news 2026/7/31 4:59:12

Ubuntu 20.04部署LibTorch、OpenCV与FFmpeg：C++ AI视觉开发环境避坑指南

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
Ubuntu 20.04部署LibTorch、OpenCV与FFmpeg：C++ AI视觉开发环境避坑指南

1. 项目概述与核心痛点

在Ubuntu 20.04上为C++项目部署PyTorch（LibTorch）、OpenCV和FFmpeg，这听起来像是一个标准的开发环境搭建流程，但实际操作过的人都知道，这绝对是一个“坑”密度极高的任务。我最近为了一个需要集成深度学习推理、图像处理和视频编解码的C++服务端项目，就完整地走了一遍这个流程。整个过程下来，最大的感受就是：官方文档往往只告诉你“理想路径”，而现实中的各种版本冲突、依赖缺失、编译选项的细微差别，才是真正耗费时间的地方。这篇文章，就是把我踩过的坑、验证过的有效方案，以及一些能显著提升效率的配置技巧，系统地整理出来。

这个组合部署的核心价值在于，它构建了一个高性能、本地化的AI视觉处理基础环境。LibTorch让你能在C++中直接调用训练好的PyTorch模型，避免了Python环境在部署时的臃肿和性能开销；OpenCV提供了强大且稳定的图像处理基础库；FFmpeg则是处理视频流、图像序列的瑞士军刀。三者结合，非常适合开发视频分析、实时监控、工业质检等需要高吞吐、低延迟的C++应用程序。然而，它们的安装方式各异：LibTorch推荐下载预编译包但需注意CUDA/cuDNN版本对齐；OpenCV在Ubuntu 20.04的默认仓库版本太旧，通常需要从源码编译以启用完整功能；FFmpeg虽然可以通过apt安装，但默认配置可能缺少某些关键编码器。更棘手的是，三者之间以及它们与系统其他库（如GTK、V4L2、NVIDIA驱动）可能存在的隐性依赖冲突。接下来，我将分步拆解，告诉你如何避开这些暗礁，搭建一个稳定、高效且功能完整的开发环境。

2. 环境准备与基础依赖安装

在开始安装三个核心库之前，我们必须为Ubuntu 20.04系统打好基础。一个干净、一致的起点能避免大量后续问题。

2.1 系统更新与基础编译环境

首先，确保你的系统是最新的，并安装必要的编译工具链和基础库。打开终端，执行以下命令：

sudo apt update sudo apt upgrade -y sudo apt install -y build-essential cmake git pkg-config

build-essential提供了GCC、G++、make等核心编译工具。cmake是现代C++项目，尤其是LibTorch和OpenCV编译的标配构建工具。pkg-config能帮助我们在编译时自动查找库文件和头文件路径。

接下来，安装一些通用的多媒体和I/O依赖库，这些是OpenCV和FFmpeg的常见前置依赖：

sudo apt install -y libjpeg-dev libpng-dev libtiff-dev sudo apt install -y libavcodec-dev libavformat-dev libswscale-dev libavutil-dev sudo apt install -y libgstreamer-plugins-base1.0-dev libgstreamer1.0-dev sudo apt install -y libgtk-3-dev libcanberra-gtk3-module sudo apt install -y libv4l-dev v4l-utils sudo apt install -y libxvidcore-dev libx264-dev

关键点解析：

  • libjpeg-dev,libpng-dev,libtiff-dev：用于处理JPEG、PNG、TIFF等静态图像格式，是OpenCVimread/imwrite功能的基础。
  • libavcodec-dev等（前缀为libav）：这是FFmpeg库的开发文件。即使你打算自己编译FFmpeg，先安装这些可以解决一部分基础依赖，但要注意，后面自己编译的FFmpeg可能会与系统安装的版本产生冲突。一个更干净的做法是先不安装这些，但我们这里为了最大化兼容性并简化流程，先安装它们。如果后续自编译FFmpeg出现问题，可以考虑卸载这些系统包（sudo apt remove libavcodec-dev...）。
  • libgtk-3-dev：GTK图形工具包开发文件。如果你需要OpenCV的imshow等高阶GUI功能，或者你的应用有图形界面，这个就是必须的。如果你的应用是纯服务器（headless）环境，可以不加这个，但安装了也无妨。
  • libv4l-dev：Video4Linux开发库，用于摄像头采集。如果你的应用涉及USB摄像头或CSI摄像头，这个依赖至关重要。

