ubuntu 20.04 + Anaconda + cuda-11.8 + opencv-4.8.0(cuda)

opencv之利用gpu进行编程 opencv下存在gpu可以使用的函数接口,一般以cv::cuda:xxxx cv::cudacodec::等开头。cuda是nvidia公司提供的并行计算框架,也就是说opencv提供的cuda接口仅支持nvidia公司的显卡(个人理解)。至于其它gpu如何使用本篇不涉及。那我们有了nivida显卡,安装好了opencv库,是否就可以直接利用opencv提供的gpu函数进行操作了呢? 阅读详情

环境:一键编译opencv-4.8.0(cuda),前提是已经安装好了cuda和cudnn

Anaconda安装

参考:

https://blog.youkuaiyun.com/weixin_46947765/article/details/130980957

opencv4.8.0编译安装


一键编译shell脚本

VERSION=4.8.0

test -e ${VERSION}.zip || wget https://github.com/opencv/opencv/archive/refs/tags/${VERSION}.zip
test -e opencv-${VERSION} || unzip ${VERSION}.zip

test -e opencv_extra_${VERSION}.zip || wget -O opencv_extra_${VERSION}.zip https://github.com/opencv/opencv_contrib/archive/refs/tags/${VERSION}.zip
test -e opencv_contrib-${VERSION} || unzip opencv_extra_${VERSION}.zip


cd opencv-${VERSION}
mkdir build
cd build

cmake -D CMAKE_BUILD_TYPE=RELEASE \
-D CMAKE_INSTALL_PREFIX=/usr/local/opencv-4.8.0 \
-D WITH_TBB=ON \
-D ENABLE_FAST_MATH=1 \
-D CUDA_FAST_MATH=1 \
-D WITH_CUBLAS=1 \
-D WITH_CUDA=ON \
-D BUILD_opencv_cudacodec=ON \
-D WITH_CUDNN=ON \
-D OPENCV_DNN_CUDA=ON \
-D WITH_QT=OFF \
-D WITH_OPENGL=ON \
-D BUILD_opencv_apps=OFF \
-D BUILD_opencv_python2=OFF \
-D OPENCV_GENERATE_PKGCONFIG=ON \
-D OPENCV_PC_FILE_NAME=opencv.pc \
-D OPENCV_ENABLE_NONFREE=ON \
-D OPENCV_EXTRA_MODULES_PATH=../../opencv_contrib-${VERSION}/modules \
-D INSTALL_PYTHON_EXAMPLES=OFF \
-D INSTALL_C_EXAMPLES=OFF \
-D BUILD_EXAMPLES=OFF \
-D CUDA_ARCH_BIN=7.5 \
-D WITH_FFMPEG=ON \
-D CUDNN_INCLUDE_DIR=/usr/local/cuda/include \
-D CUDNN_LIBRARY=/usr/local/cuda/lib64/libcudnn.so \
..

make -j8
sudo make -j8 install

环境设置:

打开主目录下的 .bashrc文件添加如下路径,例如我的.bashrc文件在/home/lu/下。
 
export PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/opencv-4.8.0/lib/pkgconfig
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/opencv-4.8.0/lib 
 
终端运行:source ~/.bashrc

如果报错:

# 报错:
terminate called after throwing an instance of 'cv::Exception'
  what():  OpenCV(4.8.0) /media/lu/workspace/WorkSpace/visual_studio/YOLOv8-TensorRT-CPP/libs/tensorrt-cpp-api/scripts/opencv_contrib-4.8.0/modules/cudev/include/opencv2/cudev/grid/detail/transform.hpp:264: error: (-217:Gpu API call) no kernel image is available for execution on the device in function 'call'
已放弃 (核心已转储)

# 或者

error: (-216:No CUDA support) OpenCV was not built to work with the selected device. Please check CUDA_ARCH_PTX or CUDA_ARCH_BIN in your build configuration. in function 'initCUDABackend'

可能是编译opencv的时候指定的算力和显卡算力不一致导致的,可参考:

Please check CUDA_ARCH_PTX or CUDA_ARCH_BIN in your build configuration错误解决-优快云博客


