1.QT6 opensource安装详解
2.VTK&ITK在Windows上用CMake编译安装
3.Ubuntu - OpenCV-CUDA with CUDA 11.0 and OpenGL 详细流程
4.Qt实用技巧：在CentOS上使用linuxdeployqt打包发布qt程序
5.win10 cmake源码编译安装opencv（c++,源码qt）（解决ffmpeg下载失败导致opencv无法处理视频）
6.OpenCV OpenCV 源码编译并实现 CUDA 加速 (Windows)
QT6 opensource安装详解
从QT官网下载开源版本时，请注意区分商业收费版本和开源免费版本。安装开源版本不易在官网页面上直接找到，源码通常需要在“尝试”选项下选择商用版本后，安装再在其他下载区域查找。源码
下载链接请根据你的安装选美源码系统类型选择对应的在线installer进行安装。然而，源码使用installer安装时会发现大部分版本都是安装5.x系列，最新版的源码qt6可能并未提供。此时可选择下载离线安装包，安装该包中仅提供5..x系列的源码安装包，其余版本需手动编译。安装
在“Other downloads”部分，源码提供了Visual Studio的安装Add-in，同样未包含qt6版本。源码如果你在Windows系统上进行Qt开发，接下来将介绍Windows编译过程。
首先，准备Windows编译环境。若使用cmake(GUI)构建时遇到错误“ERROR: C++ is required and is missing or failed to compile.”，请查阅相关文章获取解决方案。关键步骤包括：调用x Native Tools Command Prompt for VS ，以及在源码路径下执行特定命令。
此外，还可能遇到错误“ERROR: Exactly one of NDEBUG and _DEBUG needs to be defined”。这时，需在configure.bat命令中添加-DNDEBUG参数。
VTK&ITK在Windows上用CMake编译安装
在Windows操作系统上，使用CMake编译安装VTK和ITK，需要遵循以下步骤。
首先，安装支持OpenGL的VTK。习惯使用CMake的GUI版本，除非需要自动化工作流时才使用CMD。将VTK源码文件夹解压，并在build目录下创建install-RelWithDebInfo目录。
在CMake中设置源码文件夹和构建文件夹。点击Configure键进行初次设置，保持默认配置，点击Finish键。进度条完成后，etl 源码开发再次点击Configure键，可能出现红色选项，如果未出现错误，继续点击Configure键直到选项消失。
点击Generate键生成构建文件。此时，虽然Open Project键被激活，但不建议直接点击，建议以管理员身份使用Visual Studio打开build文件夹下的VTK.sln文件，然后在生成菜单下选择批生成，选择ALL_BUILD，勾选所需配置后生成。
ALL_BUILD生成过程可能耗时半小时左右。生成完成后，再次在生成菜单下选择批生成，取消ALL_BUILD的勾选。找到并勾选INSTALL，生成需要的配置，快速生成（约秒左右）。若生成过程显示“成功”，无失败信息，则基本无问题。
接下来，安装支持VTK的ITK。将ITK源码文件夹解压，并在build目录下创建install-RelWithDebInfo目录。在CMake中设置源码文件夹和构建文件夹。点击Configure键进行初次设置，保持默认配置，点击Finish键。进度条完成后，再次点击Configure键，可能会出现错误提示，不必担心，这是提醒需设置VTK相关内容。
在VTK安装路径下找到vtk-config.cmake文件（大致位于“/lib/cmake/vtk-9.3”下），将VTK_DIR设置为此路径。再次点击Configure键，可能再次出现红色选项，因为之前勾选了可选模块，modemcu时钟源码现在出现了相关选项。再次点击Configure键，确保无红色选项。
点击Generate键生成构建文件。之后，按照VTK安装流程，使用管理员模式下的Visual Studio打开ITK.sln，使用批生成依次生成ALL_BUILD和INSTALL。
若在生成ALL_BUILD过程中出现几个失败，可能与可选模块有关。在生成日志中查找“error”信息，确定出现问题的模块，尝试解决（或在重新生成构建文件时，放弃勾选该出错模块）。
Ubuntu - OpenCV-CUDA with CUDA .0 and OpenGL 详细流程
