把 Vivado 项目放心交给 Git:一篇 FPGA 工程师必读的实战指南

之前分享过一篇文章《FPGA 版本管理三种方式:你会选哪一种?》,评论区很多人都推荐使用Git进行版本管理,今天这篇文章主题就是使用Git进行备份指南。

在 FPGA 开发中,掌握 Git 等源码管理工具已经是必备技能。

当然,在使用 Vivado 时,我们不仅需要处理源代码控制,还需要处理以 IP 为中心的设计产品。

Vivado 的工程通常是 IP 为中心 的设计,包含:

  • IP Integrator Block Diagram
  • 各类 IP 实例(独立 IP 或 BD 内 IP)
  • 自动生成的包装文件与工程产物

这让很多 FPGA 工程师一开始会觉得:

“Vivado 项目到底该怎么和 Git 一起用?”

好消息是,从 Vivado 2022.1 开始,这一切已经变得非常清晰、也非常容易。

Vivado 2022.1 之后最重要的变化:源文件与生成文件分离

在 Vivado 2022.1 之前:

源文件和生成文件全部混在同一个 .srcs 目录中。

而从 Vivado 2022.1 起,工程目录被明确拆分为:

  • .srcs:源文件
  • .gen:生成文件

这一点非常关键。

👉 这意味着:

只要我们保存 .srcs 目录 + .xpr 工程文件,就可以在任何地方完整重建 Vivado 工程。

示例工程说明

示例使用 Vivado 2024.1 创建了一个新工程,目标板卡为 Avnet ZU Board。

IP Integrator 设计包含:

  • Zynq MPSoC Processing System
  • Smart Interconnect
  • AXI BRAM Controller

此外还加入了 自定义 RTL 文件,通过 UART 提供 AXI 访问,用来演示 自定义 RTL 与 IP 设计共存 的情况。

完成后的 Block Diagram 如下:

Vivado 工程目录结构解析

1️⃣ .srcs 目录

imports/ 下是用户添加的 VHDL / Verilog 源文件

bd/ 下是 IP Integrator 的 Block Diagram

ip/ 下是各个 IP 的 .xci 配置文件

👉 这些都是必须纳入 Git 管理的内容

2️⃣ .gen 目录

.gen 中包含:

自动生成的顶层 wrapper

IP 的生成文件

综合与仿真所需的中间文件

👉 这些文件不需要提交到 Git

将 Vivado 工程加入 Git 仓库

假设你已经在 GitHub 上创建了一个空仓库,下面是核心的步骤。

初始化仓库

git init

添加 Vivado 工程文件

只需要添加两部分:

git add git_demo.srcs/* git add git_demo.xpr

提交到本地仓库

提交这些文件并附带一条消息。

git commit -m "initial issue"

你会看到:

.xpr

RTL / VHDL 文件

IP .xci 文件

都已经被 Git 跟踪。

绑定远程仓库并推送

git remote add origin <url> git push -u origin master

此时在 GitHub 网页上,就可以看到完整的 Vivado 工程源文件了。

从 Git 仓库重建 Vivado 工程

为了验证流程是否正确,我们新建一个文件夹:

git clone <repo_url>

然后直接打开 .xpr 文件。

我们需要重新生成顶层 wrapper,重新生成 IP,正常完成综合与实现即可。

整个流程无需额外脚本,运行非常顺利。

小结

Vivado 2022.1 之后,工程结构已经非常适合 Git 管理

只需管理 .srcs + .xpr

IP、BD、RTL 都能自然融入 Git 流程

Vivado 工程终于可以像软件工程一样被“正常管理”

