【maven】使用苹果mac编译maven项目，报错OverlappingFileLockException

最新推荐文章于 2025-04-30 16:35:39 发布
最新推荐文章于 2025-04-30 16:35:39 发布
阅读量149 收藏
点赞数 2
CC 4.0 BY-SA版权
文章标签： maven java
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/lisacumt/article/details/146208619

报错OverlappingFileLockException

乍一看是一个很严重的问题，经过测试替换java版本，maven版本均解决问题
修改maven本地仓库只机器内磁盘解决，原先是使用的外挂exFat磁盘。
看来外挂磁盘不能使用ExFAT/MS-DOS，乖乖的使用苹果自己的文件格式。

参考文章
OverlappingFileLockException taking second lock using OS X with ExFAT/MS-DOS

lisacumt
关注
RK3588J的6路MIPI CSI视频采集方案
bingdund的博客
10-30 1457
5个摄像头接口配置：2个MIPI CSI DCPHY(4Lane)接口 + 1个MIPI CSI DPHY(4Lane)接口 + 2个MIPI CSI DPHY(2Lane)接口；6个摄像头接口配置：2个MIPI CSI DCPHY(4Lane)接口 + 4个MIPI CSI DPHY(2Lane)接口；4个摄像头接口配置：2个MIPI CSI DCPHY(4Lane)接口 + 2个MIPI CSI DPHY(4Lane)接口。支持将2个MIPI CSI DPHY接口组合成1个4Lane数据通道接口使用。
独家！RK3588 YOLOv5 Android 源码级解析（NPU 量化 / 多线程架构 / 跟踪算法全开源）
最新发布
FJN110的博客
06-21 81
本文详细介绍了一个基于RK3588芯片的Android开发板实时目标检测项目。项目使用YOLOV5模型，结合RKNN开发框架实现高效推理。文章包含环境配置（Windows主机、Android开发板、RKNN SDK等）、项目架构（相机集成、并发处理、图像格式转换等核心挑战）和关键技术解析（硬件加速RGA转换、环形缓冲队列设计等）。通过生产者-消费者模式和NPU推理优化，系统实现了高性能实时检测。该项目为嵌入式设备上的计算机视觉应用提供了实用解决方案，展示了RK3588芯片在AI工作负载中的出色表现。
firefly-rk3399 开发记录7-RGA使用
huahuang1508的博客
08-11 5971
1.RGA 简单的说，RGA就是一个用来处理图片的硬件，和CPU相互独立，可以独立完成图片的处理，在瑞芯微这边提供的库是阻塞的，可以自己实现为异步的。具体可参考官方的简单说明http://t.rock-chips.com/forum.php?mod=viewthread&tid=333&highlight=RGA 2.RGA错误使用 这里使用RGA，主要是用于一个快速的格式转换，在这部分实现中，阻塞或者异步都影响不大。上一章节简单说明了一下RGA的使用，经过测试那样做，有点问题，资源泄
firefly-rk3399 开发记录6-摄像头处理错误
huahuang1508的博客
08-11 2890
1.记录一个错误 在当前的使用方式下，在运行一段时间，几分钟，或者十几分钟之后出现如下错误，然后摄像头卡死了，整体程序就算是假死状态 CameraBinerror:"Internaldatastreamerror." 这个问题，没得什么头绪，度娘和谷歌都没看到有什么问题。这个问题在之前没有引入人脸检测时，是没有问题的，直到引入opencv做检测才出现。所以这里首先还是从检测部分还是入手检查，屏蔽cascade.detectMultiScale之后，程序又可正常运行，但是这里cv一般是没得什...
RK3399 RGA等比例缩放
云山散人
04-30 348
在使用瑞芯微rga库进行图像数据缩放的时候，我们可以指定缩放尺寸，如原始图像为1920*1080，我们如果要缩放为640*640的尺寸，按照rga缩放后必然会得到一张畸变的数据图像，因此使用等比例缩放可以避免图像畸变，说的通俗一点就是通过等比例缩放后在图像两侧增加“黑边框”。视频数据缩放常见的就是在AI算法处理中，算法处理的第一步就是对传入的视频数据进行缩放，一般都是采用软件缩放，这样会影响算法整体的处理速度， 相比软件实现，RGA显著降低CPU负载。然后通过计算图像的起始位置。
rk3399 QT MPP Rga解码rtsp流并显示
08-01
rk3399 使用qt，利用ffmpeg拉去rtsp流，交给mpp硬解码，再交给rga转换并显示图像
RK3399-RGA使用
保持一颗敬畏之心，简单地调用C++，适当地向C++妥协，让以后的自己看懂代码，让别人看懂代码。
09-24 9412
目录前言正文资料的下载参考 前言 由于工作要用到这个功能。所以，弄了很久，后面发现的几个问题，确实都是比较比较low导致的。这里做一个记录，防止以后再犯。 正文 资料的下载 参考
瑞芯微RKRGA（librga）Buffer API 分析
努力写BUG的博客
03-28 1239
瑞芯微RKRGA（librga）Buffer API 分析
RK3399 Linux rga 调试记录
