新闻
今日，腾讯宣布将开源 自主研发的轻量级物联网实时操作系统TencentOS tiny。相比市场上其它系统，腾讯TencentOS tiny在资源占用、设备成本、功耗管理以及安全稳定等层面极具竞争力。该系统的开源可大幅降低物联网应用开发成本，提升开发效率，同时支持一键上云，对接云端海量资源。
源码已在github上开源：https://github.com/Tencent/TencentOS-tiny
正题
很荣幸，能亲眼见证TencentOS tiny的开源，也很荣幸能在一个多月前内测使用过它~
不得不说，TencentOS tiny的内核确实是非常非常小巧，最少资源占用为RAM 0.6KB，ROM 1.8 KB。这是他们团队自主研发的RTOS，源码非常简单易懂，源码作者以非常清晰的逻辑实现了整个内核（还是非常佩服戴大神的，膜拜一下）。
了解一下TencentOS tiny的框架



TencentOS tiny主要由一个轻量级RTOS内核+多个物联网组件构成，，从下到上主要包括：
CPU库 ：TencentOS tiny支持的CPU IP核架构，当前主要支持ARM Cortex M0/3/4/7，还有现在很火的RISC-V，当然，腾讯物联网团队肯定也会支持更多种类更多IP核与开发板。
驱动管理层 ：包括BSP板级支持包，这些东西主要由MCU芯片厂家开发与维护，、HAL硬件抽象、Drivers设备驱动，这部分对于纯粹嵌入式开发者来说还是很重要的，肯定会越来越完善的！
内核 ：TencentOS tiny实时内核包括任务管理、实时调度、时间管理、中断管理、内存管理、异常处理、软件定时器、链表、消息队列、信号量、互斥锁、事件标志等模块，接下来我也将写一系列TencentOS tiny内核源码分析的文章，敬请期待吧！
IoT协议栈 ：TencentOS tiny提供lwip、AT Adapter、SAL层，支持不同的网络硬件，如以太网、串口WIFI、GPRS、NB-IoT、4G等通信模块。在TCP/IP网络协议栈上提供常用的物联网协议栈应用层，如COAP、MQTT，支撑终端业务快速接入腾讯云；
安全框架 ：TencentOS tiny为了确保物联网终端数据传输安全以及设备认证安全，提供了比较完整的安全解决方案。安全框架提供的DTLS和TLS安全协议加固了COAP及MQTT的传输层，可确保物联网终端在对接腾讯云时实现安全认证和数据加密；另外针对低资源的终端硬件，安全框架还提供与腾讯云IoTHub配套的密钥认证方案，确保资源受限设备也能在一定程度上实现设备安全认证；物联网安全是非常重要的，这些框架也是必须存在的。
组件框架 ：TencentOS tiny提供文件系统、KV存储、自组网、JS引擎、低功耗框架、设备框架、OTA、调试工具链等一系列组件，这部分我觉得还是很不错的，期待ing；
开放API (规划开发中)：TencentOS tiny将在协议中间件和框架层上提供开放API函数，这样子就能很方便使用中间组件的功能，我是最喜欢这种开发的，不造轮子，能直接使用。简单来说这个API能快速对接腾讯云，实现终端业务上云的需求，最大程度减少终端物联网产品开发周期，节省开发成本；
示例应用 ：TencentOS tiny提供的示例代码，模块测试代码等，方便用户参考使用。
腾讯云物联网平台（图中最上层的部分）：严格来说这部分不算TencentOS tiny的框架内容，这是接入平台层了，腾讯云的物联网平台都是提供多种语言的SDK包，当然在嵌入式设备上肯定使用C SDK的，不过总的来说都是很不错的。
总的来说TencentOS tiny还是非常不错的，该有的功能都有，可以考虑使用一下这个操作系统~
对于杰杰来说，作为嵌入式开发者，我是很看好物联网的，也一直在往这条路上缓缓前行，在万物互联的时代，说不定真的能在赚钱的同时还能为世界做出一丢丢贡献（如果没有那就算了）。
据我所知，TencentOS tiny后续也将推出基于事件驱动模型的调度，用于某些单片机上不支持基于上下文调度的多任务。
顺便再透露一下，我将接下来会写一系列TencentOS tiny内核分析的文章，全网首发哦！ps：得到源码作者的亲自指点，绝对干货！！！
喜欢就关注我吧！

