Android NDK编译libyuv:从环境配置到多平台适配实战

手把手教你用libjpeg-turbo和libyuv,在Android Framework层实现JPG图片替换相机预览 本文详细介绍了如何在Android Framework层使用libjpeg-turbo和libyuv实现JPG图片替换相机预览的技术方案。通过修改源码、集成高性能图像处理库,开发者可以构建虚拟摄像头功能,适用于图像处理研究和定制化相机应用。文章包含环境配置、JPEG解码、格式转换及预览数据替换的完整实现步骤。 阅读详情

1. 环境准备与源码获取

libyuv是Google开源的高性能图像处理库,专门用于YUV格式的转换、旋转和缩放操作。在Android开发中,通过NDK编译libyuv可以充分发挥其NEON指令集优化的优势,相比软件实现有数倍的性能提升。我自己在视频处理项目中就深有体会,使用libyuv后帧率转换效率提升了近3倍。

首先需要获取libyuv的源代码。推荐使用官方GitHub仓库,这样可以确保获取到最新的代码和修复:

git clone https://github.com/lemenkov/libyuv.git
cd libyuv

如果你遇到网络访问问题,也可以考虑使用国内的镜像源,比如Gitee上的镜像仓库。下载完成后,建议检查一下代码的完整性,特别是确保source目录下包含了所有必要的.cc源文件。

接下来需要配置NDK环境变量。这是很多开发者容易忽略的一步,但却是后续编译成功的关键。假设你的NDK安装在/Users/username/Android/sdk/ndk/21.4.7075529路径下,可以在终端中执行:

export NDK_HOME=/Users/username/Android/sdk/ndk/21.4.7075529
export PATH=$NDK_HOME:$PATH

为了永久生效,建议将这两行添加到你的bash配置文件(~/.bashrc或~/.zshrc)中,然后执行source ~/.bashrc使其立即生效。验证NDK配置是否成功,可以运行ndk-build --version,如果正确显示版本信息就说明配置成功了。

2. Android.mk关键配置解析

Android.mk是NDK编译的核心配置文件,正确的配置直接决定编译的成败。根据我的实战经验,有几个关键点需要特别注意。

先来看看基础的模块配置。libyuv默认会编译静态库和测试代码,但在实际项目中我们通常只需要动态库:

LOCAL_PATH := $(call my-dir)
include $(CLEAR_VARS)

LOCAL_CPP_EXTENSION := .cc
LOCAL_SRC_FILES := \
    source/compare.cc \
    source/convert.cc \
    # ... 其他源文件

LOCAL_MODULE := libyuv_library
include $(BUILD_SHARED_LIBRARY)

这里有个实用技巧:如果你不需要JPEG相关功能,可以在文件开头添加LIBYUV_DISABLE_JPEG := yes来禁用相关依赖,这样可以减少最终生成的库文件大小。我在实际项目中发现,禁用JPEG后库文件大小减少了约30%。

对于ARM架构的优化配置尤为重要。现代Android设备大多采用ARMv8架构,支持dotprod等新指令集:

common_CFLAGS := -Wall -fexceptions -march=armv8.4-a+dotprod+i8mm
LOCAL_CFLAGS += $(common_CFLAGS)

-march=armv8.4-a+dotprod+i8mm这个参数特别重要,它启用了ARMv8.4-A的dotprod(点积)和i8mm(8位矩阵乘法)指令支持,这些指令可以显著提升图像处理性能。但要注意,这些指令需要较新的NDK版本支持,建议使用NDK r22或更高版本。

头文件路径的配置也很关键:

LOCAL_EXPORT_C_INCLUDES := $(LOCAL_PATH)/include
LOCAL_C_INCLUDES += $(LOCAL_PATH)/include

这样的配置确保了在编译时能够正确找到libyuv的头文件,同时也会将这些头文件路径导出,方便其他模块使用。我曾经就遇到过因为头文件路径配置错误导致的编译失败,调试了很长时间才发现问题所在。

3. Application.mk多平台配置

Application.mk文件决定了编译的目标平台和Android版本,合理的配置可以确保生成的库文件在各种设备上都能正常运行。

ABI(应用二进制接口)的配置是最重要的部分:

