OpenCV 环境变量参考

介绍

OpenCV 可以根据运行时环境更改其行为：

• 启用额外的调试输出或性能跟踪
• 修改默认位置和搜索路径
• 调整某些算法或一般行为
• 启用或禁用变通方法、安全功能和优化

笔记：

• ⭐ 标记最常用的变量
• 具有此类名称的变量描述了变量系列，其中应更改为预定义值之一，例如 ， ， …VAR_${NAME}``${NAME}``VAR_TBB``VAR_OPENMP

在 Windows 中设置环境变量

在终端或 cmd 文件 （bat-file） 中：

设置 MY_ENV_VARIABLE=true

C：\my_app.exe

在 GUI 中：

• 转到“设置->系统->关于”
• 单击右侧的“高级系统设置”
• 在新窗口中，单击“环境变量”按钮
• 向“用户变量”列表添加条目

在 Linux 中设置环境变量

在终端或 shell 脚本中：

导出 MY_ENV_VARIABLE=true

./my_app

或作为单个命令：

MY_ENV_VARIABLE=true ./my_app

在 Python 中设置环境变量

导入操作系统

os.environ[“MY_ENV_VARIABLE”] = 真

import cv2 # 在此之后设置的变量可能不起作用

类型

• non-null - 设置为 anything 以启用功能，在某些情况下可以解释为其他类型（例如路径）
• 布尔值 - ， ， ， / ， ， ， ，1``True``true``TRUE``0``False``false``FALSE
• number/size - 无符号数字、后缀、、、、、MB``Mb``mb``KB``Kb``kb
• string - 纯字符串，也可以有一个结构
• path - 到文件，到目录
• 路径 - 在 Windows 上分隔，在其他路径上分隔;``:

一般，核心

名字	类型	违约	描述
OPENCV_SKIP_CPU_BASELINE_CHECK	非 null		不检查当前 CPU 是否支持构建使用的所有功能（基线）
OPENCV_CPU_DISABLE	,或 -separated;		禁用使用 CPU 功能的代码分支（调度代码）
OPENCV_SETUP_TERMINATE_HANDLER	布尔值	true （Windows）	使用 std：：set_terminate 安装自己的终止处理程序
OPENCV_LIBVA_RUNTIME	文件路径		libva for VA 互操作性实用程序
OPENCV_ENABLE_MEMALIGN	布尔值	true（静态分析、内存清理器、模糊化_WIN32除外？	启用对齐的内存分配
OPENCV_BUFFER_AREA_ALWAYS_SAFE	布尔值	假	为多缓冲区分配启用安全模式（每个缓冲区单独）
OPENCV_KMEANS_PARALLEL_GRANULARITY	数字	1000	调优算法并行工作分布参数parallel_for_(..., ..., ..., granularity)
OPENCV_DUMP_ERRORS	布尔值	true（调试或 Android）、false（其他）	打印有关异常的额外信息（登录到 Android）
OPENCV_DUMP_CONFIG	非 null		将构建配置打印到 stderr （getBuildInformation)
OPENCV_PYTHON_DEBUG	布尔值	假	在 Python 绑定中启用额外的警告
OPENCV_TEMP_PATH	非 null / 路径	/tmp/（Linux）、（Android）、（Windows）/data/local/tmp/``GetTempPathA	临时文件的目录
OPENCV_DATA_PATH_HINT	路径		findDataFile 的路径
OPENCV_DATA_PATH	路径		findDataFile 的路径
OPENCV_SAMPLES_DATA_PATH_HINT	路径		findDataFile 的路径
OPENCV_SAMPLES_DATA_PATH	路径		findDataFile 的路径

链接：

• https://github.com/opencv/opencv/wiki/CPU-optimizations-build-options

伐木

名字	类型	违约	描述
⭐ OPENCV_LOG_LEVEL	字符串		日志记录级别（请参阅下面的接受值）
OPENCV_LOG_TIMESTAMP	布尔值	真	使用时间戳进行日志记录
OPENCV_LOG_TIMESTAMP_NS	布尔值	假	将 NSec 添加到日志记录时间戳

水平：

• 0, , , , , ,O``OFF``S``SILENT``DISABLE``DISABLED
• F,FATAL
• E,ERROR
• W, , ,WARNING``WARN``WARNINGS
• I,INFO
• D,DEBUG
• V,VERBOSE

核心/parallel_for

名字	类型	违约	描述
⭐ OPENCV_FOR_THREADS_NUM	数字	0	设置线程数
OPENCV_THREAD_POOL_ACTIVE_WAIT_PAUSE_LIMIT	数字	16	parallel_for后端调整 pthreads
OPENCV_THREAD_POOL_ACTIVE_WAIT_WORKER	数字	2000	parallel_for后端调整 pthreads
OPENCV_THREAD_POOL_ACTIVE_WAIT_MAIN	数字	10000	parallel_for后端调整 pthreads
OPENCV_THREAD_POOL_ACTIVE_WAIT_THREADS_LIMIT	数字	0	parallel_for后端调整 pthreads
OPENCV_FOR_OPENMP_DYNAMIC_DISABLE	布尔值	假	使用单个 OpenMP 线程

后端

OPENCV_LEGACY_WAITKEY 某些模块具有多个可用的后端，以下变量允许选择特定的后端或更改将探测后端的默认优先级（例如，在打开视频文件时）。

名字	类型	违约	描述
OPENCV_PARALLEL_BACKEND	字符串		选择特定的paralel_for后端（、、TBB``ONETBB``OPENMP)
OPENCV_PARALLEL_PRIORITY_${名称}	数字		设置后端优先级，默认为 1000
OPENCV_PARALLEL_PRIORITY_LIST	字符串，以分隔,		按优先级顺序排列的后端列表
OPENCV_UI_BACKEND	字符串		选择 HighGUI 后端进行窗口渲染（、GTK``GTK3``GTK2``QT``WIN32)
OPENCV_UI_PRIORITY_${名称}	数字		设置 highgui 后端优先级，默认为 1000
OPENCV_UI_PRIORITY_LIST	字符串，以分隔,		按优先级顺序排列的 Hioghgui 后端列表
OPENCV_VIDEOIO_PRIORITY_${名称}	数字		设置 VideoIO 后端优先级，默认为 1000
OPENCV_VIDEOIO_PRIORITY_LIST	字符串，以分隔,		按优先级顺序排列的 VideoIO 后端列表

插件

一些外部依赖项可以分离到一个动态库中，该库将在运行时加载（插件）。以下变量允许更改这些插件的默认搜索位置和命名模式。

名字	类型	违约	描述
OPENCV_CORE_PLUGIN_PATH	路径		用于搜索核心插件的目录
OPENCV_CORE_PARALLEL_PLUGIN_${名称}	字符串、glob		parallel_for插件库名称（glob），例如TBB的默认值为“opencv_core_parallel_tbb*.so”
OPENCV_DNN_PLUGIN_PATH	路径		用于搜索 DNN 插件的目录
OPENCV_DNN_PLUGIN_${名称}	字符串、glob		parallel_for插件库名称（glob），例如TBB的默认值为“opencv_core_parallel_tbb*.so”
OPENCV_CORE_PLUGIN_PATH	路径		目录搜索 highgui 插件（是的，它是 CORE）
OPENCV_UI_PLUGIN_${NAME}	字符串、glob		HighGUI 插件库名称 （glob）
OPENCV_VIDEOIO_PLUGIN_PATH	路径		用于搜索 VideoIO 插件的目录
OPENCV_VIDEOIO_PLUGIN_${名称}	字符串、glob		VideoIO 插件库名称 （glob）

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，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
​