 문제임 (커널 드라이버 지원 부족 가능성)

이러한 이유로 USB 백엔드를 강제 적용해서 RealSense 장치를 직접 인식하도록 설정하는 것이 필요합니다.

결론

✔ -DFORCE_RSUSB_BACKEND=true 옵션을 사용해 USB 백엔드를 강제로 활성화하는 것이 현재 문제를 해결할 가능성이 매우 높습니다.
✔ 이 옵션을 적용한 후 rs-enumerate-devices와 Python 코드를 다시 실행해서 인식 여부를 확인하는 것이 최선입니다.

[AI] 나만의 AI 만들기 ( Nvidia GeForce GTX 1650 )

LEEHANDS — Mon, 21 Oct 2024 13:11:13 +0900

GPU 알아내기

lspci | grep -i vga

연결된 그래픽카드 알아내기

나의 그래픽카드느 GeForce GTX 1650 입니다.

이제 이 그래픽카드에 맞는 우분투용 그래픽카드 드라이버를 설치해봅시다.

이제 Nvidia HomePage 에서 조회해보자

https://www.nvidia.com/en-us/drivers/

Download The Latest Official NVIDIA Drivers

Download the latest official NVIDIA drivers to enhance your PC gaming experience and run apps faster.

www.nvidia.com

다운로드 받은 후 아래와 같이 실행파일로 변경하여 그래픽카드 드라이버를 설치합니다.

cd ~/Downloads
chmod +x NVIDIA-Linux-x86_64-550.120.run

그리고 실행합니다.

sudo ./NVIDIA-Linux-x86_64-550.120.run

필자의경우 한번에 설치가안되어 커널업데이트를 하고 진행했다. 아래 참고

1. Run 설치 실패시 헤더 및 커널 재설치 ( 안될경우 )

시스템 업데이트 및 업그레이

sudo apt-get update
sudo apt-get upgrade
sudo apt-get dist-upgrade

기본 커널 설치

sudo apt-get install linux-generic

리붓 후 모든 헤더 패키지 설치

sudo apt-get install linux-headers-generic

디스플레이 매니저 종료

systemctl list-units --type=service | grep dm
sudo pkill X

호환되는 gcc 으로 드라이버 설치

sudo apt install gcc-12 g++-12
sudo CC=/usr/bin/gcc-12 ./NVIDIA-Linux-x86_64-550.120.run

설치가 완료되면 아래와 같이 nvidia-smi 가 잘 보인다.

ODROID M1S, KERNEL (커널) 컴파일 = 작성중 =

LEEHANDS — Mon, 15 Apr 2024 21:29:23 +0900

커널 컴파일하기 전에

커널 컴파일하기전에 Remove Object file.

make clean

.config 를 먼저 defautl setting

make defconfig

사용자가 커널 모듈을 Manual Setting

make menuconfig

커널 컴파일

커널과 관련 모듈 컴파일

make -j$(nproc)
make modules

커널 설치

sudo make modules_install
sudo make install

ODROID M1S, 소개 및 자료 ( 출처 : 하드커널 )

LEEHANDS — Mon, 15 Apr 2024 19:02:45 +0900

Hardkernel Odroid M1S

ROCKCHIP RK3566 , Datasheet

Rockchip RK3566 Datasheet V1.2-20220930.pdf

3.35MB

HARDKERNEL M1S , FEATURE

HARDKENEL PINMAP

HARDKENEL , DEVICE TREE OVERLAY

https://wiki.odroid.com/odroid-m1s/application_note/device_tree_overlay

odroid-m1s:application_note:device_tree_overlay [ODROID Wiki]

'ODROID-N2' on this page refers to the ODROID-N2 series (N2, N2+, N2L). By using this Overlay feature, we can easily set the board to use a peripheral including a shield product. To use a shield, you should have set your DTB file by using 'fdt' tool on the

wiki.odroid.com

HARDKERNEL DOC

- ODROID M1S WIKI : https://wiki.odroid.com/odroid-m1s/odroid-m1s

odroid-m1s:odroid-m1s [ODROID Wiki]

ODROID-M1S is an affordable ARM Cortex-A55 quad-core single board computer with higher energy efficiency, slimmer form factor, and many input/output ports. Thanks to the built-in fast 64GB eMMC storage, 4GB or 8GB LPDDR4 RAM, bundled power adapter, and bun

wiki.odroid.com

- ODROID M1S

라떼판다(Lattepanda) v1 , Hardware / Pin-map

LEEHANDS — Fri, 8 Mar 2024 13:54:19 +0900

Pinouts in area U1 are assigned to the X-Z8350 core.

Pinouts in area U2 are assigned to the ATmega32u4 core. Each of the 20 digital pins (A0 - A5, D0 - D13) in area U2 can be used as an input or output, each operating at 5 volts. Each pin can output or receive 40 mA and each has an internal pull-up resistor (disconnected by default) of 20-50k ohm. Caution: Exceeding 40mA on any I/O pin may cause permanent damage to the ATmega32u4.