图文教程：
简单上手：

超详细的 TencentOS tiny 移植到STM32F103全教程

深度源码分析：


【TencentOS tiny学习】源码分析（1）——task


【TencentOS tiny学习】源码分析（2）——调度器


【TencentOS tiny学习】源码分析（3）——队列


【TencentOS tiny学习】源码分析（4）——消息队列


【TencentOS tiny学习】源码分析（5）——信号量


【TencentOS tiny学习】源码分析（6）——互斥锁


【TencentOS tiny学习】源码分析（7）——事件


【TencentOS tiny学习】源码分析（8）——软件定时器


配套例程：


【TencentOS tiny学习】例程（0）——hello world


【TencentOS tiny学习】例程（1）——task


【TencentOS tiny学习】例程（2）——队列


【TencentOS tiny学习】例程（3）——消息队列


【TencentOS tiny学习】例程（4）——信号量


【TencentOS tiny学习】例程（5）——互斥锁


【TencentOS tiny学习】例程（6）——事件


【TencentOS tiny学习】例程（7）——软件定时器


【TencentOS tiny学习】例程（8）——内存池


【TencentOS tiny学习】例程（9）——内存堆


视频教程：

【TencentOS tiny学习】视频汇总
【视频】01-初识TencentOS tiny
【视频】02-TencentOS tiny基础知识
【视频】03-TencentOS tiny移植
【视频】04-TencentOS tiny任务-1
【视频】05-TencentOS tiny任务-2
【视频】06-TencentOS tiny队列-1
【视频】07-TencentOS tiny队列-2
【视频】08-TencentOS tiny消息队列
【视频】09-TencentOS tiny信号量-1
【视频】10-TencentOS tiny信号量-2
【视频】11-TencentOS tiny互斥锁-1
【视频】12-TencentOS tiny互斥锁-2
【视频】13-TencentOS tiny互斥锁-3
【视频】14-TencentOS tiny事件-1
【视频】15-TencentOS tiny事件-2
【视频】16-TencentOS tiny软件定时器-1
【视频】17-TencentOS tiny软件定时器-2
【视频】18-TencentOS tiny软件定时器-3

相关PPT资料：

【TencentOS tiny学习】视频PPT

Tencent/tencent-ml-images说明
包括
更新
依赖
数据
下载
图片来源
分类的语义层次
标注
统计
训练
下载图片URL
怎么样处理下载中的无效URL？
对于来自OpenImages的URL
准备TFRecord文件
ML_Images预训练
在ImageNet的调优
检查点
单标签图像分类
特征抽取
结果
试用


git地址：https://github.com/Tencent/tencent-ml-images/tree/297ee9fb1e4b4b3f72e97e183e4589bd0ee024c1

包括

ML-Images：最大的开源多标签图像数据集，包括17,609,752 训练和88,739 个验证URL，覆盖了11,166类别
ResNet-101模型：在ML-Images上训练得到，通过迁移学习在ImageNet上的top1准确率达到了 80.73%

更新

提供了清晰的通过URL下载原始图片的说明
单标签图像分类的demo：可以用提供的checkpoint来预测任何类型的图

依赖

Linux
Python2.7
Tensorflow >= 1.6.0

数据
下载

train_urls.txt  https://pan.baidu.com/s/1cx6n6CYNqegKVq1O2YVCJg
val_urls.txt  https://pan.baidu.com/s/1BfipStD2PY7MAMRoZa9ecg

train_url.txt格式如下：

https://c4.staticflickr.com/8/7239/6997334729_e5fb3938b1_o.jpg  3:1  5193:0.9  5851:0.9 9413:1 9416:1
https://c2.staticflickr.com/4/3035/3033882900_a9a4263c55_o.jpg  1053:0.8  1193:0.8  1379:0.8

URL 分类号：置信度

分类号从0开始，具体信息：https://github.com/Tencent/tencent-ml-images/blob/master/data/dictionary_and_semantic_hierarchy.txt
图片来源
图片URL来自ImageNet和Open Images

Part1：来自整个ImageNet数据库，   10,706,941训练， 50,000验证，覆盖 10,032 个分类
Part2：来自Open Images    6,902,811训练， 38,739验证，覆盖  1,134个唯一分类（一些其他的分类已经和ImagNet的分类进行了合并）

最终，ML_Images包括 17,609,752训练， 88,739验证，覆盖 11,166分类

分类的语义层次
根据WordNet建立了 11,166 个分了ide语义层次。整个语义机构包括4个独立的树，根节点分别为thing, matter, object ,physical object and atmospheric phenomenon.从根节点到叶子节点最长语义路径为16， 平均长度为7.47.
标注
由于ML_Image的URL来自Image net 和Open Images， ML-Images 的标记基于以上两个库。Open Image的原始标记由谷歌授权 under CC BY-4.0.