APP_ABI := arm64-v8a armeabi-v7a
APP_PLATFORM := android-23

APP_ABI指定了要编译的平台架构。arm64-v8a是针对64位ARM处理器的,而armeabi-v7a是针对32位ARM处理器的。建议同时编译这两个架构,以确保兼容性。如果你只需要支持较新的设备,可以只编译arm64-v8a,这样能减少APK大小。

APP_PLATFORM指定了最低支持的Android版本。android-23对应Android 6.0,这个版本已经能够覆盖绝大多数现有设备。如果需要支持更低的版本,可以设置为android-16(Android 4.1),但要注意某些新特性可能无法使用。

在实际项目中,我建议根据你的目标用户群体来选择合适的配置。如果你的应用主要面向新设备用户,可以只编译arm64-v8a并设置较高的minSdkVersion;如果需要覆盖更广泛的用户群体,就需要包含armeabi-v7a并设置较低的minSdkVersion。

还有一个实用的技巧是使用ABI过滤器来进一步优化:

APP_ABI := arm64-v8a
# 或者使用all来编译所有支持的ABI
# APP_ABI := all

编译所有ABI会生成更大的输出文件,但确保了最好的兼容性。你可以根据实际需求来权衡选择。

4. 编译过程与目录结构

正确的目录结构是编译成功的前提。很多初学者在这一步容易出错,导致各种编译错误。

标准的目录结构应该是这样的:

libyuv/
├── jni/
│   ├── Android.mk
│   ├── Application.mk
│   ├── source/
│   └── include/
└── libs/ (编译后自动生成)

你需要手动创建jni目录,然后将Android.mk、Application.mk、source和include目录都放在jni下面。这个步骤看起来简单,但却是最容易出错的地方。我自己就曾经因为目录结构不正确,遇到了NDK_PROJECT_PATH未定义的错误。

创建好正确的目录结构后,就可以开始编译了。首先进入jni目录,然后执行清理和编译命令:

cd jni
ndk-build clean
ndk-build

ndk-build clean会清理之前的编译输出,确保重新编译。如果你之前没有编译过,这一步可以省略,但建议每次都执行,以避免一些奇怪的缓存问题。

编译过程中,终端会输出详细的编译信息。你可以看到每个源文件的编译进度和状态。正常情况下,编译过程应该很顺利,最后会在上级目录生成libs和obj文件夹。libs目录下包含了编译好的.so动态库文件,按ABI分目录存放。

如果编译过程中出现错误,不要慌张。常见的错误包括文件路径错误、权限问题、环境变量配置不正确等。仔细阅读错误信息,通常都能找到解决问题的线索。我在第一次编译时也遇到了各种问题,但通过仔细分析错误信息都一一解决了。

5. 常见编译错误与解决方案

在编译libyuv的过程中,可能会遇到各种错误。根据我的经验,这些错误大多有固定的解决方案。

ARMv8.2指令集支持错误是比较常见的:

error: instruction requires: dotprod
"udot v4.4s, v0.16b, v6.16b

这个错误是因为代码中使用了ARMv8.2的dotprod指令,但编译器没有启用相应的支持。解决方案是在Android.mk中添加:

LOCAL_CFLAGS += -march=armv8.2-a+dotprod

这个参数告诉编译器启用ARMv8.2-A架构的dotprod指令支持。需要注意的是,这个指令需要较新的CPU支持,如果你的应用需要兼容老设备,可能需要考虑降级方案。

NDK版本兼容性问题也很常见:

error: unrecognized instruction mnemonic, did you mean: sdot, udot?
"usdot v2.4s, v0.16b, v16.16b

这个错误通常是因为NDK版本太旧,不支持最新的指令集。解决方案是升级NDK到r22或更高版本。Android Studio中可以通过SDK Manager来更新NDK:

  1. 打开Android Studio
  2. 选择File > Settings > Appearance & Behavior > System Settings > Android SDK
  3. 选择SDK Tools选项卡
  4. 勾选NDK并安装或更新

动态库链接错误通常出现在编译的最后阶段:

undefined symbol: AYUVToUVRow_SVE2

这个错误是因为代码中引用了未定义的符号。解决方案是在Android.mk中添加宏定义来禁用相关功能:

