Ubuntu 装卸Opencv

ubuntu中卸载opencv的方法：1、打开ubuntu；2、找到当初安装opencv的build目录，进入该build目录执行卸载操作；3、通过rm命令清理/usr中所有opencv相关项即可。

具体操作步骤：

1、在ubuntu系统桌面中使用快捷键【Ctrl+Alt+T】打开终端命令行模式。

2、在ubuntu终端命令行输入以下命令进入安装opencv的build目录并进行卸载操作。

3、最后在输入以下命令清理/usr中所有opencv相关项即可。

从源码安装OpenCV可以允许你安装最新可用的版本。它还将针对你的特定系统进行优化，并且你可以完整控制所有的构建选项。这是最推荐的安装 OpenCV 的方式。

执行下面的步骤来从源码安装最新的 OpenCV 版本:

02.克隆所有的OpenCV 和 OpenCV contrib 源：

在写作的时候，github 软件源中的默认版本是 4.3.0。如果你想安装更旧版本的 OpenCV， cd 到 opencv和 opencv_contrib目录，并且运行 git checkout 。

03.一旦下载完成，创建一个临时构建目录，并且切换到这个目录：

使用 CMake 命令配置 OpenCV 构建：

输出将会如下：

04.开始编译过程：

根据你的处理器修改 -f值。如果你不知道你的处理器核心数，你可以输入 nproc找到。

编译将会花费几分钟，或者更多，这依赖于你的系统配置。

05.安装 OpenCV:

06.验证安装结果，输入下面的命令，那你将会看到 OpenCV 版本：

C++ bindings:

我们已经展示了在 你的 Ubuntu 20.04 服务器上安装 OpenCV的两种不同方式。你的第一选择依赖于你的要求和偏好。即使直接从 Ubuntu 源安装软件包的方式很容易，但是从源码构建安装 OpenCV 会给你更多灵活度，并且它应该成为你安装 OpenCV 的第一选择。

Original: https://blog.csdn.net/u013590327/article/details/123448623 Author: 小枫小疯 Title: Ubuntu 装卸Opencv

系统 linux ubuntu

关于docker：docker详解_cyy18702236763的博客-CSDN博客

关于远程连接：docker + pycharm专业版 + python_cyy18702236763的博客-CSDN博客

小白吐槽一句，pip坑爹，conda真香

以下操作均在docker容器内完成

Ubuntu安装sudo

apt-get install sudo

Pycharm图形界面安装包默认执行sudo pip install XXX,如果不用pycharm安装则不 用安装

sudo，建议直接在远程服务器安装。

先把linux默认携带的python2.7、python3.5、pip等乱七八糟的东西都卸载干净

Ubuntu卸载python (建议自行寻找卸载方式，不大靠谱)

sudo apt-get remove python3

安装anaconda3

下载 https://www.anaconda.com/download/

我下载的是Anaconda3-2021.04-Linux-x86_64.sh

直接bash Anaconda3-2021.04-Linux-x86_64.sh

中间都是yes，最后一步no

anaconda3安装后conda命令不能用

将anaconda3的bin目录加入PATH

vim ~/.bashrc

export PATH=~/anaconda3/bin:$PATH # 你自己安装的anaconda3路径，默认是这个

更新bashrc以立即生效

source ~/.bashrc

查看当前系统环境

conda info -e

新建环境

conda create -n （环境名称） python=python版本

删除环境

conda env remove -n （环境名称）

查看所有环境

conda env list

进入环境

source activate 环境名称

安装tensorflow，尤其是gpu版本的，在新建环境时指定tensorflow-gpu版本可以省去很多麻烦，conda会自动安装需要的东西（cudnn等等）

对于GPU版本：conda create -n your_env_name tensorflow-gpu==1.14.0 python=python

版本号

对于CPU版本：conda create -n your_env_name python=python版本号

（指定tensorflow或者不指定都是一样的）

镜像源查看

conda config --show-sources

国内第三方源添加

conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/

conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/

conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

conda config --add channels https://anaconda.mirrors.sjtug.sjtu.edu.cn/pkgs/main

conda config --add channels https://anaconda.mirrors.sjtug.sjtu.edu.cn/pkgs/free

conda config --add channels https://anaconda.mirrors.sjtug.sjtu.edu.cn/pkgs/mro

conda config --add channels https://anaconda.mirrors.sjtug.sjtu.edu.cn/pkgs/msys2