上面只是简单的使用,后续文章将继续介绍高级点的用法及 Vitis 与源码管理的协同方式。

Read more

VRM4U插件完整指南:Unreal Engine中实现VRM模型高效集成的技术方案

VRM4U插件完整指南:Unreal Engine中实现VRM模型高效集成的技术方案 【免费下载链接】VRM4URuntime VRM loader for UnrealEngine4 项目地址: https://gitcode.com/gh_mirrors/vr/VRM4U 在Unreal Engine开发中,如何快速集成高质量的VRM模型一直是开发者面临的挑战。VRM4U插件作为一款专为Unreal Engine设计的VRM运行时加载工具,通过模块化架构和自动化处理流程,彻底简化了VRM模型的导入与应用过程。本文将从技术原理到实际应用,全面解析VRM4U插件的核心功能、优化策略及最佳实践,帮助开发者在项目中高效集成VRM模型。 VRM4U插件核心架构与技术优势 VRM4U采用分层模块化设计,将复杂的VRM处理流程拆解为相互协作的功能模块。这种架构不仅确保了各组件的独立性,也为功能扩展和性能优化提供了灵活性。 五大核心功能模块 * 导入处理模块:负责VRM文件解析、骨骼结构映射和材质转换,支持VRM0/VRM1格式标准 * 运行时加载模块:通过异步加载机制实现大型模

传统VS 8MAV:无人机巡检效率对比实验

快速体验 1. 打开 InsCode(快马)平台 https://www.inscode.net 2. 输入框内输入如下内容: 开发一个电力线路巡检效率对比工具,功能包括:1. 模拟单无人机巡检过程 2. 模拟8MAV集群巡检 3. 自动计算两种模式的时间成本 4. 生成效率对比图表 5. 支持自定义巡检区域设置。要求使用Python,包含OpenCV图像处理库,输出详细的效率分析报告。 1. 点击'项目生成'按钮,等待项目生成完整后预览效果 传统VS 8MAV:无人机巡检效率对比实验 最近在做一个电力线路巡检的项目,发现传统单无人机巡检效率确实存在瓶颈。为了验证8MAV集群系统的优势,我开发了一个效率对比工具,记录下整个过程和发现。 项目背景与需求分析 电力线路巡检是个耗时耗力的工作。传统方式需要巡检员带着单台无人机,一段段线路慢慢飞,不仅效率低,遇到复杂地形还容易漏检。8MAV集群系统理论上可以多机协同作业,但具体能提升多少效率,

AIGlasses_for_navigation效果展示:盲道分割结果叠加AR眼镜视野实时导航示意

AIGlasses_for_navigation效果展示:盲道分割结果叠加AR眼镜视野实时导航示意 1. 引言:当AI视觉遇见无障碍导航 想象一下,一位视障朋友走在陌生的街道上,他需要准确找到脚下的盲道,安全地通过前方的斑马线。传统的导盲杖可以探测到障碍物,但对于地面上的这些关键导航标识,却常常无能为力。这正是AI智能盲人眼镜导航系统想要解决的核心痛点。 今天,我想和大家分享一个非常有意思的项目——AIGlasses_for_navigation。这不仅仅是一个技术演示,更是一个将计算机视觉与增强现实(AR)结合,为视障人士提供实时、精准导航辅助的完整解决方案。它的核心,是一个基于YOLO分割模型的视频目标分割系统,能够实时检测并分割出盲道和人行横道。 在接下来的内容里,我会带大家看看这个系统在实际场景中的效果到底怎么样。我们会看到AI如何从复杂的街景中“认出”盲道和斑马线,以及如何将这些识别结果叠加到AR眼镜的视野中,形成直观的导航指引。这不仅是技术的展示,更是科技向善的一次生动实践。 2. 核心能力概览:不止于“看见” 在深入效果展示之前,我们先快速了解一下这个系统

openclaw配置飞书(Feishu)机器人(2026.03.07)

openclaw配置飞书(Feishu)机器人(2026.03.07)

前提:你已经安装好openclaw,配置好了大模型。 可借鉴我另一篇博文:https://mp.ZEEKLOG.net/mp_blog/creation/editor/157513751 一、配置openclaw channel 打开终端,输入: openclaw config 开始安装,需要等一会,安装好需要你填飞书的App ID和App Secret,先放着,等执行下面的步骤 然 二、配置飞书机器人 , 获取App ID和App Secret 安装流程如下链接,太长了,不想编辑了,完成版本发布。 https://www.feishu.cn/content/article/7613711414611463386 1.配置事件长连接时,需要在openclaw上安装飞书SDK(如果步骤一没执行会长连接失败) 2.当然以上配还是有问题的,