结合文本的目标检测：Open-GroundingDino训练自己的数据集

news2024/11/27 4:26:06

1、简单介绍

Open-GroundingDino是GroundingDino的第三方实现训练流程的代码，因为官方GroundingDino没有提供训练代码，只提供了demo推理代码。
在这里插入图片描述
关于GroundingDino的介绍可以看论文：https://arxiv.org/pdf/2303.05499.pdf

GroundingDino的Github网址：https://github.com/IDEA-Research/GroundingDINO

Open-GroundingDino的Github网址: https://github.com/longzw1997/Open-GroundingDino/tree/main

要跑起来Open-GroundingDino，需要解决环境安装，数据集制作，网络配置等问题，下面大致从这几个方面进行介绍。

2、训练Open-GroundingDino

2.1、环境安装

建议把GroundingDino下载下来，把环境装好，再来装Open-GroundingDino，最好可以先跑通GroundingDino的demo再来弄Open-GroundingDino，我之前跑推理的时候先弄的Open-GroundingDino结果环境有问题，缺少编译代码，没有生成groundingdino库。

关于cuda、pytorch的环境安装就不具体介绍了。主要是安装好显卡驱动（别太老，至少能CUDA12及以下），然后是conda环境安装pytorch，这直接去pytorch官网安装就行，装完了测试一下显卡能不能被调用。可以就接着装相关的库。

git clone https://github.com/IDEA-Research/GroundingDINO.git

cd GroundingDINO/

编译GroundingDino，本质和 python setup.py develop 是一样的

pip install -e .

执行上面的命令会自动安装 requirements.txt里的库，这个也可以手动安装
在这里插入图片描述

上面基本上就完成了 GroundingDino 的环境安装，可以开始测试环境可不可以用，跑一下demo，注意下载好预训练模型

CUDA_VISIBLE_DEVICES={GPU ID} python demo/inference_on_a_image.py \
-c groundingdino/config/GroundingDINO_SwinT_OGC.py \
-p weights/groundingdino_swint_ogc.pth \
-i image_you_want_to_detect.jpg \
-o "dir you want to save the output" \
-t "chair"
 [--cpu-only] # open it for cpu mode

或

CUDA_VISIBLE_DEVICES={GPU ID} python demo/inference_on_a_image.py \
-c groundingdino/config/GroundingDINO_SwinT_OGC.py \
-p ./groundingdino_swint_ogc.pth \
-i .asset/cat_dog.jpeg \
-o logs/1111 \
-t "There is a cat and a dog in the image ." \
--token_spans "[[[9, 10], [11, 14]], [[19, 20], [21, 24]]]"
 [--cpu-only] # open it for cpu mode

预训练模型下载：

mkdir weights
cd weights
wget -q https://github.com/IDEA-Research/GroundingDINO/releases/download/v0.1.0-alpha/groundingdino_swint_ogc.pth
cd ..

或者找网址直接下载也行
在这里插入图片描述

还有文本解码的 bert-base-uncased 也需要下载，网址：https://huggingface.co/google-bert/bert-base-uncased/tree/main
主要下载以下几个文件，把路径加到 text_encoder_type，关于推理可以看我上一篇：
Open-GroundingDino和GroundingDino的推理流程实现

在这里插入图片描述

上面是在 GroundingDino 中的环境安装和推理准备，后续需要在Open-GroundingDino中安装环境操作：

git clone https://github.com/longzw1997/Open-GroundingDino.git && cd Open-GroundingDino/

pip install -r requirements.txt 
cd models/GroundingDINO/ops
python setup.py build install
python test.py
cd ../../..

再把 预训练模型 和 bert的文本模型路径 也加到 Open-GroundingDino 基本上就完成了环境安装。

2.2、数据集制作

不说细节了，主要是一些注意的地方。官方给的数据集格式：

# For OD
{"filename": "000000391895.jpg", "height": 360, "width": 640, "detection": {"instances": [{"bbox": [359.17, 146.17, 471.62, 359.74], "label": 3, "category": "motorcycle"}, {"bbox": [339.88, 22.16, 493.76, 322.89], "label": 0, "category": "person"}, {"bbox": [471.64, 172.82, 507.56, 220.92], "label": 0, "category": "person"}, {"bbox": [486.01, 183.31, 516.64, 218.29], "label": 1, "category": "bicycle"}]}}
{"filename": "000000522418.jpg", "height": 480, "width": 640, "detection": {"instances": [{"bbox": [382.48, 0.0, 639.28, 474.31], "label": 0, "category": "person"}, {"bbox": [234.06, 406.61, 454.0, 449.28], "label": 43, "category": "knife"}, {"bbox": [0.0, 316.04, 406.65, 473.53], "label": 55, "category": "cake"}, {"bbox": [305.45, 172.05, 362.81, 249.35], "label": 71, "category": "sink"}]}}

