Windows下springboot项目部署到Ubuntu20.04中

思路:

一、将项目上传至服务器

1、修改pom.xml文件

        因为数据库版本不同Windows下数据库版本为MySQL57,Ubuntu20.04中根据Ubuntu安装Mysql_ubuntu下载mysql-优快云博客方法下载的是MySQL8.0.23,因此需要修改配置和依赖

WIndows下的pom.xml和application.properties文件(仅显示两者不同的部分)

        <!-- mysql -->
        <dependency>
            <groupId>mysql</groupId>
            <artifactId>mysql-connector-java</artifactId>
            <version>5.1.43</version>
        </dependency>

    <!-- 启用阿里云镜像下载依赖 -->
    <repositories>
        <repository>
            <id>nexus-aliyun</id>
            <name>nexus-aliyun</name>
            <url>http://maven.aliyun.com/nexus/content/groups/public/</url>
        </repository>
    </repositories>

Windows

### 集成YOLOv8至Spring Boot项目 #### 1. 构建环境准备 为了在Spring Boot项目中集成YOLOv8,需构建一个支持CUDA、CUDNN以及PyTorch的开发环境。这可以通过Docker容器化解决方案简化配置过程[^1]。 ```bash docker pull nvidia/cuda:11.7.0-cudnn8-devel-ubuntu20.04 ``` 安装必要的依赖包并设置工作目录: ```bash RUN apt-get update && \ apt-get install -y python3-pip ffmpeg libsm6 libxext6 && \ pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117 ``` #### 2. Python脚本编写 创建用于加载预训练模型和执行预测逻辑的Python文件`predict.py`: ```python import cv2 from ultralytics import YOLO def detect_objects(image_path, model='yolov8n.pt'): # 加载YOLOv8 nano模型 yolo_model = YOLO(model) # 执行推理操作 results = yolo_model.predict(source=image_path, save=True) return results ``` 保存上述代码片段作为独立模块以便后续调用。 #### 3. Java与Python交互接口定义 利用ProcessBuilder类启动外部进程,在Java应用程序内部触发图像处理任务并向其传递参数;同时读取命令行输出获取返回结果。 ```java public class ObjectDetectionService { private static final String PYTHON_SCRIPT_PATH = "/path/to/predict.py"; public void runInference(String imagePath) throws IOException { ProcessBuilder pb = new ProcessBuilder( "python", PYTHON_SCRIPT_PATH, "--image=" + imagePath); try (BufferedReader stdInput = new BufferedReader(new InputStreamReader(pb.start().getInputStream()))) { String s; while ((s = stdInput.readLine()) != null) System.out.println(s); } catch (IOException e) { throw e; } } } ``` 此方法允许Spring Boot应用无缝对接深度学习框架完成实时物体检测功能. #### 4. 结果展示与推送 一旦完成了对象识别流程,则可通过FFmpeg工具将带有标注框的结果帧编码为视频流,并借助ZLMediaKit组件将其广播出去供客户端订阅观看. ```xml <dependency> <groupId>com.github.xiaoymin</groupId> <artifactId>knife4j-spring-boot-starter</artifactId> <version>3.0.3</version> </dependency> <!-- 添加其他所需依赖项 --> ``` 以上步骤概述了一个完整的方案,展示了如何在一个现代化微服务体系结构下部署先进的视觉感知能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值