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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00