预构建版本
在许多情况下,您可以找到满足您需求的 OpenCV 预构建版本。
OpenCV 核心团队的软件包
每个版本都会发布使用默认参数和最新编译器构建的适用于 Android、iOS 和 Windows 的包,它们不包含opencv_contrib模块。
- GitHub 版本:https://github.com/opencv/opencv/releases
- SourceForge.net: https://sourceforge.net/projects/opencvlibrary/files/
第三方软件包
其他组织和个人维护自己的 OpenCV 二进制发行版。例如:
- 常用 Linux 发行版中的系统软件包 (https://pkgs.org/search/?q=opencv)
- PyPI (https://pypi.org/search/?q=opencv)
- 康达 (https://anaconda.org/search?q=opencv)
- 柯南 (https://github.com/conan-community/conan-opencv)
- vcpkg (https://github.com/microsoft/vcpkg/tree/master/ports/opencv)
- NuGet (https://www.nuget.org/packages?q=opencv)
- 冲泡 (https://formulae.brew.sh/formula/opencv)
- Maven (https://search.maven.org/search?q=opencv)
从源代码构建
现有的二进制包可能不适用于您的用例,那么您必须自己构建 OpenCV 的自定义版本。本部分简要概述了构建过程,请查看特定平台的教程以获取实际的构建说明。
OpenCV 使用 CMake 构建管理系统进行配置和构建,因此本节主要介绍使用 CMake 构建软件的一般过程。
步骤 0:先决条件
安装 C++ 编译器和生成工具。在 *NIX 平台上,它通常是 GCC/G++ 或 Clang 编译器和 Make 或 Ninja 构建工具。在 Windows 上,它可以是 Visual Studio IDE 或 MinGW-w64 编译器。Android NDK 中提供了适用于 Android 的原生工具链。XCode IDE 用于为 OSX 和 iOS 平台构建软件。
从官方网站或其他来源安装 CMake。
获取其他第三方依赖项:具有额外功能(如解码视频或显示 GUI 元素)的库;提供所选算法优化实现的库;用于文档生成和其他附加功能的工具。查看 OpenCV 配置选项参考,了解可用选项和相应的依赖项。
第 1 步:获取软件源
典型的软件项目由一个或多个代码存储库组成。OpenCV 有两个包含代码的存储库:opencv - 具有稳定且积极支持的算法的主存储库,以及包含实验性和非自由(专利)算法的 opencv_contrib;以及一个包含测试数据的存储库:opencv_extra。
您可以以存档的形式下载存储库的快照,也可以使用完整历史记录克隆存储库。
要下载快照存档:
- 转到 https://github.com/opencv/opencv/releases 并从任何版本下载“源代码”存档。
- (可选)转到 https://github.com/opencv/opencv_contrib/releases 并下载与 opencv 相同的版本的“源代码”存档
- (可选)转到 https://github.com/opencv/opencv_extra/releases 并下载与 opencv 相同版本的“源代码”存档
- 将所有存档解压缩到某个位置
要克隆存储库,请在控制台中运行以下命令(必须安装 git):
git clone https://github.com/opencv/opencv
git -C opencv 签出
# 可选
git clone https://github.com/opencv/opencv_contrib
git -C opencv_contrib checkout
# 可选
git clone https://github.com/opencv/opencv_extra
git -C opencv_extra checkout
-
注意
如果要使用多个存储库构建软件,请确保所有组件彼此兼容。对于 OpenCV,这意味着 opencv 和 opencv_contrib 存储库必须在同一标记下签出,或者所有快照存档都从同一版本下载。
在选择要下载的版本时,请考虑您的目标平台和开发工具版本,最新版本的 OpenCV 可能会在非常旧的编译器中出现构建问题,反之亦然。我们建议使用最新版本和新的操作系统/编译器组合。
第 2 步:配置
在此步骤中,CMake 将验证所有必要的工具和依赖项是否可用且与库兼容,并将为所选生成系统生成中间文件。它可以是 Makefile、IDE 项目和解决方案等。通常,此步骤在新创建的构建目录中执行:
cmake -G
-
注意
cmake-gui
应用程序允许使用图形用户界面查看和修改可用选项。有关详细信息,请参阅 https://cmake.org/runningcmake/。
第 3 步:构建
在构建过程中,源文件被编译为目标文件,这些文件链接在一起或以其他方式组合到库和应用程序中。可以使用通用命令运行此步骤:
cmake --build
…或者可以直接调用底层构建系统:
做
(可选)第 3 步:安装
在安装过程中,构建过程中,构建目录中的构建结果和其他文件将被复制到安装位置。默认安装位置在 UNIX 和 Windows 上。可以在配置步骤中通过设置选项更改此位置。若要执行安装,请运行以下命令:/usr/local``C:/Program Files``CMAKE_INSTALL_PREFIX
cmake --build --target install
-
注意
此步骤是可选的,OpenCV 可以直接从构建目录使用。
如果安装根目录是受保护的系统目录,则必须使用超级用户或管理员权限(例如 )。
sudo cmake ...