# For VG
{"filename": "014127544.jpg", "height": 400, "width": 600, "grounding": {"caption": "Homemade Raw Organic Cream Cheese for less than half the price of store bought! It's super easy and only takes 2 ingredients!", "regions": [{"bbox": [5.98, 2.91, 599.5, 396.55], "phrase": "Homemade Raw Organic Cream Cheese"}]}}
{"filename": "012378809.jpg", "height": 252, "width": 450, "grounding": {"caption": "naive : Heart graphics in a notebook background", "regions": [{"bbox": [93.8, 47.59, 126.19, 77.01], "phrase": "Heart graphics"}, {"bbox": [2.49, 1.44, 448.74, 251.1], "phrase": "a notebook background"}]}}

我实践后的理解是，上面两种格式是独立的，就是你可以整一个OD格式的jsonl，也可以整一个VG格式的jsonl，然后可以把这几种格式的数据集放到一起训练，写到数据集配置文件 datasets_mixed_odvg.json：

{
  "train": [
    {
      "root": "path/V3Det/",
      "anno": "path/V3Det/annotations/v3det_2023_v1_all_odvg.jsonl",
      "label_map": "path/V3Det/annotations/v3det_label_map.json",
      "dataset_mode": "odvg"
    },
    {
      "root": "path/LVIS/train2017/",
      "anno": "path/LVIS/annotations/lvis_v1_train_odvg.jsonl",
      "label_map": "path/LVIS/annotations/lvis_v1_train_label_map.json",
      "dataset_mode": "odvg"
    },
    {
      "root": "path/Objects365/train/",
      "anno": "path/Objects365/objects365_train_odvg.json",
      "label_map": "path/Objects365/objects365_label_map.json",
      "dataset_mode": "odvg"
    },
    {
      "root": "path/coco_2017/train2017/",
      "anno": "path/coco_2017/annotations/coco2017_train_odvg.jsonl",
      "label_map": "path/coco_2017/annotations/coco2017_label_map.json",
      "dataset_mode": "odvg"
    },
    {
      "root": "path/GRIT-20M/data/",
      "anno": "path/GRIT-20M/anno/grit_odvg_620k.jsonl",
      "dataset_mode": "odvg"
    }, 
    {
      "root": "path/flickr30k/images/flickr30k_images/",
      "anno": "path/flickr30k/annotations/flickr30k_entities_odvg_158k.jsonl",
      "dataset_mode": "odvg"
    }
  ],
  "val": [
    {
      "root": "path/coco_2017/val2017",
      "anno": "config/instances_val2017.json",
      "label_map": null,
      "dataset_mode": "coco"
    }
  ]
}

但是。验证集的格式必须使用COCO格式，因为代码采用的是COCO数据集的计算方法。这就是Open-GroundingDino给出的数据集制作方法。
在实践过程中发现的问题：

①给出的格式不够清晰 是不是可以把 OD、VG 在一个数据集中生成，既有detection内容又有grounding内容；

②只给了一条数据集格式，当有两张图的时候数据集格式是怎样的不清楚，我一开始是直接列表里面放字典，字典之间用逗号隔开，我转化了v3det数据集后发现不是这样的，之所以一开始没这么做，是因为v3det的数据集比较大，操作之后不好打开，不好看格式，太吃内存了。

实际上的格式是一个字典挨着一个字典：

{
}{
}{
}
}{
}

而且自己生成的时候尽量采用提供的格式，不然训练时读数据容易报 jsondecodeerror，参考tools/v3det2odvg.py，使用jsonlines 库生成 jsonl文件，训练集最好是这样，采用如下格式将个人的数据信息生成对应格式的数据集。

metas = []
instance_list = []
instance_list.append({
                "bbox": bbox_xyxy,
                "label": label - 1,       # make sure start from 0
                "category": category
                }
            )
            
metas.append(
            {
                "filename": img_info["file_name"],
                "height": img_info["height"],
                "width": img_info["width"],
                "detection": {
                    "instances": instance_list
                }
            }
        )
        
 with jsonlines.open(args.output, mode="w") as writer:
        writer.write_all(metas)