Some pins have specialized functions:

Analog Inputs: A0 - A5, A6 - A11 (on D4, D6, D8, D9, D10, and D12). The LattePanda has 12 analog inputs, labeled A0 through A11, all of which can also be used as digital I/O (inputs/ouptus). Each pin has a 10 bit resolution (i.e. 1024 different values). By default, their voltages measure from ground to 5 volts.
Serial: D0 (RX) and D1 (TX). Used to receive (RX) and transmit (TX) TTL serial data.
External Interruptions: D3 (interrupt 0), D2 (interrupt 1), D0 (interrupt 2), D1 (interrupt 3) and D7 (interrupt 4). These pins can be configured to trigger an interruption when measuring low values, a rising or falling edge, or a change in value.
PWM: D3, D5, D6, D9, D10, and D13 provide 8-bit PWM output.
SPI: D16 (MOSI), D14 (MISO), D15 (SCK).
LED: D13 There is a built-in LED driven by digital pin 13.
TWI: D2(SDA), D3(SCL). Other pins on the board:
Reset: Causes LOW line to reset the microcontroller. Typically used to add a reset button to shields which can block functions on the SBC.

Oldking : 2012년 작품

LEEHANDS — Tue, 12 Dec 2023 13:24:18 +0900

동영상 서비스가 종료되어 해당 콘텐츠를 재생할 수 없습니다.

11년전 30세즈음, 그때도 옛날생각에 만들었던 8051 시계

Altium, Custom Thermal Reliefs for Pads

LEEHANDS — Fri, 8 Dec 2023 13:54:49 +0900

PCB 에 전체 Copper layer 를 생성했을 때, 솔더크림이 잘 녹이기위해서 Thermal Relifs 를 각각의 패드에 적용해야할 때가 있다.

아래와 같이 따라하면 각 커넥터 포트 및 부품의 패드의 Thermal Reliefs 를 Customize 하게 설정할 수 있다.

우분투 컴퓨터에 소켓 통신 무조건 따라하기 (1) , 설치 및 예제

LEEHANDS — Wed, 8 Nov 2023 17:21:04 +0900

Description	COMMAND
OS	UBUNTU 22.04.3 LTS	lsb_release -a
GPU	NVIDIA GTX 1650	nvidia-smi
CPU	Intel(R) Core(TM) i7-6700 CPU @ 3.40GHz	lscpu
KERNEL	6.3.0-rc3+	uname -r

우분투 시스템은 위와 같고 소켓은 GPT 도움으로 예제소스를 쉽고 빠르게 테스트 했다.

먼저 소켓 서버 코드

import socket

# 서버의 IP 주소와 포트 번호를 설정합니다.
# 여기서 ''는 모든 네트워크 인터페이스에서 들어오는 연결을 수락한다는 것을 의미합니다.
# 실제 서버의 IP 주소로 변경해야 할 수도 있습니다.
SERVER_HOST = ''
SERVER_PORT = 50081

# 소켓 객체를 생성합니다.
server_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)

# 소켓을 주소에 바인드합니다.
server_socket.bind((SERVER_HOST, SERVER_PORT))

# 소켓이 클라이언트 연결을 듣기 시작합니다.
server_socket.listen(5)
print(f"[*] Listening as {SERVER_HOST}:{SERVER_PORT}")

# 클라이언트가 연결되기를 기다립니다.
client_socket, client_address = server_socket.accept()
print(f"[+] {client_address} is connected.")

# 클라이언트로부터 데이터를 받고 응답을 보냅니다.
try:
    while True:
        message = client_socket.recv(1024).decode()
        if not message:
            # 클라이언트가 연결을 종료했음
            break
        print(f"Received from {client_address}: {message}")
        client_socket.send("Received your message.".encode())
finally:
    # 연결을 종료합니다.
    client_socket.close()
    server_socket.close()
    print("[*] Connection closed.")

다음은 클라이언트 소스 코드

import socket

# 서버의 IP 주소와 포트 번호를 설정합니다.
# 'localhost'나 '127.0.0.1'은 로컬 시스템을 가리킵니다.
# 실제 서버의 IP 주소로 변경해야 할 수도 있습니다.
SERVER_HOST = 'nts.leehands.com'
SERVER_PORT = 50081

# 소켓 객체를 생성합니다.
client_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)

# 지정된 호스트와 포트에 연결합니다.
client_socket.connect((SERVER_HOST, SERVER_PORT))
print(f"[*] Connected to {SERVER_HOST}:{SERVER_PORT}")

# 서버에 메시지를 전송합니다.
client_socket.send("Hello, Server!".encode())

# 서버의 응답을 받습니다.
response = client_socket.recv(1024).decode()
print(f"Server said: {response}")

# 소켓 연결을 종료합니다.
client_socket.close()

그리고 내부 IP 는 잘되지만 외부 IP 으로 접속하면 안될 수 있다.