 

查看算力可参考下面文章:

Pytorch查看torch版本,查看torchvision版本,查看CUDA版本,查看cudnn版本,查看pytorch可用性,查看cuda可用性,查看cudnn可用性,查看显卡,指定运算GPU_C系语言的博客-优快云博客
 

如果cmake生成配置文件时下载第三方库失败,具体日志参考build目录下CMakeDownloadLog.txt文件,可以先手动下载再编译,可以使用build目录下的download_with_wget.sh进行下载,如果报错解析主机失败连接不上,可以替换下载连接,将下载脚本中的raw.githubusercontent.com全部替换为aw.gitmirror.com,再次下载。

lu@host:/home/lu/project/opencv-4.8.0/build$ cat download_with_wget.sh
mkdir -p $(dirname /home/lu/project/opencv-4.8.0/.cache/ippicv/43219bdc7e3805adcbe3a1e2f1f3ef3b-ippicv_2021.8_lnx_intel64_20230330_general.tgz) && wget -O "/home/lu/project/opencv-4.8.0/.cache/ippicv/43219bdc7e3805adcbe3a1e2f1f3ef3b-ippicv_2021.8_lnx_intel64_20230330_general.tgz" "https://raw.gitmirror.com/opencv/opencv_3rdparty/1224f78da6684df04397ac0f40c961ed37f79ccb/ippicv/ippicv_2021.8_lnx_intel64_20230330_general.tgz"
mkdir -p $(dirname /home/lu/project/opencv-4.8.0/.cache/wechat_qrcode/238e2b2d6f3c18d6c3a30de0c31e23cf-detect.caffemodel) && wget -O "/home/lu/project/opencv-4.8.0/.cache/wechat_qrcode/238e2b2d6f3c18d6c3a30de0c31e23cf-detect.caffemodel" "https://raw.gitmirror.com/WeChatCV/opencv_3rdparty/a8b69ccc738421293254aec5ddb38bd523503252/detect.caffemodel"
mkdir -p $(dirname /home/lu/project/opencv-4.8.0/.cache/wechat_qrcode/6fb4976b32695f9f5c6305c19f12537d-detect.prototxt) && wget -O "/home/lu/project/opencv-4.8.0/.cache/wechat_qrcode/6fb4976b32695f9f5c6305c19f12537d-detect.prototxt" "https://raw.gitmirror.com/WeChatCV/opencv_3rdparty/a8b69ccc738421293254aec5ddb38bd523503252/detect.prototxt"
mkdir -p $(dirname /home/lu/project/opencv-4.8.0/.cache/wechat_qrcode/cbfcd60361a73beb8c583eea7e8e6664-sr.caffemodel) && wget -O "/home/lu/project/opencv-4.8.0/.cache/wechat_qrcode/cbfcd60361a73beb8c583eea7e8e6664-sr.caffemodel" "https://raw.gitmirror.com/WeChatCV/opencv_3rdparty/a8b69ccc738421293254aec5ddb38bd523503252/sr.caffemodel"
mkdir -p $(dirname /home/lu/project/opencv-4.8.0/.cache/wechat_qrcode/69db99927a70df953b471daaba03fbef-sr.prototxt) && wget -O "/home/lu/project/opencv-4.8.0/.cache/wechat_qrcode/69db99927a70df953b471daaba03fbef-sr.prototxt" "https://raw.gitmirror.com/WeChatCV/opencv_3rdparty/a8b69ccc738421293254aec5ddb38bd523503252/sr.prototxt"
mkdir -p $(dirname /home/lu/project/opencv-4.8.0/.cache/xfeatures2d/boostdesc/0ea90e7a8f3f7876d450e4149c97c74f-boostdesc_bgm.i) && wget -O "/home/lu/project/opencv-4.8.0/.cache/xfeatures2d/boostdesc/0ea90e7a8f3f7876d450e4149c97c74f-boostdesc_bgm.i" "https://raw.gitmirror.com/opencv/opencv_3rdparty/34e4206aef44d50e6bbcd0ab06354b52e7466d26/boostdesc_bgm.i"
mkdir -p $(dirname /home/lu/project/opencv-4.8.0/.cache/xfeatures2d/boostdesc/232c966b13651bd0e46a1497b0852191-boostdesc_bgm_bi.i) && wget -O "/home/lu/project/opencv-4.8.0/.cache/xfeatures2d/boostdesc/232c966b13651bd0e46a1497b0852191-boostdesc_bgm_bi.i" "https://raw.gitmirror.com/opencv/opencv_3rdparty/34e4206aef44d50e6bbcd0ab06354b52e7466d26/boostdesc_bgm_bi.i"
mkdir -p $(dirname /home/lu/project/opencv-4.8.0/.cache/xfeatures2d/boostdesc/324426a24fa56ad9c5b8e3e0b3e5303e-boostdesc_bgm_hd.i) && wget -O "/home/lu/project/opencv-4.8.0/.cache/xfeatures2d/boostdesc/324426a24fa56ad9c5b8e3e0b3e5303e-boostdesc_bgm_hd.i" "https://raw.gitmirror.com/opencv/opencv_3rdparty/34e4206aef44d50e6bbcd0ab06354b52e7466d26/boostdesc_bgm_hd.i"