LOCAL_CFLAGS += -DLIBYUV_DISABLE_SVE

这个宏定义会禁用SVE相关的代码,避免链接错误。虽然这会损失一些性能,但确保了编译的成功。

我在实际项目中还遇到过内存不足导致的编译失败,特别是在编译大型项目时。解决方案是增加Java堆内存大小:

export JAVA_OPTS="-Xmx4096m -Xms1024m"

这个命令将Java堆内存最大值设置为4GB,初始值设置为1GB,可以有效避免内存不足的问题。

6. 多平台适配实战技巧

libyuv的强大之处在于它的多平台支持能力,但这也意味着需要处理更多的兼容性问题。

架构差异处理是关键。不同的CPU架构有不同的特性,需要针对性地优化:

ifeq ($(TARGET_ARCH_ABI),arm64-v8a)
    LOCAL_CFLAGS += -march=armv8.4-a+dotprod+i8mm
else ifeq ($(TARGET_ARCH_ABI),armeabi-v7a)
    LOCAL_CFLAGS += -march=armv7-a -mfpu=neon
endif

这样的条件编译可以针对不同的架构使用不同的优化参数。对于arm64-v8a使用最新的指令集,而对于armeabi-v7a则使用兼容性更好的参数。

性能优化是另一个重要方面。libyuv本身已经做了很多优化,但我们还可以进一步调整:

LOCAL_CFLAGS += -O3 -ffast-math -fno-rtti -fno-exceptions

-O3启用最高级别的优化,-ffast-math加速浮点运算,-fno-rtti和-fno-exceptions禁用RTTI和异常处理,可以减小代码体积并提高性能。但要注意,禁用异常处理可能会影响代码的健壮性,需要权衡考虑。

大小优化对于移动应用也很重要:

LOCAL_CFLAGS += -Os -ffunction-sections -fdata-sections
LOCAL_LDFLAGS += -Wl,--gc-sections

-Os优化代码大小,-ffunction-sections和-fdata-sections将每个函数和数据段分别处理,配合链接器的--gc-sections参数可以移除未使用的代码,显著减小库文件大小。

在实际项目中,我建议根据目标设备的特性来选择合适的优化策略。对于高性能要求的应用,可以侧重性能优化;对于大小敏感的应用,可以侧重大小优化。

7. 集成与使用指南

编译完成后,接下来是如何在Android项目中集成和使用libyuv。

CMake集成是现代Android项目的推荐方式:

# 在CMakeLists.txt中添加以下配置
add_library(libyuv SHARED IMPORTED)
set_target_properties(libyuv PROPERTIES
    IMPORTED_LOCATION ${CMAKE_SOURCE_DIR}/libs/${ANDROID_ABI}/libyuv_library.so
    INTERFACE_INCLUDE_DIRECTORIES ${CMAKE_SOURCE_DIR}/include
)

target_link_libraries(native-lib libyuv)

这样的配置将编译好的libyuv库作为预编译库引入项目。需要注意的是,ANDROID_ABI变量会自动根据当前编译的架构设置,确保链接到正确的库文件。

JNI接口封装是使用libyuv的常见方式:

#include <jni.h>
#include "libyuv.h"

extern "C" JNIEXPORT void JNICALL
Java_com_example_app_ImageProcessor_convertYUV420ToRGBA(
    JNIEnv* env, jobject thiz,
    jbyteArray yuv_data, jint width, jint height,
    jintArray rgba_output
) {
    jbyte* yuv = env->GetByteArrayElements(yuv_data, nullptr);
    jint* rgba = env->GetIntArrayElements(rgba_output, nullptr);
    
    libyuv::I420ToABGR(
        reinterpret_cast<uint8_t*>(yuv), width,
        reinterpret_cast<uint8_t*>(yuv + width * height), width / 2,
        reinterpret_cast<uint8_t*>(yuv + width * height * 5 / 4), width / 2,
        reinterpret_cast<uint8_t*>(rgba), width * 4,
        width, height
    );
    
    env->ReleaseByteArrayElements(yuv_data, yuv, 0);
    env->ReleaseIntArrayElements(rgba_output, rgba, 0);
}

这个例子展示了如何将YUV420格式转换为RGBA格式。需要注意的是内存管理,使用GetByteArrayElements和ReleaseByteArrayElements来正确管理Java数组的内存。