2.2 CUDA与cuDNN的预先部署（GPU环境）

如果你的部署目标机器带有NVIDIA GPU，并且希望利用LibTorch进行GPU加速推理，那么必须在安装LibTorch之前，正确安装CUDA Toolkit和cuDNN。版本对齐是这里最大的坑。

  1. 检查GPU驱动：首先确保系统已安装合适的NVIDIA驱动。

    nvidia-smi

    这条命令会输出驱动版本和最高支持的CUDA版本（例如“CUDA Version: 11.4”）。记下这个CUDA版本。

  2. 安装CUDA Toolkit：前往NVIDIA官网，根据你的驱动版本和系统架构，下载对应版本的CUDA Toolkit安装包（推荐使用runfile本地安装方式，对网络依赖小）。例如，对于CUDA 11.3：

    wget https://developer.download.nvidia.com/compute/cuda/11.3.0/local_installers/cuda_11.3.0_465.19.01_linux.run sudo sh cuda_11.3.0_465.19.01_linux.run

    在安装过程中，务必取消勾选驱动安装（Driver），因为你已经安装了驱动。只安装CUDA Toolkit。

  3. 安装cuDNN：同样在NVIDIA官网，下载与CUDA版本匹配的cuDNN Library for Linux。通常是一个压缩包，解压后将其中的库文件和头文件复制到CUDA安装目录即可。

    tar -xzvf cudnn-11.3-linux-x64-v8.2.1.32.tgz sudo cp cuda/include/cudnn*.h /usr/local/cuda-11.3/include/ sudo cp cuda/lib64/libcudnn* /usr/local/cuda-11.3/lib64/ sudo chmod a+r /usr/local/cuda-11.3/include/cudnn*.h /usr/local/cuda-11.3/lib64/libcudnn*

  4. 配置环境变量：将CUDA路径加入系统环境。编辑~/.bashrc文件，在末尾添加：

    export PATH=/usr/local/cuda-11.3/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-11.3/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

    然后执行source ~/.bashrc使其生效。使用nvcc --version验证CUDA安装。

重要避坑提示：LibTorch的预编译版本会绑定特定的CUDA和cuDNN版本。你必须下载与本地CUDA环境版本匹配的LibTorch。例如，你系统是CUDA 11.3，就下载标注为CUDA 11.3的LibTorch。混用版本会导致运行时链接失败，错误信息可能晦涩难懂。

3. 核心库避坑安装详解

基础环境就绪后，我们开始安装三个主角。顺序我建议是：FFmpeg -> OpenCV -> LibTorch。因为OpenCV的VideoIO模块可以依赖FFmpeg，而LibTorch通常独立。

3.1 FFmpeg：源码编译以获得完整控制

虽然sudo apt install ffmpeg最简单，但默认安装的版本可能缺少如libx264（H.264编码）、libfdk-aac（高质量AAC音频）等非自由编解码器，功能受限。对于生产环境，源码编译是更可靠的选择。

  1. 安装编译依赖：

    sudo apt install -y nasm yasm sudo apt install -y libx264-dev libx265-dev libvpx-dev libmp3lame-dev libopus-dev libfdk-aac-dev

    nasm和yasm是汇编优化编译器，对x264等编码器性能提升关键。后面那些libxxx-dev就是你需要的编码器开发库。

  2. 下载源码并编译：

    git clone https://git.ffmpeg.org/ffmpeg.git ffmpeg-src cd ffmpeg-src ./configure --prefix=/usr/local \ --enable-gpl \ --enable-nonfree \ --enable-libx264 \ --enable-libx265 \ --enable-libvpx \ --enable-libmp3lame \ --enable-libopus \ --enable-libfdk-aac \ --enable-shared make -j$(nproc) # 使用所有CPU核心并行编译 sudo make install sudo ldconfig # 更新动态链接库缓存

  3. 验证安装：

    ffmpeg -version

    查看输出中是否包含--enable-libx264、--enable-libfdk-aac等配置项，确认所需功能已启用。

实操心得：configure步骤如果报错缺少某个库，通常是对应的libxxx-dev包没装。根据错误信息安装即可。--enable-shared生成动态链接库，方便其他程序（如OpenCV）链接。编译过程较久，-j$(nproc)能充分利用多核CPU大幅缩短时间。

