交叉编译之opencv-4.1.1

这篇具有很好参考价值的文章主要介绍了交叉编译之opencv-4.1.1。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

编译环境:ubuntu 22.04;编译工具CMake

一、资料下载 

  opencv-4.1.1:https://github.com/opencv/opencv/archive/4.1.1.zip

  opencv_contrib-4.1.1:https://github.com/opencv/opencv_contrib/archive/refs/tags/4.1.1.tar.gz

  安装cmake

sudo apt install cmake-qt-gui

二、配置交叉编译环境

ubuntu环境下,编辑~/.bashrc文件:

nano ~/.bashrc

在最后添加交叉编译工具链:

export PATH=XXX/aarch64-xxx/bin:$PATH
source ~/.bashrc

三、生成配置

1.解压下载的opencv文件

tar -xvf opencv-4.1.1.tar.gz
tar -xvf opencv_contrib-4.1.1.tar.gz

2.将解压的opencv_contrib-4.1.1文件夹移入opencv-4.1.1中

mv opencv_contrib-4.1.1 opencv-4.1.1

3.进入opencv-4.1.1,创建build文件,进入build

cd opencv-4.1.1/
mkdir build 
cd build

4.cmake-gui

cmake-gui

5.如下操作:

交叉编译之opencv-4.1.1,嵌入之旅,opencv,人工智能,计算机视觉

6.点击Configure,进行如下操作:

交叉编译之opencv-4.1.1,嵌入之旅,opencv,人工智能,计算机视觉

Operating System一定要设置为Linux!!!不然之后引用动态库会报错../../lib/libopencv_xx.so not find,依赖的动态库是绝对路径!!!!

交叉编译之opencv-4.1.1,嵌入之旅,opencv,人工智能,计算机视觉Configuring done交叉编译之opencv-4.1.1,嵌入之旅,opencv,人工智能,计算机视觉

四、勾选配置项

1.CMAKE_INSTALL_PREFIX 生成的库、头文件等文件绝对路径

交叉编译之opencv-4.1.1,嵌入之旅,opencv,人工智能,计算机视觉

2.OPENCV_EXTRA_MODULES_PATH :opencv 扩展模块的路径

3.CMAKE_EXE_LINKER_FLAGS :添加 -lpthread -ldl

4.CMAKE_CXX_FLAGS: 添加-fPIC -static-libstdc++ -fpermissive

5.ZLIB_INCLUDE_DIR:设置路径xx/opencv-4.1.1/3rdparty/zlib

6.去掉BUILD_PERF_TESTS,BUILD_TESTS,交叉编译时不去掉会报错

7.OPENCV_GENERATE_PKGCONFIG:一定要勾选,会生成opencv4.pc文件

8.BUILD_OPENCV_WORLD:会将所生成的opencv库打包,可勾选可不勾选,不勾选则生成一个一个的单独的库

9.点击Generate,等待一段时间后会会显示Generating done

五、编译

退出cmake-gui,直接在build目录下执行make

make -j16
make install

六、报错

1.对‘png_do_expand_palette_rgba8_neon’未定义的引用等等

nano 3rdparty/libpng/CMakeLists.txt  # 最前面添加以下两个set;
set(ARM 1)
set(ENABLE_NEON 1)

2.No suitable threading library available

nano 3rdparty/protobuf/src/google/protobuf/stubs/common.cc
#define HAVE_PTHREAD

3.缺失文件boostdesc_bgm.i等

下载缺失文件,拷贝到opencv_contrib-4.1.1/modules/xfeatures2d/src

下载地址:链接: https://pan.baidu.com/s/11fEtaPSWWhzTakTysLMu2Q?pwd=fg3w 

4.找不到features2d/test/test_detectors_regression.impl.hpp等头文件

这些头文件在opencv-4.1.1/modules/features2d/test路径下交叉编译之opencv-4.1.1,嵌入之旅,opencv,人工智能,计算机视觉

将该test文件夹复制到opencv_contrib-4.1.1/modules/xfeatures2d/test路径下文章来源地址https://www.toymoban.com/news/detail-842103.html

到了这里,关于交叉编译之opencv-4.1.1的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

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: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【人工智能与深度学习】均方损失,交叉墒损失,vgg损失,三元组损失