在Ubuntu上成功配置OpenCV-CUDA .0和OpenGL的过程相对顺利，参考了Windows上的相关教程。以下是详细的步骤：
1. 准备阶段：
- 下载OpenCV源码，从opencv_contrib的Releases页面找到对应版本并下载。
- 安装CMake和CMake-GUI，推荐使用高版本CMake。
2. 安装CUDA：
- 访问NVIDIA CUDA下载页面，注意安装时要确保CUDA toolkit的runtime版本与驱动版本匹配，避免错误。
- 按照提示安装，可能需要取消samples和documents选项。
- 如果安装不成功，可能需要重新执行安装脚本并取消driver选项。
3. 配置OpenCV：
- 使用CMake-GUI配置，指定源码和build路径。
- 遇到ippicv安装问题，手动下载并放置到指定目录，然后重新配置。
- 增加CUDA模块，如添加OPENCV_EXTRA_MODULES_PATH，勾选CUDA支持，可能需要修改OpenCVDetectCUDA.cmake文件以处理nppicom库的移除。
4. 安装其他依赖项：
- 安装Eigen和GTK（如果需要OpenGL）。
- 检查并安装gtkglext。
- 勾选WITH_OPENGL选项。
5. 构建与编译：
- 生成Makefile，成长路径源码使用-j选项并设定线程数，等待编译完成。
- 完成make后，确认OpenGL支持。
6. 补充问题：
- 如果CUDA driver版本与runtime不匹配，可通过更新驱动或卸载NVIDIA相关包解决。
- Ubuntu .0版本的驱动问题，可通过软件更新添加或更换驱动解决显示器扩展问题。
经过以上步骤，你就能在Ubuntu上成功配置并使用OpenCV-CUDA .0和OpenGL了。
Qt实用技巧：在CentOS上使用linuxdeployqt打包发布qt程序
在CentOS上使用linuxdeployqt打包发布Qt程序，这一过程与Ubuntu或麒麟系统有相似之处，但也存在系统兼容性问题。文章详细介绍了CentOS8.2和CentOS7.5的发布流程，并强调了使用linuxdeployqt的好处。该工具能将应用程序所需的资源（如库、图形和插件）复制到一个包中，使其成为自包含的程序，可以作为AppDir或AppImage分发，也可以放入交叉分发包中。为了确保在不同系统上的一致性，linuxdeployqt特别适用于Qt应用程序的部署。
使用linuxdeployqt需要访问其源代码下载地址。对于CentOS系统，文章提供了详细的编译步骤。首先，需要下载源码并解压。接着，修改源码，移除版本检查部分，以避免潜在的兼容性问题。确保系统中安装了CMake，这对于构建linuxdeployqt至关重要。在CentOS8.2中，CMake通常是预装的，而在CentOS7.5中，可能需要卸载系统自带的较旧版本，并使用源码安装较新版本，以确保正确编译。
为了支持Qt的github编程源码依赖环境，步骤包括指定Qt库的路径，以及使用cmake-gui来配置依赖。这确保了linuxdeployqt能正确识别并打包Qt相关的库，避免运行时错误。配置完成后，通过生成generate文件和执行make命令完成编译。随后，将linuxdeployqt安装到系统目录，并进行测试以确认其正确性。
打包Qt程序时，确保应用可执行文件和一个空目录准备就绪。使用环境变量设置，特别是通过source env.sh引入QT_DIR到系统路径中，确保打包过程能正确识别和使用Qt库。打包命令使用linuxdeployqt 可执行程序 -appimage，这一步骤将程序及其依赖库打包成一个独立的可执行文件。测试表明，使用此方法打包的Qt程序能在不同CentOS版本上成功运行，无需额外的库加载。
为了验证这一过程在不同环境中的可靠性，文章介绍了在全新CentOS8.2系统上进行测试的过程。通过对比发现，使用linuxdeployqt -appimage打包的Qt程序能有效解决依赖库问题，确保程序在不同操作系统环境下均可正常运行。
win cmake源码编译安装opencv（c++,qt）（解决ffmpeg下载失败导致opencv无法处理视频）
要使用Qt与Windows上的OpenCV，当默认的msvc版本不满足需求时，需要通过源码编译安装，并配合cmake工具。以下是详细的步骤：
首先，下载OpenCV sources版本，同时确保已经安装了cmake编译工具，这里推荐选择对应版本的MinGW版本。在Qt的mingw环境中，需将mingw的bin路径（例如：D:\Programs\Qt\Qt5..\Tools\mingw_\bin）添加到环境变量，验证配置成功可通过在cmd中输入gcc -v。