conda config --add channels https://anaconda.mirrors.sjtug.sjtu.edu.cn/pkgs/pro

conda config --add channels https://anaconda.mirrors.sjtug.sjtu.edu.cn/pkgs/r

删除源

conda config --remove channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

Pip加快安装速度（换源，亲测，这个靠谱）

pip install pandas -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

以上链接参考有：

使用conda安装python包_cathar的专栏-CSDN博客_conda安装python包

在Linux服务器上配置tensorflow-gpu版（最详细教程）_Jack Frost的博客-CSDN博客_linux tensorflow-gpu

拒绝白嫖，加关注

Original: https://blog.csdn.net/cyy18702236763/article/details/122719416 Author: Redamancy0515 Title: Anaconda + tensorflow-gpu + docker + pycharm专业版 实现本地远程互联

目录

1. 下载Kaldi并解压缩。

2. 依赖库下载和安装

3. 可选项安装

4. kaldi安装

5. 测试

这里的离线安装是指需要编译的环境都已经安装好了，即运行下面这条指令的结果是OK。

如果不使用MKL有下面这种错误也是没有问题的

这里建议使用linux系统下解压缩，因为windows系统解压缩会破坏掉软连接，上图是windows系统下解压后的结果，下图是linux系统下解压缩后的结果。

各种压缩文件的命名可以参考上面的例子，也可以修改Makefile中的相关参数， 如果你懒得修改，关注公众号语音算法组，回复 kaldi安装，就可以获得上面所有的压缩文件。

在编译之前我们需要修改一下tools中的Makefile，把

修改为

然后就可以

了。安装好的结果如下所示，注意软链接的文件。

接下来按装portaudio ，先把install_portaudio.sh里面的版本号改称我们新下载的版本号，

然后在/tools目录运行

不使用MKL使用Openblas的话，先把OpenBLAS-0.3.10.tar.gz解压缩到OpenBLAS, 修改extras/install_openblas.sh的版本号

然后在/tools目录运行就完成安装了。

irstlm解压缩到irstlm，进入运行irstlm运行

安装报fatal error stdlib.h，修改 irstlm/src/Makefile.am

进入kaldi/src目录

进入kaldi/egs/yesno/s5, 解压waves_yesno.tar.gz，

然后运行

没有问题的话，结果如下：

Original: https://blog.csdn.net/sinat_35821976/article/details/120477535 Author: 非典型废言 Title: 离线Kaldi安装教程

开篇寄语

修炼一途，乃窃阴阳，夺造化，转涅槃，握生死，掌轮回。武之极，破苍穹，动乾坤！！

——《武动乾坤》

由魔方智能CV空间调研、整理、创作或转载，如有侵权，请联系后台作相应处理！！

目录

1、【分类】

2、【定位】

3、【检测】

4、【分割】

计算机视觉（Computer Vision，CV）是一门研究如何使机器"看"的学科，换句话说，就是用计算机实现人的视觉功能——对客观世界的三维场景的感知、识别和理解！！！计算机视觉涵盖的内容丰富，需要完成的任务也非常多，但其中最基本的任务包含四项： 分类、定位、检测和分割；可以说其他关键任务都是在四项基本任务的基础上延伸开来的。

分类-Classification：解决 "是什么？"的问题，即给定一张图或一段视频，判断里面包含什么类别的目标。

图像分类经典网络结构：

在图像分类任务中，最流行的网络架构是卷积神经网络（CNN）,但 Transformer很可能会作为一个例外，本来在NLP领域的常用网络结构，却在近几年被广泛应用到CV领域，并且表现SOTA，大杀四方，颇有取代CNN之势。在这里先不过多介绍，在之后文章中会详细介绍Transformer的精彩战绩！