(可选)第 4 步:构建插件
通过将部分代码提取到动态加载的插件中,可以解耦一些 OpenCV 依赖项并使其成为可选的。它有助于生成自适应二进制发行版,这些发行版可以在依赖性较低的系统上运行,并且只需安装缺少的库即可扩展功能。目前,模块 core、videoio 和 highgui 的一些依赖项都支持这种机制。在某些情况下,可以通过设置诸如 或 之类的选项来与 OpenCV 一起构建插件,可以在 OpenCV 配置选项参考中找到与此场景相关的更多选项。在其他情况下,插件应该在它们自己的构建过程中单独构建,本节描述了这种独立的构建过程。VIDEOIO_PLUGIN_LIST``HIGHGUI_PLUGIN_LIST
-
注意
建议使用与 OpenCV 构建兼容的编译器、配置和构建选项,否则生成的库可能会拒绝加载或导致其他运行时问题。请注意,由于 OpenCV 和相应的第三方库之间存在额外的障碍,当动态加载后端时,某些功能可能会受到限制或工作速度变慢。
构建过程类似于主 OpenCV 构建,但您必须使用位于相应子目录中的特殊 CMake 项目,这些文件夹还可以包含引用脚本和 Docker 镜像。为插件使用名称前缀非常重要,以便加载器能够找到它们。每个受支持的前缀只能用于加载一个库,但是可以为单个前缀探测多个候选库。例如,您可以拥有 libopencv_videoio_ffmpeg_3.so 和 libopencv_videoio_ffmpeg_4.so 插件,第一个可以成功加载的插件将占用内部插槽并停止探测过程。下表列出了可能的前缀和项目位置:opencv_<module>_<backend>
模块 | 后端 | 位置 |
---|---|---|
核心 | parallel_tbb、parallel_onetbb parallel_openmp | opencv/模块/核心/杂项/插件 |
高桂 | GTK、GTK2、GTK3 | opencv/modules/highgui/misc/插件 |
视频IO | ffmpeg、gstreamer、intel_mfx、msmf | opencv/模块/videoio/misc |
例:
# TBB 检测的设置环境,例如:
# 导出 TBB_DIR=
cmake -G \
-DOPENCV_PLUGIN_NAME=opencv_core_tbb_<后缀> \
-DOPENCV_PLUGIN_DESTINATION=<目标文件夹> \
-DCMAKE_BUILD_TYPE=<配置> \
/modules/core/misc/plugins/parallel_tbb
cmake --构建。–config <配置>
-
注意
在 Windows 上,插件必须与现有的 OpenCV 版本链接。将 environment 或 CMake 变量设置为包含 OpenCVConfig.cmake 文件的目录,它可以是 OpenCV 构建目录或您执行安装的位置中的某个路径。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取==🆓