mkdir -p $(dirname /home/lu/project/opencv-4.8.0/.cache/xfeatures2d/boostdesc/202e1b3e9fec871b04da31f7f016679f-boostdesc_binboost_064.i) && wget -O "/home/lu/project/opencv-4.8.0/.cache/xfeatures2d/boostdesc/202e1b3e9fec871b04da31f7f016679f-boostdesc_binboost_064.i" "https://raw.gitmirror.com/opencv/opencv_3rdparty/34e4206aef44d50e6bbcd0ab06354b52e7466d26/boostdesc_binboost_064.i"
mkdir -p $(dirname /home/lu/project/opencv-4.8.0/.cache/xfeatures2d/boostdesc/98ea99d399965c03d555cef3ea502a0b-boostdesc_binboost_128.i) && wget -O "/home/lu/project/opencv-4.8.0/.cache/xfeatures2d/boostdesc/98ea99d399965c03d555cef3ea502a0b-boostdesc_binboost_128.i" "https://raw.gitmirror.com/opencv/opencv_3rdparty/34e4206aef44d50e6bbcd0ab06354b52e7466d26/boostdesc_binboost_128.i"
mkdir -p $(dirname /home/lu/project/opencv-4.8.0/.cache/xfeatures2d/boostdesc/e6dcfa9f647779eb1ce446a8d759b6ea-boostdesc_binboost_256.i) && wget -O "/home/lu/project/opencv-4.8.0/.cache/xfeatures2d/boostdesc/e6dcfa9f647779eb1ce446a8d759b6ea-boostdesc_binboost_256.i" "https://raw.gitmirror.com/opencv/opencv_3rdparty/34e4206aef44d50e6bbcd0ab06354b52e7466d26/boostdesc_binboost_256.i"
mkdir -p $(dirname /home/lu/project/opencv-4.8.0/.cache/xfeatures2d/boostdesc/0ae0675534aa318d9668f2a179c2a052-boostdesc_lbgm.i) && wget -O "/home/lu/project/opencv-4.8.0/.cache/xfeatures2d/boostdesc/0ae0675534aa318d9668f2a179c2a052-boostdesc_lbgm.i" "https://raw.gitmirror.com/opencv/opencv_3rdparty/34e4206aef44d50e6bbcd0ab06354b52e7466d26/boostdesc_lbgm.i"
mkdir -p $(dirname /home/lu/project/opencv-4.8.0/.cache/xfeatures2d/vgg/e8d0dcd54d1bcfdc29203d011a797179-vgg_generated_48.i) && wget -O "/home/lu/project/opencv-4.8.0/.cache/xfeatures2d/vgg/e8d0dcd54d1bcfdc29203d011a797179-vgg_generated_48.i" "https://raw.gitmirror.com/opencv/opencv_3rdparty/fccf7cd6a4b12079f73bbfb21745f9babcd4eb1d/vgg_generated_48.i"
mkdir -p $(dirname /home/lu/project/opencv-4.8.0/.cache/xfeatures2d/vgg/7126a5d9a8884ebca5aea5d63d677225-vgg_generated_64.i) && wget -O "/home/lu/project/opencv-4.8.0/.cache/xfeatures2d/vgg/7126a5d9a8884ebca5aea5d63d677225-vgg_generated_64.i" "https://raw.gitmirror.com/opencv/opencv_3rdparty/fccf7cd6a4b12079f73bbfb21745f9babcd4eb1d/vgg_generated_64.i"
mkdir -p $(dirname /home/lu/project/opencv-4.8.0/.cache/xfeatures2d/vgg/7cd47228edec52b6d82f46511af325c5-vgg_generated_80.i) && wget -O "/home/lu/project/opencv-4.8.0/.cache/xfeatures2d/vgg/7cd47228edec52b6d82f46511af325c5-vgg_generated_80.i" "https://raw.gitmirror.com/opencv/opencv_3rdparty/fccf7cd6a4b12079f73bbfb21745f9babcd4eb1d/vgg_generated_80.i"
mkdir -p $(dirname /home/lu/project/opencv-4.8.0/.cache/xfeatures2d/vgg/151805e03568c9f490a5e3a872777b75-vgg_generated_120.i) && wget -O "/home/lu/project/opencv-4.8.0/.cache/xfeatures2d/vgg/151805e03568c9f490a5e3a872777b75-vgg_generated_120.i" "https://raw.gitmirror.com/opencv/opencv_3rdparty/fccf7cd6a4b12079f73bbfb21745f9babcd4eb1d/vgg_generated_120.i"
mkdir -p $(dirname /home/lu/project/opencv-4.8.0/.cache/data/7505c44ca4eb54b4ab1e4777cb96ac05-face_landmark_model.dat) && wget -O "/home/lu/project/opencv-4.8.0/.cache/data/7505c44ca4eb54b4ab1e4777cb96ac05-face_landmark_model.dat" "https://raw.gitmirror.com/opencv/opencv_3rdparty/8afa57abc8229d611c4937165d20e2a2d9fc5a12/face_landmark_model.dat"
lu@host:/home/lu/project/opencv-4.8.0/build$ 