CNN网络结构基本是由卷积层、池化层以及全连接层组成。通过 卷积层进行特征提取，之后通过 池化层过滤细节（一般采用最大池化、平均池化），最后在 全连接层进行特征展开，再送入到相应的 分类器得到最终的分类结果。

2012年，Hinton课题组为了证明深度学习的潜力，首次参加ImageNet图像识别比赛，其通过CNN构建的深度学习网络AlexNet一举夺得冠军，且碾压第二名（SVM方法）的分类性能。也正是由于该比赛，CNN吸引了众多研究者的注意。在其之后，有很多基于CNN的算法也在ImageNet上取得了特别好的成绩。 同时，也是在2012这一年，以AlexNet为分界线，在之前为传统算法，之后则为深度学习算法。

总结图像分类任务经典的网络结构如下：

· LeNet-5：60k参数。一般作为广大计算机视觉从业者的Hello world入门级网络结构。当时，被成功用于ATM以对支票中的手写数字进行识别。

· AlexNet：60M参数，ILSVRC2012年的冠军网络。

· VGG-16/VGG-19：138M参数，ILSVRC2014的亚军网络。由于VGG-16网络结构十分简单，并且很适合迁移学习，因此VGG-16至今仍在各大关键任务中被广泛使用。

· GoogLeNet：5M参数，ILSVRC2014的冠军网络。

· Inception-v3/v4：在GoogLeNet的基础上进一步降低参数。

· ResNet：ILSVRC2015年的冠军网络。ResNet旨在解决网络加深后训练难度增大的现象。

· preResNet：基于ResNet的改进。

· ResNeXt：基于ResNet的另一种改进。

· DenseNet：其目的也是避免梯度消失。与残差(residual)模块不同，dense模块中任意两层之间均有短路连接。

· SENet：ILSVRC2017的冠军网络。

......

定位-Location：解决 "在哪里？"的问题，即定位出这个目标的位置。通常以包围盒（bounding box）的形式进行。

基本思路：多任务学习，网络带有两个输出分支。一个分支用于做图像分类，即全连接层+softmax层判断目标类别，与单纯图像分类区别在于这里还需要另一个"背景"类。另一个分支用于判断目标位置，即完成回归任务输出bounding box坐标。目标定位一般针对图像中只有一个或固定目标类别。

检测-Detection：解决 "是什么？在哪里？"的问题，即定位出这个目标的位置并且知道目标物是什么。

下面，以一张图来概括 目标检测的风云二十年，在后续文章中也会展开介绍里面的经典算法：

分割-Segmentation：解决 "每一个像素属于哪个目标物或场景"的问题，分为语义分割和实例分割。

语义分割（semantic segmentation）：是比目标检测更进阶的任务，目标检测只需要框出每个目标的bounding box，语义分割需要进一步判断图像中哪些像素属于哪个目标。

实例分割（instance segmentation）：语义分割不需要区分相同类别目标的不同实例。例如，一张图像中有两只猫，语义分割会将两只猫整体的像素预测为"猫"这个类别。与此不同的是，实例分割需要区分出哪些像素属于第一只猫、哪些像素属于第二只猫，即目标检测+语义分割。例如经典的Mask R-CNN网络。

原文链接：【CV第一篇】计算机视觉四大基本任务‍‍开篇寄语修炼一途，乃窃阴阳，夺造化，转涅槃，握生死，掌轮回。武之极，破苍穹，动乾坤！！——《武动乾坤》https://mp.weixin.qq.com/s/pWwzI6M-fzXhad7t55Oo0Q ;

Original: https://blog.csdn.net/qq_37902216/article/details/125268223 Author: 强少~、 Title: 【CV第一篇】计算机视觉的四大基本任务