Ceres-Solver构建过程中Abseil依赖问题的分析与解决
问题背景
Ceres-Solver作为一款优秀的非线性优化库,在计算机视觉、机器人等领域有着广泛应用。近期在构建Ceres-Solver时,许多开发者遇到了与Abseil库相关的依赖问题,特别是当尝试构建依赖Ceres的项目(如COLMAP)时,CMake会报告找不到absl::log、absl::check和absl::fixed_array等目标。
问题现象
在构建过程中,开发者会遇到如下典型的CMake错误信息:
Found package configuration file:
/usr/local/lib/cmake/Ceres/CeresConfig.cmake
but it set Ceres_FOUND to FALSE so package "Ceres" is considered to be NOT FOUND. Reason given by package:
The following imported targets are referenced, but are missing: absl::log absl::check absl::fixed_array
这个问题主要出现在使用Ceres-Solver的master分支时,因为该分支引入了对Abseil库的依赖,而稳定版本2.2.0则不存在这个问题。
问题根源分析
经过深入分析,这个问题主要由以下几个因素导致:
-
Abseil依赖引入:Ceres-Solver的最新开发版本引入了对Abseil库的依赖,特别是absl::log、absl::check和absl::fixed_array组件。
-
CMake配置问题:生成的CeresConfig.cmake文件没有正确处理Abseil依赖的导出和查找机制。
-
安装支持不完善:当前版本的安装支持对于外部安装的Abseil库处理不够完善,特别是在目标导出和依赖解析方面。
解决方案
临时解决方案
对于急需解决问题的开发者,可以采用以下临时方案:
-
使用稳定版本:回退到2.2.0稳定版本,该版本不依赖Abseil库。
-
手动修改CMake文件:编辑/usr/local/lib/cmake/Ceres/CeresTargets.cmake文件,在相关位置前添加
find_package(absl REQUIRED)语句。 -
禁用测试构建:如果遇到与glog相关的构建错误,可以通过禁用测试来绕过问题。
长期解决方案
开发团队正在积极解决这个问题,主要工作包括:
-
完善Abseil支持:改进CMake配置,确保能够正确处理系统安装的Abseil库。
-
版本标识更新:将开发分支的版本号与稳定版本区分开,避免混淆。
-
依赖导出修复:确保所有依赖目标都能正确导出和被发现。
最佳实践建议
-
开发环境:如果使用最新开发分支,建议通过
git clone --recurse-submodules完整获取代码和子模块。 -
生产环境:建议使用最新的稳定版本而非开发分支,以确保稳定性。
-
依赖管理:保持系统依赖(如glog)的版本与Ceres-Solver兼容,避免版本冲突。
技术细节
深入分析这个问题,我们发现其核心在于CMake的目标导出机制。当Ceres导出其目标时,需要确保所有依赖目标(包括Abseil的各个组件)都能被正确找到和链接。当前的实现中,这部分逻辑还不够完善,特别是在处理外部安装的Abseil库时。
开发团队提出的修复方案着重于:
- 改进Abseil组件的查找机制
- 完善目标导出时的依赖处理
- 确保安装后的配置能够正确解析所有依赖关系
总结
Ceres-Solver作为重要的科学计算库,其构建系统的稳定性对用户至关重要。当前遇到的Abseil依赖问题主要影响开发分支用户,稳定版本用户不受影响。开发团队已经意识到这个问题并正在积极修复。对于遇到此问题的用户,可以根据自身需求选择临时解决方案或等待官方修复。
建议关注项目更新,特别是对CMake构建系统的改进,这些改进将显著提升库的易用性和兼容性。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08