pizige88的专栏
01-18 7238
一 开发环境 开发板：Firefly AIO-3399J 系统：Debian9 二 内核修改 //arch/arm64/boot/dts/rockchip/rk3399-linux.dtsi + rga: rga@ff680000 { + compatible = "rockchip,rga2"; + dev_mode = <1>; + reg = <0x0 0x...
瑞芯微 RK 系列 RK3588 使用 ffmpeg-rockchip 实现 MPP 硬件编解码和 RGA 图形加速-命令版
热门推荐
Leon_Chenl的博客
01-06 1万+
最近使用 RK3588 在做音视频项目开发，过程中使用了该芯片提供的硬件编解码和 2D 图形加速能力，发现相比软编解码，硬编解码无论是处理速度、系统负载还是稳定性，都比软编解码强太多了。本文将分享如何使用 RK 提供的 FFmpeg + MPP + RGA，实现一个硬件编解码+2D图形加速的功能，全部使用命令行来完成。后面也会出一篇使用开发库实现的源码版。本文不仅适用于 RK3588，也还适用于其他 RK 系列的芯片，具体的细节出入请参考官方文档。
基于RK3588J的6路MIPI CSI视频采集案例分享，多路视频系统必看！
创龙，嵌入式一体化解决方案商
07-30 2430
本案例实现6路摄像头的图像采集，并对图像进行缩放和拼接处理，最终通过HDMI显示屏进行显示。（3）包含2个MIPI CSI DCPHY接口（MIPI CSI DPHY/CPHY复用），支持MIPI CPHY V1.1标准，每个MIPI CSI DCPHY支持4Lane数据通道，每Lane最高2.5Gbps。5个摄像头接口配置：2个MIPI CSI DCPHY(4Lane)接口 + 1个MIPI CSI DPHY(4Lane)接口 + 2个MIPI CSI DPHY(2Lane)接口；
瑞芯微rv1126 rtsp+mpp+rga取流
ZuoSeDiao的博客
07-08 5786
瑞芯微rv1109 rtsp+mpp+rga取流
瑞芯微 RK 系列 RK3588 使用 ffmpeg-rockchip 实现 RGA 2D 图形操作硬件加速-代码版
Leon_Chenl的博客
01-13 2989
在上一篇文章中，我介绍了 ffmpeg-rockchip MPP 硬编解码的代码实现方式。在这篇文章，我将介绍 ffmpeg-rockchip RGA 的代码实现方式。RGA 是一个用于图像缩放、旋转、bitBlt、alpha混合等常见的2D图形操作的硬件单元，它的应用场景很广泛，比如可以将 4k 视频缩小到 1080p，再比如可以用于 yolo 模型推理的预处理阶段，提高整个处理链路的效率。本文不仅适用于 RK3588，还适用于 RK 家族系列的芯片，具体的细节可查看官方 RGA 文档。下面分别介绍。
RK3588 MPP,RGA,DRM,QT之RGA
dreamliweiming的博客
06-02 3487
RK3588多路视频采用RGA来进行混合成一帧
【亲测免费】 探索 librga：一款高效图形加速库的深度解析
gitblog_00072的博客
03-30 832
探索 librga：一款高效图形加速库的深度解析 项目简介 是一个由 Airockchip 开发的开源图形处理库，专注于提供高性能的 GPU 加速功能。它的设计目标是为了优化和简化嵌入式系统、物联网设备以及移动平台上的图形处理任务，让开发者能够更轻松地利用硬件资源，提升应用性能。 技术分析 librga 基于 Rust 编程语言实现，Rust 的强类型特性和内存安全性确保了代码的质量和稳定性。库的...
瑞芯微RV1126 Camera调试记录
weixin_46985286的博客
09-18 1万+
rv1126 camera处理流程
解决firefly rk3399使用ffmpeg硬解码rga报错的问题
jiexijihe945的博客
08-18 819
注意：这篇文章只对firefly rk3399有效，可能对rk3568和rk3588有效!如果你不是Ubuntu-20.04你最好刷成Ubuntu-20.04，理论上对Ubuntu-18.04也是适用的，只不过我需要使用Ubuntu-20.04，所以就在Ubuntu-20.04上测试了。
瑞芯微RGA kernel层报错集锦
小灰灰的博客
07-22 1142
该问题为分配器DRM本身的问题，DRM本身认为当用户态获取到物理地址后，正常来讲内核态是不需要虚拟地址的了，所以在分配buffer时就会将对应的kmap释放，仅释放kmap也不会影响到用户态中映射虚拟地址和使用，但是当这块buffer用户态的虚拟地址传入RGA驱动，驱动进行物理地址页表的转换查询时，由于该buffer的kmap已经被释放，或是无法查询到对应的页表项，或是直接访问到错误的地址导致内核crash。
android12 rknn
03-14