性能监控也很重要。在使用libyuv时,建议添加性能统计代码:

#include <android/log.h>
#include <chrono>

auto start = std::chrono::high_resolution_clock::now();

// 调用libyuv处理函数
libyuv::I420ToABGR(...);

auto end = std::chrono::high_resolution_clock::now();
auto duration = std::chrono::duration_cast<std::chrono::milliseconds>(end - start);
__android_log_print(ANDROID_LOG_DEBUG, "LibYUV", "Processing time: %lld ms", duration.count());

这样的性能监控可以帮助你优化调用时机和参数设置,确保最佳的性能表现。

8. 实战经验与优化建议

在实际项目中使用libyuv时,有一些经验教训和优化建议值得分享。

内存管理是关键。libyuv处理的是图像数据,内存占用很大,需要特别注意:

// 好的做法:复用内存缓冲区
static std::vector<uint8_t> buffer;
if (buffer.size() < required_size) {
    buffer.resize(required_size);
}

// 不好的做法:每次分配新内存
uint8_t* buffer = new uint8_t[required_size];
// ...使用后忘记释放会导致内存泄漏

建议使用对象生命周期管理内存,或者使用智能指针。对于频繁调用的函数,可以考虑使用线程局部存储来复用缓冲区。

线程安全也很重要。libyuv的函数本身是线程安全的,但需要注意数据访问的同步:

// 使用互斥锁保护共享数据
std::mutex g_buffer_mutex;

void processFrame() {
    std::lock_guard<std::mutex> lock(g_buffer_mutex);
    // 调用libyuv处理函数
}

如果处理的是视频流,建议使用生产者-消费者模式,避免线程阻塞。

错误处理需要特别注意。libyuv的函数通常返回0表示成功,负数表示错误:

int result = libyuv::I420ToABGR(...);
if (result != 0) {
    __android_log_print(ANDROID_LOG_ERROR, "LibYUV", "Conversion failed: %d", result);
    // 适当的错误处理
}

建议对重要的libyuv调用都检查返回值,确保处理过程的可靠性。

性能调优是持续的过程。建议使用Android Profiler来监控性能:

  • 使用CPU Profiler分析函数调用热点
  • 使用Memory Profiler检测内存泄漏
  • 使用Energy Profiler优化功耗

根据我的经验,通过合理的参数调优和内存管理,libyuv的性能还可以进一步提升20-30%。特别是在处理高分辨率视频时,这些优化效果更加明显。

最后建议定期更新libyuv版本,新版本通常会包含性能优化和bug修复。但更新时需要注意测试兼容性,确保现有功能不受影响。

Gemma 3n端侧VLM安卓部署实战:多模态推理零拷贝优化 视觉语言模型(VLM)是实现图像理解与自然语言交互的核心技术,其端侧部署需兼顾模型轻量化、硬件适配性与实时响应能力。原理上,VLM通过联合编码图像与文本特征,在嵌入空间完成跨模态对齐;技术价值在于摆脱云端依赖,保障隐私、降低延迟、支持离线场景。典型应用包括智能眼镜OCR问答、工业巡检缺陷识别、老年陪伴设备‘指物问答’等边缘AI终端。本文聚焦Gemma 3n这一原生端侧设计的轻量VLM,在Android平台基于TFLite实现从CameraX图像采集、JNI层libyuv零拷贝预处理,到动态Tensor管理与 阅读详情

相关推荐

Android端侧多模态大模型落地实战:从首帧延迟到KV缓存优化

多模态大模型在移动端的部署,已超越‘能否运行’的基础问题,进入以用户体验为核心的工程攻坚阶段。其核心原理在于跨模态数据对齐、异构计算资源协同与内存带宽敏感型推理链路设计。技术价值体现在突破3GB内存限制、5W热功耗约束及120ms感知延迟阈值,实现真正可用的本地图文理解与生成。典型应用场景包括手机小票识别、离线视觉问答、实时AR辅助等轻量化AI服务。本文聚焦Android NDK层优化、INT4量化硬件加速支持、呼吸式KV缓存与零拷贝跨模态对齐等关键实践,直击端侧多模态落地中最棘手的首帧延迟与内存泄漏问题。

weixin_33906657的博客 374

NDK编译笔记

NDK_Makefile ############################################################### File Name:NDK_Makefile //文件名 File Mark: Description: Makefile文件,通过make命令来启动ndk-build服务 Others: Version: V0.1 Author: ...