解压OpenCV到指定位置，创建一个build文件夹。使用cmake-gui，设置源码路径和build文件夹，配置为MinGW Makefiles。初次配置可能遇到问题，如ffmpeg下载失败，这时需要重命名ffmpeg.cmake为ffmpeg.txt，修改其中的下载地址为/。
在cmake-gui中，勾选with_qt和with_opengl，取消opencv_enable_allocator_stats和与python相关的选项。如果需要python支持，可以使用pip安装。配置完成后，再次点击configure并生成makefile，确保所有路径正确。
在build文件夹中，通过mingw-make -j（根据你的CPU核心数设置线程数，例如）开始编译，最后执行mingw-make install。安装后，别忘了将安装路径（如D:\Programs\opencv3.4.\build\install\x\mingw\bin）添加到系统环境变量。
通过这些步骤，你就可以在Qt环境中成功安装并使用OpenCV处理视频了，无需担心ffmpeg下载失败的问题。
OpenCV OpenCV 源码编译并实现 CUDA 加速 (Windows)
本文介绍了如何在Windows系统上使用OpenCV源码自行编译代码文件，实现CUDA加速，以满足对处理时间要求较高的场景。OpenCV是一个跨平台的计算机视觉和机器学习软件库，支持Linux、Windows、Android和Mac OS等操作系统。
在实际使用中，OpenCV处理数据可能无法满足某些高速场景的需求，这时可以结合CUDA加速。为了实现CUDA加速，需要自行编译支持CUDA的依赖包。在本次文章中，我们将演示如何在Windows环境下使用CMake-gui + VS进行OpenCV源码的编译。
首先，确保环境准备充分。本次编译平台是Windows 系统，使用CMake-gui + VS进行编译。需要下载两个源码，分别是opencv和opencv_contrib，并保证版本一致，本文使用的版本为4.8.0。将两个文件解压到同一文件夹下。
然后，利用CMake创建并配置项目。在CMake软件中设置项目源码路径，并创建build文件夹，进行配置。在第一次配置后，输出编译平台选择，本文选择Visual Studio ，编译平台为x。配置中添加opencv_contrib模块引用，选择WITH_CUDA和OPENCV_DNN_CUDA，以及其他相关选项。配置完成后，检查异常并解决。
在解决异常后，使用Visual Studio打开生成的OpenCV.sln解决方案文件，并运行ALL_BUILD项目。编译完成后，将获得包含依赖项的install文件夹和python_loader文件夹，用于支持Python API和C++ API的使用。
项目编译完成后，通过cv2.cuda.getCudaEnabledDeviceCount()接口方法检查CUDA设备是否存在。输出结果为1，表明CUDA设备已正确安装，项目编译成功。
总结，通过本文的步骤，实现了OpenCV源码编译并结合CUDA加速，提高了处理时间要求较高的场景的性能。后续将结合所编译的库进行项目开发与性能对比。
lightgbm-gpu安装-踩坑现场
为了实现lightgbm的GPU支持，您需要准备一些必要的工具包并遵循特定的步骤。首先，您需要下载并安装cmake、boost和lightgbm。
对于cmake，您可以从其官方网站下载最新版本。当您下载并安装了cmake后，请确保将boost库文件的路径进行适当的修改。
接下来，使用git从github下载lightgbm源代码。在下载的文件夹中创建一个名为“build”的文件夹并进入，然后在该文件夹内创建一个空的CMakeList.txt文件。
在命令行中，定位到“build”目录并运行以下命令进行配置和构建：
cmake -A x -DUSE_GPU=1 -DBOOST_ROOT=D:/software_work_install/boost_1__0 -DBOOST_LIBRARYDIR=D:/software_work_install/boost_1__0/lib -DOpenCL_LIBRARY="C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/v.0/lib/x/OpenCL.lib" -DOpenCL_INCLUDE_DIR="C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/v.0/include" ..