3.2 OpenCV：源码编译与关键模块配置

Ubuntu 20.04仓库中的OpenCV版本是4.2，较旧。我们编译最新的稳定版（如4.8.x），并精确控制模块。

  1. 下载源码：我们同时下载OpenCV和其扩展模块opencv_contrib，后者包含了许多有用的算法（如SIFT、DNN模块的一些新层支持）。

    git clone https://github.com/opencv/opencv.git git clone https://github.com/opencv/opencv_contrib.git cd opencv mkdir build && cd build

  2. CMake配置：这是最核心也最容易出错的步骤。执行前，请确保你已安装FFmpeg（上一步）。

    cmake -D CMAKE_BUILD_TYPE=RELEASE \ -D CMAKE_INSTALL_PREFIX=/usr/local \ -D OPENCV_EXTRA_MODULES_PATH=../../opencv_contrib/modules \ -D WITH_FFMPEG=ON \ -D WITH_GTK=ON \ -D WITH_OPENGL=ON \ -D OPENCV_ENABLE_NONFREE=ON \ -D BUILD_EXAMPLES=OFF \ -D BUILD_opencv_python2=OFF \ -D BUILD_opencv_python3=OFF \ -D BUILD_DOCS=OFF \ -D BUILD_TESTS=OFF \ -D BUILD_PERF_TESTS=OFF \ -D WITH_CUDA=OFF \ # 除非你需要OpenCV的CUDA模块，否则先关掉，避免和LibTorch的CUDA冲突 ..

    关键参数解读：

    • OPENCV_EXTRA_MODULES_PATH：指向contrib模块路径，启用额外功能。
    • WITH_FFMPEG=ON：必须开启，否则OpenCV的VideoCapture无法处理大多数视频文件。
    • OPENCV_ENABLE_NONFREE=ON：启用SIFT、SURF等专利算法（研究和学习用途）。
    • BUILD_opencv_python3=OFF：如果你只用C++，关掉可以极大缩短编译时间。
    • WITH_CUDA=OFF：这是一个重要的避坑点。OpenCV有自己的CUDA加速模块，但它需要特定版本的CUDA，且可能与LibTorch的CUDA环境产生复杂交互。对于主要使用LibTorch做深度学习推理的项目，我建议先关闭OpenCV的CUDA支持，让图形处理运行在CPU上，简化部署。除非你的图像预处理（如resize、crop）非常繁重且确定要使用OpenCV CUDA。

  3. 编译与安装：

    make -j$(nproc) sudo make install sudo ldconfig

  4. 验证安装：编写一个简单的C++程序test_opencv.cpp：

    #include <opencv2/opencv.hpp> #include <iostream> int main() { std::cout << "OpenCV version: " << CV_VERSION << std::endl; cv::Mat img = cv::Mat::zeros(100, 100, CV_8UC3); std::cout << "Image created successfully." << std::endl; return 0; }

    编译并运行：

    g++ test_opencv.cpp -o test_opencv `pkg-config --cflags --libs opencv4` ./test_opencv

    能正确输出版本信息即表示安装成功。

3.3 LibTorch：预编译库部署与链接陷阱

LibTorch是PyTorch的C++前端，官方提供了预编译包，这是最推荐的方式，避免数小时的源码编译。

  1. 选择并下载正确的版本：前往 PyTorch官网 的“Previous Versions of PyTorch”或直接查看 下载索引 。选择与你的PyTorch训练环境匹配的版本，以及对应的CUDA版本（或CPU版本）。例如，对于CUDA 11.3：

    wget https://download.pytorch.org/libtorch/cu113/libtorch-cxx11-abi-shared-with-deps-1.12.1%2Bcu113.zip unzip libtorch-cxx11-abi-shared-with-deps-1.12.1+cu113.zip

    注意：有两个ABI版本：cxx11-abi和pre-cxx11-abi。除非你有明确的兼容性要求（如与其他使用旧GCC ABI的库链接），否则选择cxx11-abi（通常文件名中带有cxx11）。shared-with-deps包含了必要的依赖项（如Protobuf），更方便。

