解决Mobile-Deep-Learning项目在Ubuntu 22.04 x64编译x86版本时的CMake错误
2025-05-31 03:18:11作者:彭桢灵Jeremy
在Ubuntu 22.04 x64系统上编译Mobile-Deep-Learning项目的x86版本时,开发者可能会遇到一个特定的CMake构建错误。这个错误通常发生在构建过程的6%进度处,表现为无法完成"publish_inference"目标的构建。
错误现象
构建过程会在完成'extern_protobuf'目标后失败,错误信息显示CMake无法为'lite/CMakeFiles/publish_inference.dir/rule'创建规则,最终导致构建过程中断。典型的错误输出如下:
[ 6%] Completed 'extern_protobuf'
[ 6%] Built target extern_protobuf
CMakeFiles/Makefile2:651: recipe for target 'lite/CMakeFiles/publish_inference.dir/rule' failed
make[1]: *** [lite/CMakeFiles/publish_inference.dir/rule] Error 2
Makefile:300: recipe for target 'publish_inference' failed
make: *** [publish_inference] Error 2
问题原因
经过分析,这类错误通常与项目依赖的第三方库下载过程有关。可能的原因包括:
- 网络问题导致第三方库下载不完整或失败
- 之前构建尝试留下的不完整或损坏的第三方库文件
- 构建环境配置不当导致依赖解析失败
解决方案
方法一:清理并重新下载第三方库
- 首先删除项目根目录下的third-party文件夹(注意不是build目录)
- 重新运行构建命令:
./lite/tools/build_linux.sh --arch=x86 --with_python=ON --with_log=ON
方法二:检查网络环境
确保您的网络环境能够正常访问和下载所需的第三方依赖库。可以考虑:
- 检查网络代理设置(如有)
- 尝试使用更稳定的网络连接
- 验证是否能够手动下载所需的依赖项
方法三:完整清理后重建
- 完全删除build目录和third-party目录
- 运行
git clean -xdf清理所有未跟踪的文件(谨慎使用,会删除所有未提交的更改) - 重新克隆项目并尝试构建
预防措施
为了避免类似问题再次发生,建议:
- 在开始构建前确保网络连接稳定
- 定期清理构建缓存和第三方库
- 考虑使用项目的Docker构建环境(如果提供)来避免环境差异导致的问题
总结
Mobile-Deep-Learning项目在Ubuntu系统上的x86构建过程中遇到的CMake规则创建失败问题,通常可以通过清理第三方依赖并确保网络连接稳定来解决。开发者应该养成在构建前清理环境的习惯,特别是在切换构建目标或遇到构建失败时。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
177
195
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
647
264
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
270
94
暂无简介
Dart
623
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
378
3.34 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1