qq_38750519的博客 2805

【Android虚拟摄像头】五、从JPG到实时预览:libjpeg-turbo与YUV转换实战

本文详细解析了在Android虚拟摄像头开发中,如何利用libjpeg-turbo高效解码JPG图片并转换为YUV420格式,实现实时预览功能。通过性能对比测试和内存优化技巧,解决了转换过程中的卡顿问题,并提供了双缓冲机制和动态分辨率适配等实用方案,帮助开发者提升虚拟摄像头的实时性和稳定性。

weixin_30369041的博客 365

(NDK编译)详解使用Android.mk编译的C/C++程序过程

想要在Android设备上运行c程序可执行文件,可采用一个方法就是使用NDK编译,很多时候要比gcc编译更适合,这里我采用的是imx6q的开发板上面装载了自己编写的Android6.0.1镜像,在Ubuntu64位系统上采用NDK编译。

danielxinhj的博客 5987

安卓端YOLOv26无训练目标检测实战:从模型部署到特定对象识别

目标检测是计算机视觉的核心任务,其原理是通过深度学习模型在图像中定位并识别出感兴趣的目标。这项技术具有极高的应用价值,广泛赋能于自动驾驶、安防监控、工业质检及移动端智能应用等场景。随着边缘计算和移动AI的发展,如何在资源受限的安卓设备上高效部署目标检测模型,并实现对新对象的快速识别,成为工程实践中的热点。其中,基于预训练模型的“无训练识别”或“零样本学习”方案,通过特征比对或提示学习,无需针对新目标进行模型微调,显著降低了开发门槛和成本,为移动端快速构建定制化视觉应用提供了新路径。本文将以社区前沿的YOLO

weixin_30443747的博客 476

移动端实时人脸替换:轻量化模型与跨平台部署实战

计算机视觉中的人脸识别与图像处理是AI落地的重要领域,其核心在于通过算法让机器理解并处理人脸信息。其原理通常涉及人脸检测、关键点定位、特征提取与图像合成等多个技术环节。这项技术的价值在于将强大的AI能力从云端服务器迁移到资源受限的边缘设备,实现低延迟、高隐私的实时交互。在短视频特效、互动娱乐、虚拟试妆等应用场景中,对实时性和流畅度有极高要求。本文聚焦于移动端实时人脸替换这一具体挑战,深入探讨了如何通过模型量化、轻量化架构(如MobileNet)以及高效的推理引擎(如ncnn、TFLite)在手机等设备上实现

dbp5156的博客 404

认识NDK编译

一. Android ABI 不同的 Android 设备使用不同的 CPU,而不同的 CPU 支持不同的指令集。CPU 与指令集的每种组合都有专属的应用二进制接口 Application Binary Interface ( ABI ),因此使用 NDK 生成在 Android 运行 .a 或 .so (都是二进制文件)就需要指定 ABI 。 目前 NDK 支持的 ABI 如下: ABI 支持的指令集 CPU 架构 应用 armeabi-v7a armeabi 等 ARM 32 位 手机

海盗的帽子的博客 891

NDK 编译的三种方式

该文章首发于微信公众号“字节流动” 通过 Android Studio 默认的方式 创建带有 native 方法的类,build 项目。 生成与类名相关的 .h 文件。 进入 app -&amp;amp;gt; build -&amp;amp;gt; intermediates -&amp;amp;gt; classes -&amp;amp;gt; debug 目录下 执行: javah com.haohao.hellojni.MyJNI (先配...

字节流动 7958

Android NDK编译libyuv:从环境配置到ARMv8.2指令集适配

本文详细介绍了在Android平台上使用NDK编译libyuv库的完整流程,从环境配置、源码获取到ARMv8.2指令集适配。重点解析了Android.mk和Application.mk的关键配置,解决了ARMv8.2指令集兼容性问题,并提供了性能优化建议和实际项目集成方法,帮助开发者高效完成libyuv的编译与部署。

e4f5g6h7的博客 650

libyuv库使用

libyuv是Google开源的实现各种YUV与RGB之间相互转换、旋转、缩放的库。 https://github.com/lemenkov/libyuv 下载,cmakerProject.sln工程,重新编译,即可生成libyuv.lib 静态库; 编译好的库:https://download.youkuaiyun.com/download/shuilan0066/10665172 导入...