그것은 바로 우분투의 방화벽 설정 때문이다.

아래와 같이 방화벽 허용을 해줍니다.

sudo ufw allow 50081/tcp
sudo ufw allow 50081/udp

이제 소켓 통신이 잘되는 것을 가볍게 확인할 수 있다.

다음시간에 봐요~~`

우분투 컴퓨터에 텐서플로우 설치 무조건 따라하기 (3) - 메모리할당 증가

LEEHANDS — Wed, 8 Nov 2023 10:37:59 +0900

List	Description	COMMAND
OS	UBUNTU 22.04.3 LTS	lsb_release -a
GPU	NVIDIA GTX 1650	nvidia-smi
CPU	Intel(R) Core(TM) i7-6700 CPU @ 3.40GHz	lscpu
KERNEL	6.3.0-rc3+	uname -r

NVIDIA 그래픽카드와 Tensorflow 관련 라이브러리를 모두 따라서 설치했다면 샘플코드 실행시 문제가 없을 것입니다.

다만 필자는 메모리부족현상을 겪었는데 로그를 보면 그래픽카드 메모리보다 낮은 할당이 되어있는 것이 문제였습니다.

그래서 GPT 에게 물어봐서 해결했습니다.

우분투 쉘에 아래와 같이 타이핑 후 Enter 만하면된다.

export TF_GPU_ALLOCATOR=cuda_malloc_async

필자의 그래픽카드는 4G 의 메모리를 가졌기때문에 위 문구를 추가해서 완전히 해결되었습니다.

참고로 위 설정은 부팅시마다 해줘야하기때문에 환경변수에 저장하여 전역으로 적용될 수 있도록해도됩니다.

vim /etc/environment 파일 아래 추가합니다.

TF_GPU_ALLOCATOR=cuda_malloc_async

그리고 샘플코드 실행시 아래 로그처럼 메모리가 할당 잘됨을 알 수 있습니다.

Created device /job:localhost/replica:0/task:0/device:GPU:0 with 2586 MB memory:

> device: 0, name: NVIDIA GeForce GTX 1650, pci bus id: 0000:01:00.0, compute capability: 7.5

이 코드는 아래 깃랩을 통해 소스코드 다운로드 받을 수 있습니다.

https://gitlab.leehands.com/nh/hoby/opencv/-/tree/03_traing_by_using_opencv_images/traing_image?ref_type=heads

traing_image · 03_traing_by_using_opencv_images · NH / hoby / opencv · GitLab

GitLab Community Edition

gitlab.leehands.com

import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
import os
import random

# GPU 메모리 관리 설정 변경
#gpus = tf.config.experimental.list_physical_devices('GPU')
#if gpus:
#    for gpu in gpus:
#        tf.config.experimental.set_memory_growth(gpu, True)

# 이미지 크기 설정 (폭과 높이를 모델에 맞게 조정)
image_size = (640,480)
batch_size = 2  # 배치 크기 증가

train_datagen = ImageDataGenerator(
    rescale=1./255,  # 이미지를 [0, 1] 범위로 정규화
    rotation_range=20,  # 무작위 회전
    width_shift_range=0.2,  # 가로 방향으로 무작위 이동
    height_shift_range=0.2,  # 세로 방향으로 무작위 이동
    shear_range=0.2,  # 전단 변환 적용
    zoom_range=0.2,  # 무작위 확대/축소
    horizontal_flip=True,  # 수평 뒤집기
    fill_mode='nearest'  # 경계에서 생성된 픽셀 값 채우기
)

validation_datagen = ImageDataGenerator(rescale=1./255)

# 훈련 및 검증 데이터 생성자 생성
train_generator = train_datagen.flow_from_directory(
    'images/train',  # 훈련 데이터 디렉토리 설정
    target_size=image_size,
    batch_size=batch_size,
    class_mode='binary'  # 이진 분류
)

validation_generator = validation_datagen.flow_from_directory(
    'images/validation',  # 검증 데이터 디렉토리 설정
    target_size=image_size,
    batch_size=batch_size,
    class_mode='binary'
)

# 모델 정의
model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(640, 480, 3)),
    MaxPooling2D(2, 2),
    Flatten(),
    Dense(64, activation='relu'),
    Dense(1, activation='sigmoid')
])

# 모델 컴파일
model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# 모델 훈련
history = model.fit(
    train_generator,
    steps_per_epoch=len(train_generator),
    epochs=1000,
    validation_data=validation_generator,
    validation_steps=len(validation_generator)
)

# 훈련 결과 확인
train_loss, train_acc = model.evaluate(train_generator, steps=len(train_generator))
validation_loss, validation_acc = model.evaluate(validation_generator, steps=len(validation_generator))

print(f"Training Loss: {train_loss}, Training Accuracy: {train_acc}")
print(f"Validation Loss: {validation_loss}, Validation Accuracy: {validation_acc}")

이정도에 문제가 없었다면 이제 진정한 AI 학습의 길이 열려있겠습니다.