所以，使用一下步骤构建新的  ML-Images.标注

来自OpenImages的  6,902,811训练URL，清除了保留的 1,134 分类之外的标签
根据构建的 11,166 分类的语义树，根据祖先类增加 ML-Images中所有图片的标注：如果一个URL被标注为i类，那么所有i类的祖先分类也被标注于这个URL
使用来自OpenImages的 6,902,811 个训练URL和1134个输出训练了一个ResNet-101模型。使用这个模型，对来自ImageNet的  10,756,941个但标注图片进行预测打标。所以，使用来自ImageNet的 10,032 categories分类和来自OpenImages的 1,134个分类得到了一个归一化共生矩阵。我们可以确定强共现类对。例如，类别i和类别j是强共生的，那么如果如果一张图片被标注为i类，那么也将被标注为j类。

ML_Images中所有URL的标注结果存入了train_urls.txt和val_urls.txt
统计


Trainable class为超过100张训练图片的类
每个类的图片数和训练集中标注数量的额柱状图如下表：


训练
下载图片URL
完整的 train_urls.txt 非常大， 使用小文件 train_urls_tiny.txt 显示下下载流程
cd data
./download_urls_multithreading.sh

生成子文件夹 data/images 来存放下载的jpeg图片， rain_im_list_tiny.txt保存了图片列表和对应的标注
怎么样处理下载中的无效URL？
对于ImageNet的URL

train_urls.txt文件的前 10,706,941行和 val_urls.txt文件的前 50,000 行是来自ImageNet的图片。这些URL很大一部分已经过期。但ImageNet网站提供了原始图片（参考 http://image-net.org/download）也就是每张图片ID和原始URL的对应关系。因此，我们提供了两个新文件，用来告知我们数据库中每个URL的image ID，包括 train_urls_and_index_from_imagenet.txt和 val_urls_and_index_from_imagenet.txt。

train_urls_and_index_from_imagenet.txt  https://pan.baidu.com/s/145sGwH8Tv3RVwXZ95DuN4w
val_urls_and_index_from_imagenet.txt https://pan.baidu.com/s/1p5sQrMUbfxiG94OjHj9-mQ

格式如下：

n03874293_7679  http://image24.webshots.com/24/5/62/52/2807562520031003846EfpYGc_fs.jpg 2964:1  2944:1  2913:1  2896:1  2577:1  1833:1  1054:1  1041:1  865:1  2:1
n03580845_3376  http://i02.c.aliimg.com/img/offer/22/85/63/27/9/228563279  3618:1  3604:1  1835:1  1054:1  1041:1  865:1  2:1

每一行，第一列是ImageNet中的image ID，，其他列是对应的URL和标注。然后，获得在  ML-Images中使用的图片，选按照如下两步：

从 http://image-net.org/download) 下载整个ImageNet数据库的原始图片，和关联URL文件 List of all image URLs of Fall 2011 Release （参考 http://image-net.org/download-imageurls)）
利用 train_urls_and_index_from_imagenet.txt和val_urls_and_index_from_imagenet.txt 挑出用在 ML-Images中的图片

对于来自OpenImages的URL
train_urls.txt的后 6,902,811 行和val——urls.txt的后  38,739 行是来自OpenImage的，这些URL多数是有效的，可以直接使用提供的 download_urls_multithreading.sh脚本进行下载。
准备TFRecord文件
用多线程模块来生成tfrecords。首先切分 train_im_list_tiny.txt成多个小文件，然后保存他们到子文件夹 data/image_lists/
cd data
../tfrecord.sh

多个tfrecords（命名为 x.tfrecords）会保存到 data/tfrecords/
ML_Images预训练
训练前，需要把训练和验证的  tfrecords分别移到 data/ml-images/train和  data/ml-images/val。然后，
./example/train.sh