如果还是不行可以考虑修改hosts文件

解决办法

进入 IPAddress.com
输入 raw.githubusercontent.com 查询真实的IP地址
现在查到的是 185.199.108.133

在最后一行添加以下内容,保存完事

$ cat /etc/hosts
127.0.0.1	localhost
127.0.1.1	host

# The following lines are desirable for IPv6 capable hosts
::1     ip6-localhost ip6-loopback
fe00::0 ip6-localnet
ff00::0 ip6-mcastprefix
ff02::1 ip6-allnodes
ff02::2 ip6-allrouters
# new add line
185.199.108.133 raw.githubusercontent.com

Linux下fastai课程环境搭建:CUDA 11.8+conda+Ubuntu 22.04全链路指南 深度学习环境配置是AI工程实践的基石,其本质是CUDA工具链、GPU驱动、Python包管理与操作系统内核的协同适配。理解CUDA版本兼容性、conda依赖求解原理及Linux动态链接机制(如libcudnn.so符号链接),是解决PyTorch GPU不可用、import失败、kernel死亡等高频问题的关键。技术价值在于建立可复现、可诊断、可迁移的开发环境——避免因nvcc与nvidia-smi版本错位或LD_LIBRARY_PATH配置缺失导致的隐性故障。典型应用场景包括fast.ai课程运行、Jup 阅读详情