报错信息：json.decoder.JSONDecodeError:Expecting property name enclosed in double quotes: line 1 column 2 (char 1)，这是训练时读取ODVG格式数据集的函数， 在datasets/odvg.py里面

def _load_metas(self, anno):
        with  open(anno, 'r')as f:
            self.metas = [json.loads(line) for line in f]

验证集直接采用COCO格式就行了，这个格式比较清晰，可以找到的信息也多。

完成数据集制作，接下来是网络配置。

2.3、网络配置

网络训练需要配置好网络参数和数据集信息才能开始训练，配置文件：

config/cfg_odvg.py                   # for backbone, batch size, LR, freeze layers, etc.
config/datasets_mixed_odvg.json      # support mixed dataset for both OD and VG

第一个是网络结构配置文件：

data_aug_scales = [480, 512, 544, 576, 608, 640, 672, 704, 736, 768, 800]
data_aug_max_size = 1333
data_aug_scales2_resize = [400, 500, 600]
data_aug_scales2_crop = [384, 600]
data_aug_scale_overlap = None
batch_size = 4
modelname = 'groundingdino'
backbone = 'swin_T_224_1k'
position_embedding = 'sine'
pe_temperatureH = 20
pe_temperatureW = 20
return_interm_indices = [1, 2, 3]
enc_layers = 6
dec_layers = 6
pre_norm = False
dim_feedforward = 2048
hidden_dim = 256
dropout = 0.0
nheads = 8
num_queries = 900
query_dim = 4
num_patterns = 0
num_feature_levels = 4
enc_n_points = 4
dec_n_points = 4
two_stage_type = 'standard'
two_stage_bbox_embed_share = False
two_stage_class_embed_share = False
transformer_activation = 'relu'
dec_pred_bbox_embed_share = True
dn_box_noise_scale = 1.0
dn_label_noise_ratio = 0.5
dn_label_coef = 1.0
dn_bbox_coef = 1.0
embed_init_tgt = True
dn_labelbook_size = 91
max_text_len = 256
text_encoder_type = "bert-base-uncased"
use_text_enhancer = True
use_fusion_layer = True
use_checkpoint = True
use_transformer_ckpt = True
use_text_cross_attention = True
text_dropout = 0.0
fusion_dropout = 0.0
fusion_droppath = 0.1
sub_sentence_present = True
max_labels = 50                               # pos + neg
lr = 0.0001                                   # base learning rate
backbone_freeze_keywords = None               # only for gdino backbone
freeze_keywords = ['bert']                    # for whole model, e.g. ['backbone.0', 'bert'] for freeze visual encoder and text encoder
lr_backbone = 1e-05                           # specific learning rate
lr_backbone_names = ['backbone.0', 'bert']
lr_linear_proj_mult = 1e-05
lr_linear_proj_names = ['ref_point_head', 'sampling_offsets']
weight_decay = 0.0001
param_dict_type = 'ddetr_in_mmdet'
ddetr_lr_param = False
epochs = 15
lr_drop = 4
save_checkpoint_interval = 1
clip_max_norm = 0.1
onecyclelr = False
multi_step_lr = False
lr_drop_list = [4, 8]
frozen_weights = None
dilation = False
pdetr3_bbox_embed_diff_each_layer = False
pdetr3_refHW = -1
random_refpoints_xy = False
fix_refpoints_hw = -1
dabdetr_yolo_like_anchor_update = False
dabdetr_deformable_encoder = False
dabdetr_deformable_decoder = False
use_deformable_box_attn = False
box_attn_type = 'roi_align'
dec_layer_number = None
decoder_layer_noise = False
dln_xy_noise = 0.2
dln_hw_noise = 0.2
add_channel_attention = False
add_pos_value = False
two_stage_pat_embed = 0
two_stage_add_query_num = 0
two_stage_learn_wh = False
two_stage_default_hw = 0.05
two_stage_keep_all_tokens = False
num_select = 300
batch_norm_type = 'FrozenBatchNorm2d'
masks = False
aux_loss = True
set_cost_class = 1.0
set_cost_bbox = 5.0
set_cost_giou = 2.0
cls_loss_coef = 2.0
bbox_loss_coef = 5.0
giou_loss_coef = 2.0
enc_loss_coef = 1.0
interm_loss_coef = 1.0
no_interm_box_loss = False
mask_loss_coef = 1.0
dice_loss_coef = 1.0
focal_alpha = 0.25
focal_gamma = 2.0
decoder_sa_type = 'sa'
matcher_type = 'HungarianMatcher'
decoder_module_seq = ['sa', 'ca', 'ffn']
nms_iou_threshold = -1
dec_pred_class_embed_share = True