注意：我们这里只提供了单节点单GPU框架的训练代码，但我们真实的ML-Image是基于一个内部的分布式框架（未发布）。你可以按照  distributed tensorFlow.修改训练代码伪分布式框架
在ImageNet的调优
首先要下载ImageNet（ ILSVRC2012）数据库，并按照  tfrecord.sh.转为tfrecord文件。然后，你可以使用在ML-Images上预训练的checkpoint来调优在Imagenet的模型ResNet-101
./example/finetune.sh

检查点

ckpt-resnet101-mlimages（https://pan.baidu.com/s/1166673BNWuIeWxD7lf6RNA）：在 ML-Images上预训练的
ckpt-resnet101-mlimages-imagenet（https://pan.baidu.com/s/1UE7gavcVznYVA5NZ-GFAvg）：在 ML-Images上预训练，且在  ImageNet (ILSVRC2012)上调优过的

下载上面的两个checkpoint并把他们放在 checkpoints/目录下，可以用他们来抽取特征。
单标签图像分类
这里我们提供了一个单标签图像分类的demo，使用的是 ckpt-resnet101-mlimages-imagenet 检查点的
./example/image_classification.sh

预测结果保存到了 label_pred.txt。如果想识别其他图片，可以修改 data/im_list_for_classification.txt 文件来包含这些图片的路径。
特征抽取
./example/extract_feature.sh

结果
不同checkpoint的 ResNet-101在  ImageNet (ILSVRC2012)验证集上的结果总结如下表：



注意：

非特殊情况，训练或调优的图片大小为224*224
在ImageNet上的调优从224到299的意思是前期调优迭代中的图片大小是224224， 后期迭代为299299
Top-1 acc on Val 224 表示在224*224验证图片上的top1准确率

试用
已下载模型：

/home/tencent-ml

ckpt-resnet101-mlimages-imagenet.zip和ckpt-resnet101-mlimages.zip
解压到：/home/tencent-ml/tencent-ml-images-master/checkpoints下

单标签图像分类

这里我们提供了一个单标签图像分类的demo，使用的是 ckpt-resnet101-mlimages-imagenet 检查点的

./example/image_classification.sh 内容如下，修改相应的模型路径，并删除image_classification.py文件开头的注释，否则会报错：
python2.7 image_classification.py \
 --images=data/im_list_for_classification.txt \
 --top_k_pred=5 \ --model_dir=checkpoints/ckpt-resnet101-mlimages-imagenet/resnet.ckpt \
 --dictionary=data/imagenet2012_dictionary.txt

预测结果保存到了 label_pred.txt。内容如下：



如果想识别其他图片，可以修改 data/im_list_for_classification.txt 文件来包含这些图片的路径。

特征抽取

./example/extract_feature.sh
# 修改相关参数
# 删除extract_feature.py文件开头的注释部分，否则会报错
#!/usr/bin/bash
set -x

PYTHON=python
RESNET=101
DATA_FORMAT='NCHW'
GPUID=0
CKPT="./checkpoints/ckpt-resnet101-mlimages-imagenet/resnet.ckpt"

$PYTHON extract_feature.py \
  --resnet_size=$RESNET \
  --data_format=$DATA_FORMAT \
  --visiable_gpu=${GPUID} \
  --pretrain_ckpt=$CKPT \
  --result=test.txt \
  --images=data/im_list_for_classification.txt

此外还需修改extract_feature.py文件中94行：

ffeat.write(sp[0] + “\t” + sp[1] + “\t” + " ".join([str(x) for x in list(feats)]) + ‘\n’)为

ffeat.write(sp[0] + “\t” + " ".join([str(x) for x in list(feats)]) + ‘\n’)

否则会报数组越界错误

运行后，生成结果文件test.txt


每行一张图片，一组该图片对应的特征。

          TencentOS-tiny快一年了，不像FreeRTOS 等国外的实时系统那么完善，但是，绝对是入门实时系统的不二之选。内部集成 CoAP/MQTT/TLS/DTLS/LoRaWAN/NB-IoT等物联网协议栈。近两年物联网技术应用广泛，各个巨头都想在物联领域分一杯羹，各家推出自己的OS，像华为的、阿里的，不然自家服务器怎么赚钱，哈哈哈！言归正传！！！