<think>好的，我现在要处理用户关于Android 12中RKNN开发配置和使用教程的问题。首先，我需要回顾用户提供的引用内容，看看是否有相关的信息。 用户提供了三个引用。引用1提到了RKNN Model Zoo和RKNN Toolkit2的环境配置，包括安装Miniconda3。引用2是关于系统镜像下载，特别是Ubuntu 22.04版本和导出ONNX模型。引用3讨论了RV1808/1126使用RKNN作为MediaPipe推理后端的步骤，包括配置参数如use_rga、use_mmap和data_type的设置，以及反量化的处理。 用户的问题集中在Android 12上，所以需要将引用中的信息与Android系统关联起来。引用3提到了MediaPipe和RKNN的集成，这可能适用于Android开发，但需要确认是否支持Android 12。此外，RKNN Toolkit2的环境配置可能在不同平台上有所不同，用户可能需要针对Android进行调整。 接下来，我需要考虑Android开发中RKNN的一般步骤，比如环境准备、模型转换、集成到Android应用、配置参数和性能优化。结合引用中的信息，模型转换部分可以参考引用2提到的导出ONNX模型，然后使用RKNN Toolkit转换为RKNN格式。引用3中的配置参数（如use_rga、use_mmap、data_type）可能在Android中同样适用，但需要查阅相关文档确认。 可能还需要指导用户如何将RKNN库集成到Android项目中，比如添加依赖项或NDK配置。此外，性能优化方面，引用3提到的反量化处理可能需要特别注意，尤其是在Android设备上的实现。 最后，确保回答结构清晰，分步骤说明，并引用提供的资料。需要验证引用中的信息是否适用于Android 12，例如系统镜像是否支持，或者是否有特定版本的要求。如果某些步骤在引用中没有明确说明，可能需要提示用户参考官方文档或社区资源。</think>### Android 12 RKNN 开发配置与使用教程 #### 1. **环境准备** - **系统镜像与工具链**： 根据引用[2]，建议使用Ubuntu 22.04作为开发环境，并下载Orange Pi 5 Pro等支持RKNN的硬件镜像。对于Android 12开发，需确保RKNN Toolkit2适配Android NDK版本（推荐NDK 21+）[^2]。 - **安装RKNN Toolkit2**： 参考引用[1]，通过Miniconda3配置Python环境（建议Python 3.8），并安装RKNN Toolkit2以支持模型转换与推理。命令示例： ```bash pip install rknn_toolkit2 ``` #### 2. **模型转换（ONNX转RKNN）** - **导出ONNX模型**： 使用PyTorch或TensorFlow等框架导出模型为ONNX格式（引用[2]）。 - **转换为RKNN格式**： 编写RKNN配置文件（`config.yml`），指定输入尺寸、量化方式等参数。示例代码： ```python from rknn.api import RKNN rknn = RKNN() rknn.config(target_platform='rk3568', mean_values=[[127.5]], std_values=[[127.5]]) rknn.load_onnx(model="model.onnx") rknn.build(do_quantization=True, dataset="dataset.txt") rknn.export_rknn("model.rknn") ``` #### 3. **Android项目集成** - **添加RKNN库依赖**： 将编译好的RKNN动态库（`librknnrt.so`）和模型文件（`model.rknn`）放入Android项目的`jniLibs`目录。 - **JNI接口开发**： 通过JNI调用RKNN的C/C++ API实现推理。关键配置参考引用[3]： ```cpp #include <rknn/rknn_runtime.h> rknn_context ctx; int ret = rknn_init(&ctx, model_path, 0, 0, nullptr); ret = rknn_inputs_set(ctx, input_num, input_attrs); ret = rknn_run(ctx, nullptr); ret = rknn_outputs_get(ctx, output_num, output_attrs, nullptr); ``` #### 4. **关键配置参数** - **use_rga与use_mmap**： 根据引用[3]，若Android设备不支持硬件加速（如RGA），需将`use_rga`和`use_mmap`设为`false`。 - **数据量化类型**： `data_type`可选`uint8`或`fp32`。若选`uint8`，需手动实现反量化；若选`fp32`，RKNN会自动处理[^3]。 #### 5. **性能优化** - **多线程推理**： 利用Android的`ThreadPoolExecutor`并行处理输入数据。 - **内存优化**： 启用`use_mmap`（若支持）减少内存拷贝开销，或通过零拷贝技术直接操作物理内存。 #### 6. **调试与验证** - **日志输出**： 启用RKNN的调试模式（`RKNN_LOG_LEVEL=DEBUG`）查看详细运行信息。 - **性能分析**： 使用`rknn.query(RKNN_QUERY_PERF_DETAIL)`获取各层耗时，针对性优化模型结构。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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