match_unstable_error = True
use_ema = False
ema_decay = 0.9997
ema_epoch = 0
use_detached_boxes_dec_out = False
use_coco_eval = True
dn_scalar = 100

根据教程，主要是做如下修改：

- use_coco_eval = True
+ use_coco_eval = False
+ label_list=['dog', 'cat', 'person']

把 use_coco_eval改为 False，把自己训练集的类别 加进去 label_list。
然后是 datasets_mixed_odvg.json 文件：

{
  "train": [
    {
      "root": "mypath/mydata/",
      "anno": "path/mydata/annotations/mydata_v1_all_od.jsonl",
      "label_map": "path/mydata/annotations/my_label_map.json",
      "dataset_mode": "odvg"
    },
    {
      "root": "path/mydata/images/my_images/",
      "anno": "path/mydata/annotations/my_vg.jsonl",
      "dataset_mode": "odvg"
    }
  ],
  "val": [
    {
      "root": "path/mydata/val",
      "anno": "config/instances_val.json",
      "label_map": null,
      "dataset_mode": "coco"
    }
  ]
}

把个人数据集的 图片路径 jsonl 文件路径，labelmap路径加进去，就可以了，后面可以开始训练

2.4、开始训练

训练命令：

sh train_dist.sh

train_dist.sh的内容如下：

GPU_NUM=$1
CFG=$2
DATASETS=$3
OUTPUT_DIR=$4
NNODES=${NNODES:-1}
NODE_RANK=${NODE_RANK:-0}
PORT=${PORT:-29500}
MASTER_ADDR=${MASTER_ADDR:-"127.0.0.1"}

# Change ``pretrain_model_path`` to use a different pretrain. 
# (e.g. GroundingDINO pretrain, DINO pretrain, Swin Transformer pretrain.)
# If you don't want to use any pretrained model, just ignore this parameter.

python -m torch.distributed.launch  --nproc_per_node=${GPU_NUM} main.py \
        --output_dir ${OUTPUT_DIR} \
        -c ${CFG} \
        --datasets ${DATASETS}  \
        --pretrain_model_path /path/to/groundingdino_swint_ogc.pth \
        --options text_encoder_type=/path/to/bert-base-uncased

上面是多卡的，单卡命令：

python -m torch.distributed.launch  --nproc_per_node=1 main.py \
        --output_dir ./my_output \
        -c config/cfg_odvg.py \
        --datasets ./config/datasets_mixed_odvg.json  \
        --pretrain_model_path /path/to/groundingdino_swint_ogc.pth \
        --options text_encoder_type=/path/to/bert-base-uncased

--pretrain_model_path 是预训练模型路径，--options text_encoder_type是bert文本解码模型路径。

跑起来的界面:
在这里插入图片描述

但是，我碰到一个问题，就是训练过程中的验证阶段没有精度指标，基本上是0，不知道怎么回事，是因为没采用预训练模型吗？希望碰到类似问题的一同交流一下，或者跑起来结果正常的，也希望能一起交流一下，非常感谢！
在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1590729.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

SpringBoot学习之Kibana和Elasticsearch-Head的下载安装和启动（三十二）

SpringBoot学习之Kibana和Elasticsearch-Head的下载安装和启动（三十二）

一、Kibana简介 Kibana是一个开源的分析与可视化平台，设计出来用于和Elasticsearch一起使用的。你可以用kibana搜索、查看存放在Elasticsearch中的数据。Kibana与Elasticsearch的交互方式是各种不同的图表、表格、地图等，直观的展示数据，从而达到高级的数据分析与可视化的目…
阅读更多...
springboot+vue2+elementui+mybatis- 批量导出导入

springboot+vue2+elementui+mybatis- 批量导出导入

全部导出 批量导出 报错问题分析 经过排查，原因是因为在发起 axios 请求的时候，没有指定响应的数据类型（这里需要指定响应的数据类型为 blob 二进制文件） 当响应数据回来后，会执行 axios 后置拦截器的代码&#xff0…
阅读更多...
Ubuntu22.04搭建CLion C++开发环境