  2. 环境变量设置：将LibTorch的库路径加入环境变量，方便CMake查找。

    export LIBTORCH_HOME=/path/to/your/libtorch # 替换为你的解压路径 export LD_LIBRARY_PATH=$LIBTORCH_HOME/lib:$LD_LIBRARY_PATH

    同样，将这两行加入~/.bashrc永久生效。

  3. 验证安装：创建一个简单的测试程序test_libtorch.cpp：

    #include <torch/torch.h> #include <iostream> int main() { torch::Tensor tensor = torch::rand({2, 3}); std::cout << "LibTorch test tensor:\n" << tensor << std::endl; std::cout << "CUDA available: " << torch::cuda::is_available() << std::endl; return 0; }

  4. 编写CMakeLists.txt进行编译：这是链接LibTorch的关键。创建一个CMakeLists.txt文件：

    cmake_minimum_required(VERSION 3.16) project(test_libtorch) set(CMAKE_CXX_STANDARD 14) # 关键：设置LibTorch_DIR，指向libtorch/share/cmake/Torch set(LibTorch_DIR "$ENV{LIBTORCH_HOME}/share/cmake/Torch") find_package(Torch REQUIRED) add_executable(test_libtorch test_libtorch.cpp) target_link_libraries(test_libtorch "${TORCH_LIBRARIES}") # 设置编译属性，避免某些警告或错误 set_property(TARGET test_libtorch PROPERTY CXX_STANDARD 14)

    然后编译运行：

    mkdir build && cd build cmake .. make ./test_libtorch

    如果输出一个随机矩阵和“CUDA available: 1”（如果使用GPU版本），则说明LibTorch安装成功。

核心避坑指南：

  1. 版本一致性：训练模型的PyTorch版本、部署的LibTorch版本、CUDA版本、cuDNN版本，四者必须严格匹配。一个小版本号的不同都可能导致模型加载失败或运行时错误。
  2. ABI兼容性：如果你使用的其他C++库（如某些特定的Boost版本）是使用旧GCC ABI编译的，而LibTorch使用了新的C++11 ABI，可能会产生链接错误。此时需要统一编译环境或寻找ABI兼容的库版本。
  3. CMake Find_Package：确保find_package(Torch REQUIRED)能正确找到路径。手动设置LibTorch_DIR是最可靠的方法。

4. 集成测试与项目配置实战

单独安装成功只是第一步，让三者在一个C++项目中协同工作才是最终目标。这里我们创建一个简单的示例项目，实现：用OpenCV读取视频帧，用LibTorch运行一个简单的Tensor操作（模拟模型推理），再用FFmpeg（通过OpenCV）保存处理后的视频。

4.1 项目结构与CMake集成

假设项目目录结构如下：

my_project/ ├── CMakeLists.txt ├── include/ ├── src/ │ └── main.cpp └── models/ (存放PyTorch模型文件，可选)

核心在于编写一个能够正确找到并链接三个库的CMakeLists.txt。

cmake_minimum_required(VERSION 3.16) project(OpenCV_Torch_Demo) set(CMAKE_CXX_STANDARD 14) set(CMAKE_CXX_STANDARD_REQUIRED ON) # 1. 寻找OpenCV (假设安装到/usr/local) find_package(OpenCV REQUIRED) include_directories(${OpenCV_INCLUDE_DIRS}) # 2. 寻找LibTorch (通过环境变量) set(Torch_DIR "$ENV{LIBTORCH_HOME}/share/cmake/Torch") find_package(Torch REQUIRED) # 注意：Torch会自带一些如ATen、c10的库，TORCH_LIBRARIES已包含 # 3. 寻找FFmpeg (通常通过pkg-config，但OpenCV已链接其部分。如需直接调用FFmpeg API，可额外查找) # find_package(FFmpeg REQUIRED) # 非标准，较复杂。本例中我们通过OpenCV间接使用。 # 4. 添加可执行文件 add_executable(demo src/main.cpp) # 5. 链接库 target_link_libraries(demo ${OpenCV_LIBS} ${TORCH_LIBRARIES}) # 如果直接使用FFmpeg API，还需链接 avcodec, avformat等 # target_link_libraries(demo ${OpenCV_LIBS} ${TORCH_LIBRARIES} avcodec avformat avutil) # 6. 设置目标属性，解决可能的编译/链接问题 target_compile_options(demo PRIVATE -Wall -Wextra) # 对于LibTorch，可能需要禁用某些警告 target_compile_definitions(demo PRIVATE _GLIBCXX_USE_CXX11_ABI=1) # 强制使用C++11 ABI，与cxx11-abi的LibTorch匹配 # 7. 设置运行时库路径（可选，便于部署） set_target_properties(demo PROPERTIES INSTALL_RPATH "$ORIGIN/../lib" BUILD_WITH_INSTALL_RPATH TRUE )