相关推荐

ubuntu20.04基于YOLOV5图像分类环境配置读这篇就够了

Ubuntu20.04安装Nvidia显卡驱动+CUDA11.1+cuDNN8.0.5 Ubuntu20.04下安装Clionubuntu20.04安装Anaconda并默认激活conda base环境 Ubuntu20.04安装Pycharm tensorRT 解压tensorRT 源码 和yolov5-7.0源码 使用Anaconda创建python环境 进入/切换虚拟环境activate 虚拟环境名称 在新建虚拟环境yolov5批量在线安装yolov5-7.0文件夹内requirements.tx

weixin_43293776的博客 1408

【亲测】Ubuntu20.4编译OPENCV4.8 DNN

OPENCV 4.8编译

weixin_40950590的博客 1200

配置MaskRCNN环境超详细教程(win10/ubuntu 16.04+tensorflow1.5.0 GPU版)

本文从参考了诸多Tensorflow GPU和MaskRCNN配置的博客与教程,最终在多台不同的电脑上实现了配置。本文目的在于用预训练权重来完成MaskRCNN的demo的环境搭建。 一.工具1. win10平台 安装步骤本文不涉及2. ubuntu16.04平台 安装步骤本文不涉及(1.2可二选一)3.python 3.6官网:https://www.python.org 在download中可...

chenmoran0928的博客 3万+

ubuntu20.04下的opencv4.8.0安装教程(其他版本通用)

*******************如果在conda环境内,首先退出conda环境********************

weixin_45041054的博客 1791

openCV的CUDA GPU 版本安装 (Ubuntu windows 通用)

例子:/media/xxx/cozynest/anaconda3/envs/detection/lib/python3.9/site-packages/cv2/python-3.10。这里有可能会出现configure的文件找不到的错误,可以直接copy paste Python 版本的文件,根据缺失文件的名字添加。这样放的原因是我Ubuntu的Home容量不够多,导致我需要把这些东西放在另一个盘上,其次是这样安装比较干净。以下是Python3相关会填入的内容。2:下载后的两个包裹会放在以下结构。

EmoC的博客 1876

在 Ubuntu 20.04 上安装 OpenCV

在 Ubuntu 20.04 上安装 OpenCV

qq_58060770的博客 1万+

Ubuntu20.04环境配置(自用)

1. 打开设置 —— 控制面板2. 程序 —— 程序和功能中的【启用或关闭Windows功能】3. 勾选【适用于Linux的Windows子系统】和【虚拟机平台】4. 重启电脑。

qq_56288100的博客 5371

YOLOv5—RTX3080 conda环境配置cuda11.1、cudnn8.0.5、pytorch1.8.0、tensorrt7.2.2.3、opencv4.4.0、deepstream5.1.0

YOLOv5—RTX 3080 conda环境配置pytorch 1.X86版本的Anaconda的安装 1.1 安装anaconda (1)下载页面链接:https://www.anaconda.com/products/individual 根据系统信息选择相应的安装包,如下图所示: (2)安装步骤 1)cd 文件下载目录 2)执行命令:bash Anaconda3-2020.11-Linux-x86_64.sh 安装过程中: <1> 阅读注册信息,回车继续 <2> 同意注册

weixin_50008473的博客 5397

Ubuntu18.04(ubuntu20.04、22.04均适用)安装Anaconda、cuda、cudnn、pytorch 、pycharm(附:保姆级图文流程)

安装Anaconda,cuda,cudnn,pytorch,pycharm深度学习环境

qq_54556560的博客 1万+

文献阅读笔记:量子微波测量技术综述

量子微波测量技术研究进展:量子微波测量技术利用里德堡原子与微波电场的相干相互作用,突破了传统测量方法的物理限制。该技术基于电磁诱导透明效应和里德堡原子能级跃迁原理,通过激光激发原子并监测光谱变化来测量微波电场强度。相比传统方法,量子微波测量具有超高灵敏度(理论极限可达nV/cm)、宽动态范围(超过100dB)、小型化等显著优势,且测量结果可直接溯源至普朗克常数。典型实验系统包括光源、原子气室和探测器,采用光谱法、干涉法等多种测量方法。近年来,该技术在基础研究和应用方面取得重要进展,展现出在通信、雷达、计量等