Ubuntu22.04搭建CLion C++开发环境

Ubuntu22.04搭建CLion C开发环境 文章目录 Ubuntu22.04搭建CLion C开发环境1.首先下载CLion2.配置c环境3.创建快捷方式Reference 1.首先下载CLion 进入官网https://www.jetbrains.com/clion/download/#sectionlinux 然后进入自己存放这个压缩包的路径中， sudo mkd…
阅读更多...
单调栈用法

单调栈用法

文章目录 1. 单调栈1.1 理解单调栈（模板）1.2 每日温度1.3 子数组的最小值之和1.4 柱状图中最大的矩形1.5 最大矩形1.6 最大宽度坡1.7 去除重复字母 1. 单调栈 单调栈经典的用法： 对每个位置都求： 当前位置的左侧比当前位置的数…
阅读更多...
电商技术揭秘22：智能仓储与物流优化(上)

电商技术揭秘22：智能仓储与物流优化(上)

相关系列文章 电商技术揭秘一：电商架构设计与核心技术 电商技术揭秘二：电商平台推荐系统的实现与优化 电商技术揭秘三：电商平台的支付与结算系统 电商技术揭秘四：电商平台的物流管理系统 电商技术揭秘五：电商平台…
阅读更多...
【Java8新特性】二、函数式接口

【Java8新特性】二、函数式接口

这里写自定义目录标题 一、什么是函数式接口二、自定义函数式接口三、作为参数传递 Lambda 表达式四、四大内置核心函数式接口1、消费形接口2、供给形接口3、函数型接口4、断言形接口 一、什么是函数式接口 只包含一个抽象方法的接口，称为函数式接口。你可以通过 L…
阅读更多...
php其他反序列化知识学习

php其他反序列化知识学习

简单总结一下最近学习的，php其他的一些反序列化知识 phar soap session 其他 __wakeup绕过gc绕过异常非公有属性，类名大小写不敏感正则匹配，十六进制绕过关键字检测原生类的利用 phar 基础知识 在 之前学习的反序列化利用中&#xff0…
阅读更多...
CentOS 网卡ifcfg-eth0 ping不通外网（www.baidu.com）

CentOS 网卡ifcfg-eth0 ping不通外网（www.baidu.com）

1、如果确认好就直接激活网卡！ ifup eth0 2、慢慢找： cd /etc/sysconfig/network-scripts/ ls 找到你的网卡是啥，这里网卡是 ifcfg-eth0 执行1就好了！
阅读更多...
基于ssm会员卡管理系统的设计与实现论文

基于ssm会员卡管理系统的设计与实现论文

摘 要 现代经济快节奏发展以及不断完善升级的信息化技术，让传统数据信息的管理升级为软件存储，归纳，集中处理数据信息的管理方式。本会员卡管理系统就是在这样的大环境下诞生，其可以帮助管理者在短时间内处理完毕庞大的数据信息&…
阅读更多...
自媒体ai写作成长之路：8款工具助力你飞得更高！ #学习#科技#科技

自媒体ai写作成长之路：8款工具助力你飞得更高！ #学习#科技#科技

在当今信息爆炸的时代，写作成为了人们表达思想、分享知识和传递情感的重要方式之一。对于很多人来说，写作并非易事。我们会陷入困境，无法找到灵感，我们会苦恼于语言表达的准确性，还有时候我们可能遭遇到了创作瓶颈&…
阅读更多...
未来汽车硬件安全的需求(2)

未来汽车硬件安全的需求(2)

目录 4.汽车安全控制器 4.1 TPM2.0 4.2 安全控制器的硬件保护措施 5. EVITA HSM和安全控制器结合 6.小结 4.汽车安全控制器 汽车安全控制器是用于汽车工业安全关键应用的微控制器。 他们的保护水平远远高于EVITA HSM。今天的典型应用是移动通信，V2X、SOTA、…
阅读更多...
Ubuntu日常配置