4.2 示例代码：视频处理流水线

下面是一个简化的src/main.cpp，演示了基本的数据流：

#include <opencv2/opencv.hpp> #include <torch/torch.h> #include <torch/script.h> // 用于加载TorchScript模型 #include <iostream> int main() { // 1. 使用OpenCV打开视频文件 cv::VideoCapture cap("input.mp4"); if (!cap.isOpened()) { std::cerr << "Error opening video file." << std::endl; return -1; } // 获取视频属性，用于创建输出视频 int frame_width = static_cast<int>(cap.get(cv::CAP_PROP_FRAME_WIDTH)); int frame_height = static_cast<int>(cap.get(cv::CAP_PROP_FRAME_HEIGHT)); double fps = cap.get(cv::CAP_PROP_FPS); cv::VideoWriter writer("output.avi", cv::VideoWriter::fourcc('M','J','P','G'), fps, cv::Size(frame_width, frame_height)); // 2. (模拟) 加载LibTorch模型 // torch::jit::script::Module module; // try { // module = torch::jit::load("model.pt"); // module.eval(); // } catch (const c10::Error& e) { // std::cerr << "Error loading model: " << e.what() << std::endl; // return -1; // } cv::Mat frame; while (cap.read(frame)) { // 3. 将OpenCV Mat转换为LibTorch Tensor // OpenCV默认是BGR，uint8。转换为RGB，float32，并归一化。 cv::cvtColor(frame, frame, cv::COLOR_BGR2RGB); frame.convertTo(frame, CV_32FC3, 1.0 / 255.0); auto input_tensor = torch::from_blob(frame.data, {1, frame_height, frame_width, 3}, torch::kFloat32); // 调整维度顺序为NCHW (Batch, Channel, Height, Width) input_tensor = input_tensor.permute({0, 3, 1, 2}); // 4. (模拟) 使用LibTorch进行推理 // auto output_tensor = module.forward({input_tensor}).toTensor(); // 这里我们用一个简单的操作代替：给所有像素值加0.1 auto output_tensor = input_tensor + 0.1; // 5. 将LibTorch Tensor转换回OpenCV Mat output_tensor = output_tensor.permute({0, 2, 3, 1}).contiguous(); // 转回NHWC output_tensor = output_tensor.squeeze().detach().cpu(); // 去掉batch维度，分离计算图，转到CPU cv::Mat output_frame(frame_height, frame_width, CV_32FC3, output_tensor.data_ptr<float>()); output_frame.convertTo(output_frame, CV_8UC3, 255.0); // 转回uint8 cv::cvtColor(output_frame, output_frame, cv::COLOR_RGB2BGR); // 转回BGR // 6. 用OpenCV写入输出视频（底层会调用FFmpeg） writer.write(output_frame); // 显示处理帧（可选） cv::imshow("Processing", output_frame); if (cv::waitKey(1) == 'q') break; } cap.release(); writer.release(); cv::destroyAllWindows(); std::cout << "Processing finished." << std::endl; return 0; }

4.3 编译与运行

在项目根目录my_project/下：

mkdir build && cd build cmake .. make -j$(nproc)

运行前，确保input.mp4文件存在于可执行文件同级目录或指定路径下。

./demo

如果一切顺利，你将看到视频被逐帧处理并保存为output.avi。

5. 常见问题与深度排查指南

即使按照步骤操作，你也可能会遇到各种问题。下面是我在多次部署中总结的常见错误及其解决方法。

5.1 编译阶段问题

问题1：CMake找不到OpenCV。

  • 现象：find_package(OpenCV REQUIRED)失败。
  • 排查：
    1. 确认OpenCV已安装到/usr/local或自定义路径。
    2. 如果安装到自定义路径，需要在CMake中指定路径：set(OpenCV_DIR "/path/to/opencv/build")。
    3. 检查是否执行了sudo ldconfig。