目前打算换一个工作,有招聘windows c++方向的也欢迎联系,北京、济南 最好 1万+

从源码编译Paddle-Lite并完成Android ARM部署实战指南

在移动端和嵌入式设备上高效运行深度学习模型,离不开轻量级推理框架的支持。Paddle-Lite作为百度开源的推理框架,专为ARM、Android等资源受限场景设计,其核心价值在于通过算子融合、内存优化和量化技术实现低延迟推理。然而,从源码包构建出可用的预测库并非易事,尤其涉及交叉编译环境和模型转换工具的选择。理解NDK版本匹配、工具链兼容、编译参数配置等底层原理,是成功部署的前提。在实际工程中,开发者还需掌握从模型优化(opt工具)到C++ API调用、线程与功耗调优的完整流程。本文基于真实项目经验,系统梳

weixin_29168813的博客 303

从编译困境到性能飞跃:libyuv与ARMv8.2指令集优化实战

本文深入探讨了在Android平台上使用NDK编译libyuv库时遇到的ARMv8.2指令集兼容性问题,并提供了通过修改Android.mk配置、启用dotprod指令集来实现图像处理性能飞跃的实战解决方案。

pytorchlight8的博客 1070

Unity Android UVC摄像头接入方案:基于libuvc实现USB视频流

在Android设备上接入USB摄像头,开发者常会遇到原生Camera2 API无法枚举外部设备、Unity的WebCamTexture只能识别内置相机的困境。UVC(USB Video Class)作为标准协议,为外接摄像头提供了统一的传输规范,但实现视频流采集仍需处理USB Host权限、端点通信和帧格式解析等底层细节。libuvc作为开源跨平台库,能有效封装UVC协议,配合Android的USB Host API与JNI桥接,可将实时视频帧安全地转换为Unity纹理,为工业检测、医疗内窥、AR/XR等

weixin_33889665的博客 401

ARM架构下WebRTC编译实战:从环境搭建到避坑指南

基于火山引擎豆包大模型,从零搭建一个实时语音通话应用。它不是简单的问答,而是需要你亲手打通 ASR(语音识别)→ LLM(大脑思考)→ TTS(语音合成)的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说,这是个绝佳的练手项目。架构理解:掌握实时语音应用的完整技术链路(ASR→LLM→TTS)技能提升:学会申请、配置与调用火山引擎AI服务定制能力:通过代码修改自定义角色性格与音色,实现“从使用到创造”从0到1构建生产级别应用,脱离Demo,点击打开。

2600_94959960的博客 463

LT9211 单路mipi转双路mipi芯片,方案成熟,提供技术支持

LT9211 单路mipi转双路mipi芯片

TEL15012949045的博客 5028

华为海思IC前端中后端(COT&XPU)岗位笔试机考题

华为海思COT和XPU部门IC前端,IC中端,IC后端岗位笔试真题分享

weixin_37584728的博客 3363

告别手写转换!5分钟用libyuv搞定Android/iOS的NV12到RGBA(附性能对比)

本文详细介绍了如何在移动端使用libyuv高效实现NV12到RGBA的格式转换,包括环境准备、核心实现与性能对比。通过对比libyuv与FFmpeg swscale的性能数据,展示了libyuv在转换速度(3.2ms/帧)和CPU占用(15%)上的显著优势,并提供了OpenGL ES和Vulkan的渲染管线优化实践。

life6的博客 279

STM32 HAL库状态机实现按键多事件检测(无阻塞高效处理)

本文详细介绍基于STM32 HAL库的状态机实现按键多事件检测方法,包括单击、双击等高效无阻塞处理。通过定时器中断和GPIO中断优化,结合状态机设计,显著提升系统响应效率和实时性,适用于嵌入式系统开发。

tech5的博客 1017

RustDesk Android APK 从零编译全步骤

本文档详细介绍了在Ubuntu 24.04服务器上从零开始编译RustDesk Android APK(1.4.8版本)的完整流程。主要内容包括: 环境准备:安装系统依赖(编译器、构建工具、Java等),配置Git代理解决国内访问GitHub慢的问题 工具链安装:Rust工具链(配置USTC镜像)、Cargo工具(ndk/代码生成等)、Android NDK/SDK 源码处理:拉取RustDesk代码、应用补丁、安装Flutter SDK 编译过程:生成桥接代码、安装vcpkg依赖、创建AOM Stub库、