Ubuntu日常配置

目录 修改网络配置 xshell连不上怎么办 解析域名失败 永久修改DNS方法 临时修改DNS方法 修改网络配置 1、先ifconfig确认本机IP地址（刚装的机子没有ifconfig，先apt install net-tools） 2、22.04版本的ubuntu网络配置在netplan目录下&…
阅读更多...
C++ 类和对象 上

C++ 类和对象 上

目录 前言 什么是面向对象？什么是面向过程？ 面向过程 面向对象 比较 类 引入 定义 实例化 类的大小 this指针 前言 今天我们来进入C类和对象的学习。相信大家一定听说过C语言是面向过程的语言，而C是面向对象的语言？那么他…
阅读更多...
[当人工智能遇上安全] 13.威胁情报实体识别 (3)利用keras构建CNN-BiLSTM-ATT-CRF实体识别模型

[当人工智能遇上安全] 13.威胁情报实体识别 (3)利用keras构建CNN-BiLSTM-ATT-CRF实体识别模型

《当人工智能遇上安全》系列将详细介绍人工智能与安全相关的论文、实践，并分享各种案例，涉及恶意代码检测、恶意请求识别、入侵检测、对抗样本等等。只想更好地帮助初学者，更加成体系的分享新知识。该系列文章会更加聚焦，更加学术…
阅读更多...
微信小程序全屏开屏广告

微信小程序全屏开屏广告

效果图 代码 <template><view><!-- 自定义头部 --><u-navbar title" " :bgColor"bgColor"><view class"u-nav-slot" slot"left"><view class"leftCon"><view class"countDown…
阅读更多...
2024-简单点-观察者模式

2024-简单点-观察者模式

先看代码&#xff1a; # 导入未来模块以支持类型注解 from __future__ import annotations# 导入抽象基类模块和随机数生成器 from abc import ABC, abstractmethod from random import randrange# 导入列表类型注解 from typing import List# 定义观察者模式中的主体接口&…
阅读更多...
Rocky(Centos)数据库等高并发或高io应用linux系统调优，及硬件问题排查（含网络、磁盘、系统监控）

Rocky(Centos)数据库等高并发或高io应用linux系统调优，及硬件问题排查（含网络、磁盘、系统监控）

一、系统参数优化 默认的最大打开文件数是1024.不满足生产环境的要求。按照如下配置&#xff1a; 1、修改 systemctl管理的 servie 资源限制 编辑/etc/systemd/system.conf # 全局的打开文件数 DefaultLimitNOFILE2097152 # 全局打开进程数 DefaultLimitNPROC655352、调整系…
阅读更多...
【Vue3 + ElementUI】表单校验无效（写法：this.$refs[‘formName‘].validate((valid) =＞{} )）

【Vue3 + ElementUI】表单校验无效（写法：this.$refs[‘formName‘].validate((valid) =＞{} )）

一. 表单校验 1.1 template模块 el-form 中 若校验&#xff0c;ref 和 rules 必须要有 <template><div style"padding:20px"><el-form ref"formName" :model"form" :rules"formRules" label-width"120px"…
阅读更多...
Docker 学习笔记（七）：介绍 Dockerfile 相关知识，使用 Dockerfile 构建自己的 centos 镜像

Docker 学习笔记（七）：介绍 Dockerfile 相关知识，使用 Dockerfile 构建自己的 centos 镜像

一、前言 记录时间 [2024-4-12] 系列文章简摘&#xff1a; Docker学习笔记&#xff08;二&#xff09;&#xff1a;在Linux中部署Docker&#xff08;Centos7下安装docker、环境配置&#xff0c;以及镜像简单使用&#xff09; Docker 学习笔记&#xff08;三&#xff09;&#x…
阅读更多...
LDF、DBC、BIN、HEX、S19、BLF、ARXML、slx等

LDF、DBC、BIN、HEX、S19、BLF、ARXML、slx等

文章目录 如题 如题 LDF是LIN报文格式文件&#xff0c;把这个直接拖到软件里面&#xff0c;可以发报文和接收报文 DBC是CAN报文格式文件&#xff0c;把这个直接拖到软件里面&#xff0c;可以发报文和接收报文 BIN文件烧录在BOOT里面&#xff08;stm32&#xff09;&#xff0c…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023