为了确保正确安装，参考链接提供了详细的cmake命令行安装指南以及安装SDK的步骤。执行上述命令后，您将看到“build”目录下生成了许多文件。
接下来，通过执行命令“cmake --build . --target ALL_BUILD --config Release”，在“build/x”目录下生成“Release”文件夹。然后，通过命令“cd ..”回到上一层目录，进入“python-package”文件夹并执行“python setup.py install –-precompile”以完成安装。
请注意，尽管您可能已经成功安装了GPU版本的lightgbm，但您在Jupyter中使用自己的代码时仍可能遇到缺少GPU的错误。这可能与依赖库的兼容性问题有关。因此，尽管您尝试了多次安装，但为了节省时间，您可能决定暂时放弃安装GPU版本的包。
除了使用git clone和pip安装方式外，还有另一种方法是直接使用pip进行安装。您可以使用以下命令行命令：
pip install lightgbm --install-option=--gpu --install-option="--boost-root=D:/software_work_install/boost_1__0" --install-option="--boost-librarydir=D:/software_work_install/boost_1__0/lib" --install-option="--opencl-include-dir=/usr/local/cuda/include/"
如果您选择使用cmake GUI进行安装，步骤类似，但操作方式有所不同。通过GUI界面配置和生成构建文件后，您可能会遇到与版本兼容性相关的问题。
安装过程可能会涉及一些挑战，例如确保所有依赖包的兼容性。在尝试解决安装问题时，可能会遇到各种错误和警告。在安装过程中遇到问题时，查看错误日志文件（如CMakeError.log）可能会提供进一步的线索和解决方案。
请确保在安装过程中遵循正确的步骤和注意事项，并在遇到问题时查阅相关文档或论坛以寻求帮助。安装lightgbm GPU支持的完整过程可能涉及多个步骤和调整，确保您的开发环境与所有依赖库兼容至关重要。
使用CMAKEGUI和VS编译低版本库时遇到的问题
在开发过程中，我曾尝试使用VS与CMakeLists.txt进行库编译，轻松实现不同平台工具集的切换，适用于多种项目需求。后来，我将此方法应用到CMAKE GUI中进行库编译。初始阶段，我遇到配置问题，CMake的configure环节无法通过。尝试多次后，包括重新安装msvc生成工具，安装WindowsSDK，检查msbuild目录，均未解决问题。
经过一系列尝试，我发现调整配置步骤3的顺序可以解决配置问题。即先不指定平台工具集，之后在解决方案中调整平台工具集即可成功配置。问题根源在于步骤3直接指定平台工具集时，CMake会尝试寻找该平台对应的cl.exe文件。若找不到，CMAKE_CXX_COMPILER和CMAKE_C_COMPILER最终设置为unknown，导致配置失败。调整为先不指定平台工具集，避免了寻找cl.exe文件的步骤，进而通过了配置。
根据以上经验，优化后的编译流程如下：
1. 选择架构（例如x、arm等）
2. 不指定平台工具集
3. 生成解决方案
4. 在解决方案中调整平台工具集
5. 开始构建，然后进行安装
Cmake安装和生成opencv的解决方法
Cmake安装步骤：首先，访问Cmake的官方下载页面，根据你的操作系统（如Windows-x_）选择适合的版本进行下载。
下载完成后，将Cmake安装到任意位置，具体步骤这里不再赘述。
运行和生成OpenCV解决方案： 在安装目录的C:\cmake-3..0-windows-x_\bin下，找到并运行cmake-gui.exe。在界面中，点击"where is the source code"右侧的浏览按钮，定位到OpenCV源代码文件夹，通常是F:\opencv\sources。 接着，选择"browse build"，指定解决方案生成的路径。点击"configure"进行第一次配置，选择你的编译IDE。如果配置无误，点击"finish"，配置完成后进入下一步。 注意，如果路径包含中文字符，可能会出现警告，应避免这种情况。配置完成后，再次点击"configure"，默认设置即可，无需额外勾选或取消。 完成第二次配置后，点击"generate"，等待"generating done"的提示，表示解决方案生成完成。此时，在之前指定的生成路径下，你会找到opencv.sln文件。 打开解决方案资源管理器，你可以根据自己的需求选择和学习源代码。初次编译可能会出现错误，这是正常现象，因为ALL_BUILD默认为启动项，但不是可以直接执行的。只需在解决方案资源管理器中更改启动项目，问题即可解决。 至此，Cmake生成OpenCV解决方案的全过程已顺利结束。