    均方损失,交叉墒损失,vgg损失,三元组损失的应用场景有哪些 均方损失(Mean Squared Error, MSE),交叉熵损失(Cross-Entropy Loss),和三元组损失(Triplet Loss)是机器学习和深度学习中常用的损失函数,每个都适用于不同的应用场景: 1. 均方损失(MSE) 应用场景 :主要用于回

    2024年01月22日
    浏览(94)
  • 开启AI创新之旅!“华为云杯”2023人工智能应用创新大赛等你来挑战

    近年来,人工智能技术的发展如日中天,深刻地改变着我们的生活方式和产业格局。 为了培养AI人才,持续赋能AI企业,推进国家新一代人工智能开放创新平台建设,打造更加完善的AI技术创新生态,华为(苏州)人工智能创新中心联合SISPARK(苏州国际科技园)共同主办了华

    2024年02月12日
    浏览(49)
  • AI嵌入式3——君正T40之MIPS32架构交叉编译opencv4篇

    opencv基本安装 深度学习环境搭建 君正T40基础使用 参考文献 参考文献 参考文献 主机环境:Ubuntu 18.04.6 LTS,x86_64 目标平台:君正T40,mips32r2架构 CMake GUI版本:3.14.7 OpenCV版本:4.4.0 交叉编译链:mips-gcc720-glibc226 在君正提供的SDK包中有一个类似的编译链压缩包mips-gcc720-glibc226.t

    2024年01月21日
    浏览(36)
  • LDGRB-01 用于在边缘处理人工智能的嵌入式硬件

    LDGRB-01  用于在边缘处理人工智能的嵌入式硬件商业和企业中的IT系统正在全面快速发展,一个不断增长的趋势正在将计算能力推向边缘。Gartner预测,到2025年,边缘计算将处理75%的数据由所有用例产生,包括工厂、医疗保健和运输中的用例。您可以将边缘计算的采用与人工智

    2024年02月07日
    浏览(49)
  • 人工智能任务1-【NLP系列】句子嵌入的应用与多模型实现方式

    大家好,我是微学AI,今天给大家介绍一下人工智能任务1-【NLP系列】句子嵌入的应用与多模型实现方式。句子嵌入是将句子映射到一个固定维度的向量表示形式,它在自然语言处理(NLP)中有着广泛的应用。通过将句子转化为向量表示,可以使得计算机能够更好地理解和处理

    2024年02月13日
    浏览(41)
  • 创新设计与技术突破:嵌入式系统在人工智能和机器学习领域的应用前景

    嵌入式系统在人工智能和机器学习领域的应用前景非常广阔,创新设计和技术突破将进一步推动这些领域的发展。以下是嵌入式系统在人工智能和机器学习领域的应用前景: 嵌入式系统具有小型化、低功耗和高效率等特点,非常适合用于实时数据处理。在人工智能和机器学习

    2024年02月21日
    浏览(63)
  • 人工智能-OpenCV+Python实现人脸识别(人脸检测)

    在OpenCV中使用Haar特征检测人脸,那么需要使用OpenCV提供的xml文件(级联表)在haarcascades目录下。这张级联表有一个训练好的AdaBoost训练集。首先要采用样本的Haar特征训练分类器,从而得到一个级联的AdaBoost分类器。Haar特征值反映了图像的灰度变化情况。例如:脸部的一些特征

    2024年02月06日
    浏览(99)
  • 音视频开发之旅——音频基础概念、交叉编译原理和实践(LAME的交叉编译)(Android)

    本文章已授权微信公众号郭霖(guolin_blog)转载。 本文主要讲解的是 音频基础概念 、 交叉编译原理和实践(LAME的交叉编译) ,是基于 Android平台 ,示例代码如下所示: AndroidAudioDemo 另外, iOS平台 也有相关的文章,如下所示: 音视频开发之旅——音频基础概念、交叉编译

    2024年04月25日
    浏览(82)
  • 【人工智能】LLM大模型中的词嵌入和上下文理解技术实例讲解,附具体的代码例子

    词嵌入(Word Embeddings)可以将高维的文本数据转换成低维的稠密向量表示,在进行自然语言处理任务时,这样的表示方式可以帮助算法理解词语之间的相似性以及上下文关系。以下是一个使用 TensorFlow 和 Keras 实现 Word2Vec 词嵌入模型的代码实例。 使用 TensorFlow 和 Keras 的 Word

    2024年02月07日
    浏览(76)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包