雨季余静的博客 467

从零开始用TS开发babylonjs - 本机环境搭建

babylonjs,初始化本地安装,web3d引擎

han3527638的专栏 798

【规则引擎连载3】 WebSphere ILOG JRules 开发——新建一个规则项目

规则项目依赖于bom,bom来自于一个Java项目,所以在建规则项目之前,需要先建立一个Java项目,也就是建模。 说明:原则上是一个规则项目,一个bom。如果规则项目很多,并且每个规则项目的bom都是一样的,那么可以将bom提取出来,单独作为一个项目,这样减少不必要的重复操作,减少维护成本,降低出错几率。这里逐步讲解两种方法来创建规则项目,推荐第二种。 本文主要建立两种规则项目与bom之间的关系,编写相关的规则内容,如操作规则、规则流、决策表等,在后续文章中详细讲解 。

manman的分享 2331

Android15适配16kb完整版

Android 15适配16KB内存页面完整指南 摘要: 随着Android 15引入16KB内存页面支持,开发者需针对新标准进行应用适配。本文提供完整的适配方案,涵盖Google Play兼容性要求、16KB页面的优势,以及具体实现步骤: 核心变更:从2025年11月起,面向Android 15的应用必须支持16KB页面,以提升内存管理效率和应用性能(启动速度提升最高30%,功耗降低4.56%)。 适配方案: 构建工具要求:AGP 8.5+默认支持16KB对齐 关键库适配: • MMKV降级至1.3.14

u012556114的博客 1115

STM32实现等精度测频

上一章介绍了利用STM32的TIM的捕获功能实现频率测量的方法,但测量误差受被测信号频率的影响,不适合测量频率变化较大的。本章将介绍等精度测频的方法以及STM32的实现。STM3...

zhang062061的专栏 3457

Android 随笔集 By tuliyuan

1.反射机制调用系统服务EthernetManager private void getNetInfo(Context context) { try { // Log.d(TAG, "dddd getNetInfo is " ); Method getServiceMethod = Class.forName("android.os.ServiceManager").getDeclaredMethod("getService", new Cla

qq_18906227的博客 2286

华为OD机试 - 计算数列位置N的值 - 模拟法(Python/JS/C/C++ 新系统 100分)

本专栏收录于《华为OD机试真题(Python/JS/C/C++)》。刷的越多,抽中的概率越大,私信哪吒,备注华为OD,加入华为OD刷题交流群,每一题都有详细的答题思路、详细的代码注释、3个测试用例、为什么这道题采用XX算法、XX算法的适用场景,发现新题目,随时更新。输入 M,N 两个数,则按照以下规则形成一个数列。数列的前 M 个元素的值为 1 到 M从 M+1 个元素开始,计算逻辑为如果其前 M 个元素中,存在值相同的元素,则该位置上的数值等于前 M 个数中最大数值与最小数值之和。如果其前 M 个元素中,

学Java,找哪吒 508

ADRC自抗扰算法优化(PLC梯形图篇)

ADRC自抗扰算法PLC梯形图完整源代码请参看下面博客文章:ADRC自抗扰控制算法(含梯形图完整源代码和算法公式)_adrc算法_RXXW_Dor的博客-优快云博客PLC的自抗扰控制(ADRC)算法_RXXW_Dor的博客-优快云博客_adrc算法1、自抗扰控制算法,网上很多文章有所讲解,大家也可以关注韩京清教授的论文和书籍,这里就不赘述了,下面给出梯形图+SCL代码。

RXXW_Dor的博客 2285
上一篇: 树莓派Ubuntu系统Netplan静态IP配置实战
下一篇: 11.0592MHz:串口通信中的‘魔法数字’与波特率整数解之谜
ruby5
博客等级 码龄15年 29粉丝 893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  | 博主筛选后可见
 
 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