问题2：链接LibTorch时出现未定义引用错误。

  • 现象：编译通过，链接阶段报错，如undefined reference toc10::Error::Error(...)`。
  • 排查：
    1. ABI不匹配：这是最常见原因。确保你的GCC版本和LibTorch的ABI匹配。使用gcc --version查看。如果LibTorch是cxx11-abi，而你的项目或其他依赖库是用旧ABI编译的，就会冲突。在CMake中强制定义_GLIBCXX_USE_CXX11_ABI=1（如前面CMakeLists所示）。
    2. 链接顺序：确保target_link_libraries中${TORCH_LIBRARIES}放在所有依赖它库的后面。
    3. 库路径：确保LD_LIBRARY_PATH包含了LibTorch的lib目录，或者使用set(CMAKE_INSTALL_RPATH ...)。

问题3：OpenCV编译时FFmpeg相关功能未开启。

  • 现象：CMake输出中FFMPEG显示为NO，后续无法读取视频。
  • 排查：
    1. 运行cmake时，检查终端输出，看FFmpeg的各个组件（libavcodec,libavformat等）是否被找到。如果显示NO，通常是开发包未安装。
    2. 确保已安装libavcodec-dev,libavformat-dev等包。
    3. 如果系统安装了多个FFmpeg（如自编译的和apt的），可能导致CMake找到错误的版本。可以尝试临时卸载系统FFmpeg开发包，或者使用-D WITH_FFMPEG=ON -D FFMPEG_ROOT=/usr/local明确指定路径。

5.2 运行时问题

问题4：运行程序时提示error while loading shared libraries: libtorch_cuda.so: cannot open shared object file。

  • 现象：编译成功，运行时报动态库找不到。
  • 解决：
    1. 永久方案：将LibTorch的lib路径加入/etc/ld.so.conf或创建conf文件到/etc/ld.so.conf.d/，然后运行sudo ldconfig。
    2. 临时方案：在运行前设置export LD_LIBRARY_PATH=/path/to/libtorch/lib:$LD_LIBRARY_PATH。
    3. 部署方案：在CMake中设置INSTALL_RPATH，将依赖库复制到可执行文件附近的lib目录。

问题5：OpenCV能读图片但不能读视频。

  • 现象：VideoCapture打开视频失败，但imread正常。
  • 排查：
    1. 检查OpenCV编译时的FFmpeg支持：写个程序调用cv::getBuildInformation()，搜索FFMPEG，确认其为YES。
    2. 检查视频文件路径和格式是否正确。
    3. 尝试安装gstreamer相关开发包并重新编译OpenCV（开启WITH_GSTREAMER），作为FFmpeg的备选后端。

问题6：LibTorch加载模型失败。

  • 现象：torch::jit::load抛出异常。
  • 排查：
    1. 版本不匹配：这是首要怀疑对象。用Python检查生成.pt模型的PyTorch版本、CUDA版本，必须与部署的LibTorch完全一致。
    2. 模型路径：确保路径正确，且程序有读取权限。
    3. 模型格式：确保保存的是TorchScript模型（torch.jit.script或torch.jit.trace），而不是普通的PyTorch state_dict。
    4. 操作符缺失：如果模型使用了自定义操作符，需要在C++端注册。确保导出的模型包含了所有必要的操作。

5.3 性能与优化问题

问题7：视频处理速度慢。

  • 现象：处理帧率远低于视频原始FPS。
  • 优化方向：
    1. 流水线并行：将视频解码（OpenCV）、模型推理（LibTorch）、后处理/编码（OpenCV）放在不同的线程中，利用生产者-消费者模型提高吞吐。
    2. 批处理：如果模型支持，将多帧组合成一个batch进行推理，能显著提升GPU利用率。
    3. 硬件解码：如果使用GPU，研究OpenCV的cudacodec模块或直接使用FFmpeg的CUDA硬件解码器。
    4. 推理引擎优化：使用LibTorch的torch::jit::optimize_for_inference对脚本模型进行优化。对于固定尺寸输入，启用torch::jit::FreezeModule。