Grow into a more wonderful you 988

ANSYS FLUENT 超临界流体物性分段线性插值数据批量导入

使用fluent自带数据库进行超临界流体仿真时,时不时会出现计算错误,考虑是数据库不稳定引起,而使用自定义的分段线性插值物性则不会出现上述情况。 超临界流体在拟临界点附近物性变化剧烈,需要使用较多的数据点才能更准确的表述物性,如果是在对话框中修改,一次只能输入一个点,人工输入极其费时费力且容易失误。 数据批量导入方法为: 1.以CO2为例,使用REFREPRO等物性查询软件或数据资料,获得所需物性数据表。 2.在FLUENT材料Materia...

wind_rider的博客 1万+

ubuntu下的tensorflow安装:cuda8.0+cudnn5.0+opencv2.4.11+anaconda+tensorflow

1:安装Ubuntu最好选择LTS版本,理由在这:http://www.linuxidc.com/Linux/2011-08/40021.htm至于系统大家进官网自行下载:https://www.ubuntu.com/download/desktopubuntu的安装步骤这里不再赘述,网上有很多安装教程。系统安装完成后我遇到这样的问题:输入超出范围的问题,请调节至:1600×900解决办法:关机拔...

Suodislie的博客 1万+

2026年4月AI爆发周:阿里连推三款模型、字节全双工语音上线,国内大模型进入“落地竞速“新阶段

**摘要:**2026年4月初,国内AI大模型迎来密集发布,阿里、字节、腾讯分别推出新产品。阿里一周发布三款模型,覆盖通用推理、多模态轻量化和长文档处理,API价格大幅下降;字节推出全双工语音模型,实现实时交互,技术难度高;腾讯混元3.0强调工程化和生态整合,面向企业私有化部署。趋势显示,行业从性能竞赛转向落地竞赛,多模态成为主战场,API成本降低,开发者选择更丰富。国内大模型竞争重点转向实际应用和生态整合。

weixin_45526015的博客 1万+

七、ubuntu20.04下opencv编译(GPU)+python+conda+ffmpeg

七、ubuntu20.04下opencv编译(GPU)+python+conda+ffmpeg

qq_40996164的博客 2788

别再只用跳层连接了!手把手教你用DASI和MDCR模块提升红外小目标检测精度

本文详细介绍了如何利用DASI和MDCR模块提升红外小目标检测精度。通过分析传统跳层连接的缺陷,提出维度感知的特征选择性融合(DASI)和多尺度感受野精炼器(MDCR)的创新方案,显著提升小目标检测性能。实验证明,该方法在多个场景下AP@0.5提升达15.4%,特别适用于安防监控和遥感图像分析。

weixin_28715081的博客 224

Win10下Delphi 10.4.2 (RAD Studio 10.4.2 )安装教程图解

Win10下Delphi 10.4.2 (RAD Studio 10.4.2 )安装和破解教程图解

1万+

ubuntu20.04下部署、使用深度相机运行YoloV8

ubuntu20.04下部署使用yoloV8训练自己的数据集,进行使用电脑摄像头、深度相机进行目标识别

yezhi_gb的博客 1253

Part03 数据结构

本文介绍了CSP-S初赛中常见的高级数据结构及其实现,包括: 线性结构:双端栈、双端队列、单调队列、优先队列和ST表,重点分析了它们的特点、时间复杂度及典型应用场景。 集合与森林:并查集(带路径压缩和按秩合并)和树的孩子兄弟表示法,展示了多叉树转化为二叉树存储的方法。 特殊树结构:包括二叉堆、树状数组、线段树和字典树,详细说明了它们的构建、查询和更新操作,特别强调了线段树的递归实现和字典树的前缀匹配特性。 每种数据结构都配有核心C++代码实现,涉及数组模拟、动态规划和树形结构等编程技巧,适合算法竞赛选手快速

weixin_43863957的博客 1179

Ubuntu/Debian小白从零开始配置深度学习环境和各种软件库(显卡驱动、CUDA、CUDNN、Pytorch、OpenCv、PCL、Cmake ...)【持续维护】