TencentOS-tiny仓库github 

SDK文档查看

TencentOS-tiny架构查看

官方写的非常好，正式，就不摘抄了。

官方把PendSV_Handler函数定义成弱函数，PendSV的作用是会自动延迟上下文切换的请求，直到其他的ISR都完成后才会放行多用于OS中。举个例子：任务B要切换到任务A突然来一个ISR（中断），该ISR又被OS的心跳（系统中用的是SysTick做心跳）抢占。SysTick做TencentOS-tiny心跳实现，关注port_c.c接口文件。

#include "tos_k.h"
#include "core_cm4.h"

__PORT__ void port_cpu_reset(void)
{
    NVIC_SystemReset();
}

__PORT__ void port_systick_config(uint32_t cycle_per_tick)
{
    (void)SysTick_Config(cycle_per_tick);
}

__PORT__ void port_systick_priority_set(uint32_t prio)
{
    NVIC_SetPriority(SysTick_IRQn, prio);
}

初始化 TencentOS-tiny心跳时钟，创建任务，开起调度。

     osKernelInitialize(); //TOS Tiny kernel initialize
     osThreadCreate(osThread(task1), NULL);// Create task1
     osThreadCreate(osThread(task2), NULL);// Create task2
     osKernelStart();//Start TOS Tiny


 

此时肯定PendSV异常，延迟任务切换，执行中断。流程：ISR---开始执行--->SysTick---抢占--->ISR---继续执行--->任务切换

SysTick_Handler函数中tos_knl_is_running()函数判断是否运行，tos_tick_handler()函数，更新tick。

__weak void PendSV_Handler(void)//个人修改
{
  /* USER CODE BEGIN PendSV_IRQn 0 */

  /* USER CODE END PendSV_IRQn 0 */
  /* USER CODE BEGIN PendSV_IRQn 1 */

  /* USER CODE END PendSV_IRQn 1 */
}


void SysTick_Handler(void)
{
  /* USER CODE BEGIN SysTick_IRQn 0 */

  /* USER CODE END SysTick_IRQn 0 */
  HAL_IncTick();
  //HAL_SYSTICK_IRQHandler();个人修改
	if(tos_knl_is_running()){	
		
		tos_knl_irq_enter();
		tos_tick_handler();
		tos_knl_irq_leave();//
	
	}

TencentOS-tiny如何调度？

tos_knl_is_running()  go to definition 。

初始化 k_knl_state =KNL_STATE_STOPPED。

knl_state_t         k_knl_state                 = KNL_STATE_STOPPED;

//初始化 k_knl_state =KNL_STATE_STOPPED;

如果  k_knl_state为KNL_STATE_RUNNING，tos_knl_is_running函数返回值为1。

接着 tos_knl_start函数调用tos_knl_is_running函数，如果为真，任务正在执行，无法完成调度，否则进行调度。

__API__ k_err_t tos_knl_start(void)
{
    if (unlikely(tos_knl_is_running())) {
        return K_ERR_KNL_RUNNING;
    }

    k_next_task = readyqueue_highest_ready_task_get();获取就绪任务
    k_curr_task = k_next_task;把就绪任务给当前任务运行
    k_knl_state = KNL_STATE_RUNNING;再次更改 k_knl_state状态，便于下次运行使用

    cpu_sched_start();

    return K_ERR_NONE;
}

__API__ int tos_knl_is_running(void)
{
    return k_knl_state == KNL_STATE_RUNNING;
}

源码下载：

链接：https://pan.baidu.com/s/1orpPTBLZ7DGZEVz1bKDe4w 
提取码：0w1m

 

Tencent Upd不能直接删除。

解决方法：找到你的qq根文件夹；就是Tencent/QQ那个然后打开它。你会发现有个txupd.exe的可执行程序，果断删除它。下面是重点：由于QQ文件都是会更新的，为了骗过系统需要：新建一个txt记事本文件，然后在里面写上任意内容并保存。然后把这个文件的文件名改成txupd.exe，记得把后缀名也该上。然后右击它，选择属性。然后点上面的“安全”。在两个框框之间有个“编辑”，点它。这个和刚才那个差不多，也是两个框，上面那个是用户，依次选择，然后在下面更改相对应的权限。好吧，就是都在后面的拒绝上勾上吧，好吧，这里记得有一个SYSTEM的权限你前文不能改。点击确定，世界清静了，再也不出现tencentupd窗口了。