问题8：内存占用过高。

  • 现象：处理长时间视频时内存持续增长。
  • 排查：
    1. 及时释放：确保每一帧处理完后，相关的cv::Mat和torch::Tensor能及时离开作用域被销毁。对于循环内的临时变量要特别注意。
    2. Tensor内存管理：torch::from_blob创建的Tensor并不拥有数据，要确保底层cv::Mat在Tensor使用期间有效。如果需要复制数据，使用.clone()。
    3. CUDA内存：监控nvidia-smi。确保在不再需要时，将GPU Tensor移回CPU（.cpu()）或直接释放。可以使用torch::cuda::empty_cache()手动清空CUDA缓存，但需谨慎，可能影响性能。

整个部署过程，本质上是一个系统性的依赖管理和环境配置工程。最深刻的体会是，记录下每一个环节的版本号（系统GCC、CUDA、cuDNN、OpenCV commit、LibTorch版本、PyTorch训练版本）至关重要。当出现问题需要回滚或复现时，这份记录就是你的救命稻草。另外，在Docker容器中完成一次成功的部署后，将整个Dockerfile保存下来，是保证环境可复现、可迁移的最佳实践，这远比写一份文档要可靠得多。

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/7/31 4:57:01

工业4-20mA信号转换：从电压到电流的三种电路方案与精度保障

1. 从“电压”到“电流”&#xff1a;为什么工业现场偏爱4-20mA&#xff1f;在工业自动化、过程控制或者传感器信号传输的圈子里&#xff0c;如果你跟一个老工程师聊信号传输&#xff0c;他大概率会跟你提“4-20mA”。这串数字就像一个行业暗号&#xff0c;背后代表着一套极其成…

作者头像 李华
网站建设 2026/7/31 4:56:24

Unity Android打包AAPT2守护进程关闭超时：原理、诊断与根治方案

1. 项目概述&#xff1a;当Unity打包Android时&#xff0c;AAPT2守护进程卡住了如果你是一名Unity开发者&#xff0c;正准备将精心打磨的游戏或应用打包成Android的APK文件&#xff0c;却在构建的最后阶段&#xff0c;控制台突然弹出一条令人沮丧的红色错误信息&#xff1a;“A…

作者头像 李华
网站建设 2026/7/31 4:55:27

A 股回测中的复权与 Point-in-Time 偏差：一次数据泄露的工程复盘

A 股回测中的复权与 Point-in-Time 偏差&#xff1a;一次数据泄露的工程复盘 在量化投资领域&#xff0c;回测是验证策略有效性的核心环节。然而&#xff0c;一个看似微小的数据预处理问题——复权处理与 Point-in-Time&#xff08;时间点&#xff09;数据偏差——可能导致回测…

作者头像 李华
网站建设 2026/7/31 4:55:18

lvs相关

一、什么是集群 集群Cluster Cluster: 集群是为了解决某个特定问题将堕胎计算机组合起来形成的单个系统 Cluster常见的三种类型&#xff1a; LB&#xff1a;LoadBalancing&#xff08;负载均衡&#xff09;由多个主机组成&#xff0c;每个主机只承担一部分访问HA&#xff1a;Hi…

作者头像 李华
网站建设 2026/7/31 4:54:56

告别试用期烦恼：IDM激活脚本让你的下载体验永不停歇

告别试用期烦恼&#xff1a;IDM激活脚本让你的下载体验永不停歇 【免费下载链接】IDM-Activation-Script IDM Activation & Trail Reset Script 项目地址: https://gitcode.com/gh_mirrors/id/IDM-Activation-Script 还在为Internet Download Manager&#xff08;ID…

作者头像 李华
网站建设 2026/7/31 4:51:48

Coze 零代码实战｜基于RAG知识库+双数据库联动搭建AI学习智能客服

传统AI客服大多仅支持简单的闲聊对话&#xff0c;功能单一、扩展性极差&#xff0c;不仅无法读取私有专属学习资料&#xff0c;容易出现大模型幻觉问题&#xff0c;还不具备自动化资料整理、在线答题测评、报告生成等实用能力&#xff0c;很难满足专业化AI学习服务场景需求。本…

作者头像 李华