windows编译FastDeploy并使用yolov5对人脸进行检测

文章讲述了在编译FastDeploy项目时遇到的gflags静态库与动态库RuntimeLibrary不匹配的问题,提供了修改CMakeLists.txt文件以解决此错误的详细步骤,以及两种替代解决方案。此外,还提到了使用ninja和VisualStudio进行编译的情况,以及项目依赖关系的调整。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1. 准备源码

    git clone --recursive https://github.com:PaddlePaddle/FastDeploy

2.使用ninja编译

    cmake -GNinja -Bbuild_ninja -DBUILD_EXAMPLES=ON ^
    -DENABLE_ORT_BACKEND=ON ^     # 用onnxruntime推理
    -DENABLE_VISION=ON ^         # 开启图像识别
    -DCMAKE_BUILD_TYPE=Release
    
    cmake --build build_ninja --config Release
    
    其他参数可以修改推理引擎并增加支持ocr
    -DENABLE_PADDLE_BACKEND=ON     # 用paddlelite推理
    -DENABLE_OPENVINO_BACKEND=ON    # 用openvino推理
    -DENABLE_TEXT=ON            # 增加text识别

2.1. 编译报错

  • 编译examples时提示以下gflag链接错误
gflags_static.lib(gflags.cc.obj) : error LNK2038: 检测到“RuntimeLibrary”的不匹配项: 值“MT_StaticRelease”不匹配值“MD_DynamicRelease”(infer.cc.obj 中)
gflags_static.lib(gflags_reporting.cc.obj) : error LNK2038: 检测到“RuntimeLibrary”的不匹配项: 值“MT_StaticRelease”不匹配值“MD_DynamicRelease”(infer.cc.obj 中)
gflags_static.lib(gflags_completions.cc.obj) : error LNK2038: 检测到“RuntimeLibrary”的不匹配项: 值“MT_StaticRelease”不匹配值“MD_DynamicRelease”(infer.cc.obj 中)

解决办法:修改gflags的CMakeLists.txt文件,直接使用字符串替换runtime

    message("debugflag: ${CMAKE_CXX_FLAGS_DEBUG}")
    string(REPLACE "/MTd" "/MDd" CMAKE_CXX_FLAGS_DEBUG "${CMAKE_CXX_FLAGS_DEBUG}")
    message("debugflag: ${CMAKE_CXX_FLAGS_DEBUG}")

    message("releaseflag: ${CMAKE_CXX_FLAGS_RELEASE}")
    string(REPLACE "/MT" "/MD" CMAKE_CXX_FLAGS_RELEASE "${CMAKE_CXX_FLAGS_RELEASE}")
    message("releaseflag: ${CMAKE_CXX_FLAGS_RELEASE} ${target_name}")

然后删除原来生成的中间文件并重新编译

rd /s/q build_ninja\third_libs\gflags\src\extern_gflags-build
cmake -GNinja -Bbuild_ninja\third_libs\gflags\src\extern_gflags-build -S build_ninja\third_libs\gflags\src\extern_gflags -DCMAKE_INSTALL_PREFIX=%cd%\build_ninja\third_libs\install\gflags\ -DCMAKE_BUILD_TYPE=Release
cmake --build build_ninja\third_libs\gflags\src\extern_gflags-build --config Release 
cmake --install build_ninja\third_libs\gflags\src\extern_gflags-build --config Release 

这两种方法也可以更改但是更改后往往会引出其他问题

    方法一:
    set(CMAKE_CXX_FLAGS_RELEASE "${CMAKE_CXX_FLAGS_RELEASE} /MT")
    set(CMAKE_CXX_FLAGS_DEBUG "${CMAKE_CXX_FLAGS_DEBUG} /MTd")
    方法二:
    set_property(TARGET gflags PROPERTY MSVC_RUNTIME_LIBRARY "MultiThreaded$<$<CONFIG:Debug>:Debug>")

3 使用vcxproj编译

    cmake -Bbuild_vs -G "Visual Studio 16 2019" -A x64 ^
         -DENABLE_ORT_BACKEND=ON ^
         -DENABLE_PADDLE_BACKEND=ON ^
         -DENABLE_OPENVINO_BACKEND=ON ^
         -DENABLE_VISION=ON ^
         -DENABLE_TEXT=ON ^
         		   -DBUILD_EXAMPLES=ON ^
         -DCMAKE_INSTALL_PREFIX="%cd%\build_vs\install"
 cmake --build build_vs
 cmake --install build_vs

直接vs编译没怎么报错就是项目依赖关系有问题,可以单独编译需要的targets

cmake --build build_vs --target vision_headpose_fsanet_infer
### 如何将YOLOPyQt结合使用 为了实现YOLOPyQt的集成,可以按照以下方法构建应用程序: #### 1. 安装依赖库 确保安装了必要的Python包。这通常包括`opencv-python`用于图像处理以及`torch`和`tqdm`等其他可能需要的机器学习框架。 ```bash pip install opencv-python torch tqdm pyqt5 ``` #### 2. 加载并配置YOLO模型 加载预训练好的YOLO权重文件,并设置好检测参数。这部分代码可以从官方GitHub仓库获取或者基于已有的YOLO版本调整[^1]。 ```python import cv2 from ultralytics import YOLO model = YOLO('yolov8n.pt') # Load model ``` #### 3. 创建PyQt界面 设计图形用户界面(GUI),允许用户选择视频源或图片路径作为输入给YOLO进行目标识别。这里展示了一个简单的窗口布局例子[^2]。 ```python from PyQt5.QtWidgets import QApplication, QMainWindow, QPushButton, QVBoxLayout, QWidget, QLabel, QLineEdit class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle("YOLO Object Detection") layout = QVBoxLayout() label = QLabel("Enter image path:") line_edit = QLineEdit() button = QPushButton("Detect Objects!") layout.addWidget(label) layout.addWidget(line_edit) layout.addWidget(button) container = QWidget() container.setLayout(layout) self.setCentralWidget(container) ``` #### 4. 实现对象检测逻辑 当点击按钮时触发事件处理器,在其中调用YOLO来进行预测并将结果显示出来。注意要处理不同类型的媒体数据(如摄像头流、本地文件)[^3]。 ```python def on_button_clicked(self): img_path = self.line_edit.text() # Get input from user results = model(img_path) # Perform inference using loaded model res_plotted = results[0].plot() # Plot bounding boxes over detected objects cv2.imshow("Detected Image", res_plotted) # Show result in a window cv2.waitKey(0) button.clicked.connect(on_button_clicked) ``` 以上就是基本的工作流程;当然实际项目可能会更复杂一些,比如还需要考虑多线程运行以提高性能等问题。对于具体细节上的差异,则取决于所选用的具体YOLO变体及其对应的API接口文档说明[^4]。
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

打赏作者

telllong

你的鼓励是我创作最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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