Linux下使用sudo命令时出现 debian中 xxx is not in the sudoers file.This incident will be reported.表明你的用户没有使用sudo的权限;直接 编辑 Sudoers 文件以 添加用户。 切换到root权限里面 编辑sudoers文件 滚动到最后一行 ,添加 用户名 ALL=(ALL:ALL) ALL 按下Ctrl+O保存文件,并按Enter键确定保存,按Ctrl+X退出,reboot重启后,就可以sudo命令了。为什么换源,软件源是

qq_61812715的博客 2216

STM32F103(二十三)通用同步异步收发器(USART)

学习板:STM32F103ZET6 往期博客: STM32F103五分钟入门系列(一)跑马灯(库函数+寄存器)+加编程模板+GPIO总结 STM32F103五分钟入门系列(二)GPIO的七大寄存器+GPIOx_LCKR作用和配置 STM32F103五分钟入门系列(三)GPIO的常用库函数使用方法总结+一个网络上的误区 STM32F103五分钟入门系列(四)蜂鸣器实验(库函数+寄存器) STM32F103五分钟入门系列(五)按键实验(库函数+寄存器) STM32F103五分钟入门系列(六)时钟框图+相关寄存器

Curnane0_0的博客 1019

实战!C#整合YOLO+Halcon做玻璃瓶口缺陷检测:裂纹识别+尺寸测量一步到位(附DLL交互代码)

AI擅长语义识别(裂纹、缺陷),传统机器视觉擅长精密测量(尺寸、位置),C#做整合层,才能满足工业生产的“精度+效率+稳定性”要求。这套方案不只是玻璃瓶检测能用,改改模型和测量逻辑,还能用到瓶盖缺陷检测、饮料瓶液位检测等场景。如果你们厂也有类似的质检痛点,评论区留个言,我帮你看看怎么调整算法参数。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 868

Ubuntu18.04 + Caffe + python3.7 + CUDA11 + cuDNN8编译记录

Ubuntu18.04 + Caffe + python3.7 + CUDA11 + cuDNN8编译记录背景基础环境安装过程Python3.7安装caffe官方代码下载及配置文件修改caffe与python3.7/cuDNN8适配cudnn_conv_layer.cpp和cudnn_deconv_layer.cppcuDNN版本指定libboost_python.so链接版本修改开始编译caffe调用caffe 背景 这两天接手了一个在两年前基于caffe实现的交互式活体检测的项目,想要让他在python

weixin_39161727的博客 3925

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

Ubuntu20.04LTS从零开始配置运行SlowFast

Ubuntu20.04LTS从零开始配置SlowFast环境 注意:除个别包外尽量使用anaconda安装,方便以后备份和恢复环境 1. 安装Anaconda并换源(按需) conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/ conda config --ad

souyan1991的博客 3834

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

ubuntu20 caffe opencv4 conda python3.7.10

如果你只想要pycaffe,那可以conda+python3.7.10,然后conda install caffe-gpu。

思维缜密的博客 574

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

Ubuntu20.04服务器+Anaconda上创建Python3.6虚拟环境并安装Pytorch1.0.1+opencv+numpy+pillow

Ubuntu20.04服务器上已安装Anaconda,创建Python3.6虚拟环境、安装Pytorch1.0.1并安装opencv、numpy、pillow

VGuan07的博客 6421

Ubuntu 16.04下Anaconda环境源码编译OpenCV完整指南

在计算机视觉和机器学习开发中,环境配置是项目成功的基础环节。通过源码编译的方式安装核心库,能够深入理解软件依赖关系与构建原理,从而实现对库功能的深度定制和性能优化。这种方法不仅解决了预编译二进制包常见的功能缺失问题,还能针对特定硬件架构进行指令集优化,显著提升计算效率。对于需要在Ubuntu系统上进行严肃计算机视觉开发的工程师而言,掌握从源码编译OpenCV的技术,意味着能够灵活配置CUDA加速支持、完整HighGUI模块等关键功能,确保开发环境与项目需求精确匹配。本文以Anaconda环境管理为切入点,详

aodiyi6351的博客 359
上一篇: ubuntu 20.04 + cuda-11.8 + cudnn-8.6+TensorRT-8.6
下一篇: QT实现的一个MVP设计模式demo
我是谁??
博客等级 码龄11年 242粉丝 183原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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