新闻详情

新闻详情

首页 / 资讯中心 / 详情

Fugleramme日常运维指南:4个面板按键、小时级自动更新与管理页安全设置完整清单

发布时间:2026/11/13 13:56:34来源:尧图网络
Fugleramme日常运维指南:4个面板按键、小时级自动更新与管理页安全设置完整清单
Fugleramme日常运维指南4个面板按键、小时级自动更新与管理页安全设置完整清单【免费下载链接】fuglerammeBird frame for Raspberry Pi - real-time bird detection by audio, fully local AI, rendered as real, hand-cut 1800s bird illustrations. On an e-ink panel, a TV, or any screen.项目地址: https://gitcode.com/gh_mirrors/fu/fuglerammeFugleramme是一款运行在树莓派上的鸟类检测画框通过音频实时识别鸟鸣用本地 AIBirdNET-Go完成分类并把结果渲染成19世纪手绘风格的鸟类插图显示在墨水屏、电视或任意屏幕上。日常使用中最常接触的三件事就是面板背后的4个按键、小时级的自动更新机制以及管理页的安全设置。这份清单帮你把这三块一次讲清楚。面板背后的4个按键一眼看懂每个功能电纸墨屏面板背面边缘共有4个实体按键这是 docs/operations.md 中记录的完整行为按键功能对应管理页设置A切换下一个显示模式Display → ModesB开/关物种名称显示Display → Species namesC画面顺时针旋转 90°RotationD切换下一个画作风格Artwork style三个显示模式各有特色Collage拼贴默认展示回看窗口内听到的所有鸟打包排版Latest bird最近一只只在上一次听到不同物种时才换图Newest arrival最新新到一直保留最新的新面孔同一只鸟可以挂上几周 两个容易忽略的细节按键设置会覆盖管理页设置并自动保存——按了键之后再改网页设置可能不生效这是设计如此。墨水屏重绘很慢按键后最多给面板一分钟不要以为按键失灵了。小时级自动更新从检查到安装的全流程Fugleramme 每小时检查一次是否有新版本结果直接显示在管理页的System 标签页实现见 src/fugleramme/updates.py小时级检查间隔正是为了适配 GitHub 未认证请求的频率限制。手动更新发现新版本后点击Install页面会显示进度条。安装大约需要一两分钟画框会自行重启并在新版本上恢复运行如果更新失败原因会直接显示在版本号的位置画框保持原版本继续运行不会变砖。全自动更新勾选Install new releases automatically自动安装新发布版后画框发现新版本会自动升级完全不用管。注意容器模式下该开关不可用——容器内的进程拉不到镜像。还有几个运维要点部分更新会附带新版 BirdNET-Go几百 MB下载稍慢期间检测数据会自动备份到detector/data/birdnet.db.bak无论手动还是自动画框必须在线才能检查和安装更新System 标签页会告诉你网络是否正常想离线手动指定版本可通过 SSH 执行git fetch --tags git checkout version uv sync最后sudo systemctl restart fugleramme-frame移动过仓库目录或换过麦克风重跑一次 run.sh 即可重新应用安装器的全部配置。管理页安全设置一份可打勾的清单默认情况下网络上任何能访问到画框的人都能改它的设置。推荐按下面顺序逐项处理开启登录Security 标签页勾选Require sign-in for the admin page管理页需要登录设置密码并Save。登录状态保持一周修改密码会让所有设备登出。反锁机制同一来源连续 5 次输错密码15 分钟内拒绝登录手滑也算数。等满 15 分钟或重启服务解除。反向代理场景如果画框挂在反向代理后面所有访客共用代理的 IP陌生人的乱输会连累你自己被锁。此时勾选The frame is behind a reverse proxy让系统按访客而非按 IP 计数。若画框端口同时直接暴露在外网这个选项反而会帮倒忙保持关闭。公网访问密码目前通过纯 HTTP 传输。若画框可从互联网访问请前置 HTTPS 并勾选代理选项。忘记管理页密码怎么办通过 SSH 直接改设置文件即可画框保存时自动读取无需重启ssh userhost.local nano ~/fugleramme/detector/data/settings.json # 修改 admin_password容器部署则编辑卷中的/data/settings.json。完整排错流程见 docs/troubleshooting.md。写在最后日常巡检清单频率检查项每周System 标签页版本是否最新、网络是否在线每月管理页登录状态、按键设置是否被家人重置更新后面板是否重绘正常journalctl -u fugleramme-frame -f找Inky panel initialised长期忘记密码、误锁时按上面流程 SSH 解锁Fugleramme 的日常运维远比想象中省心4 个按键管显示System 页管更新Security 页管安全各管一摊。把这份清单贴在书桌前你的鸟类画框就能一直安静地上班下去了。【免费下载链接】fuglerammeBird frame for Raspberry Pi - real-time bird detection by audio, fully local AI, rendered as real, hand-cut 1800s bird illustrations. On an e-ink panel, a TV, or any screen.项目地址: https://gitcode.com/gh_mirrors/fu/fugleramme创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/13 0:43:49

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/13 10:09:00

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/13 13:31:48

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/12 15:57:44

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/13 0:02:27

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