windows安装并编译llama.cpp步骤，亲测可用

Ne0inhk

— 1 min read
windows安装并编译llama.cpp步骤，亲测可用

一、下载visual studio

下载 Visual Studio Tools - 免费安装 Windows、Mac、Linux

选择c++桌面开发

二、下载cmake

Download CMake

三、下载CUDA toolkits（需要GPU加速可选）

CUDA Toolkit - Free Tools and Training | NVIDIA Developer

四、安装 curl（需要联网下载模型可选）

git clone https://github.com/microsoft/vcpkg.git cd vcpkg .\bootstrap-vcpkg.bat .\vcpkg install curl:x64-windows

        需手动新建模型下载目录C:\Users\Administrator\AppData\Local\llama.cpp

五、下载llama.cpp源代码并编译：

git clone https://github.com/ggerganov/llama.cpp.git cd llama.cpp cmake -B build -DGGML_CUDA=ON -DLLAMA_CURL=ON cmake --build build --config Release

        -B build：指定构建目录为 ./build。
        -DGGML_CUDA=ON：启用 CUDA 支持（需已安装 CUDA 工具包）。
        -DLLAMA_CURL=ON：启用 CURL 支持（需已安装 curl）

六、进入build\bin\Release目录开始使用llama

Read more

KWDB 硬核实战：30ms 写入千条轨迹，用 SQL 打造物流车队“天眼”系统

KWDB 硬核实战：30ms 写入千条轨迹，用 SQL 打造物流车队“天眼”系统

前言： 随着 5G 和物联网技术的普及，车联网 (Internet of Vehicles, IoV) 正成为数据爆发的新战场。与传统的静态传感器不同，车辆是移动的计算节点，它们每时每刻都在产生海量的时间序列数据：从 GPS 经纬度到发动机转速，从剩余油量到刹车踏板状态。 对于一家拥有数百辆货车的物流公司而言，这些数据就是金矿。通过实时监控，可以有效降低油耗、杜绝违规驾驶、优化配送路线。然而，传统的关系型数据库在面对车辆高频上报（例如每秒 10 次）的轨迹数据时，往往面临写入瓶颈；而单纯的时序数据库又难以处理复杂的车辆档案关联查询。 KWDB (KaiwuDB) 的“多模”特性恰好解决了这一痛点。今天，我们将实战构建一个物流车队实时监控平台，挑战如何在一个数据库内同时搞定“车辆档案管理”与“海量轨迹分析”。 场景设定：我们要为一个拥有 200 辆货车的物流车队构建监控系统。 核心挑战：高频写入：车辆每 10

By Ne0inhk
Flutter 三方库 objectbox_generator — 自动化构建鸿蒙极速 NoSQL 数据库映射（适配鸿蒙 HarmonyOS Next ohos）

Flutter 三方库 objectbox_generator — 自动化构建鸿蒙极速 NoSQL 数据库映射（适配鸿蒙 HarmonyOS Next ohos）

欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.ZEEKLOG.net。 Flutter 三方库 objectbox_generator — 自动化构建鸿蒙极速 NoSQL 数据库映射（适配鸿蒙 HarmonyOS Next ohos） 在高性能移动应用开发中，本地数据的持久化存储效率往往是决定用户感知流畅度的木桶短板。传统的 SQLite 虽然结构化程度高，但在处理大规模对象关系映射（ORM）时，复杂的 SQL 拼接和反射解析往往会成为性能瓶颈。 ObjectBox 作为一个专为移动设备打造的、跨平台的超高速 NoSQL 数据库，已经成为了许多追求极致体验开发者的首选。而在 Flutter for OpenHarmony 开发中，配合 objectbox_generator，我们可以通过注解驱动的自动化流程，掌握这套高性能数据库的核心用法。 ⚠️ 鸿蒙适配现状提示：截至本文撰写时，ObjectBox 的 Dart 插件尚未提供官方的 OpenHarmony

By Ne0inhk
YOLO可视化界面，目标检测前端QT页面。

YOLO可视化界面，目标检测前端QT页面。

使用PySide6/QT实现YOLOv8可视化GUI页面 在人工智能和计算机视觉领域，YOLO（You Only Look Once）是一种广泛使用的实时目标检测算法。为了直观地展示YOLO算法的检测效果，我们可以使用Python中的PySide6库来创建一个简单的GUI应用程序，将检测结果实时可视化。 本文将指导你如何使用PySide6实现这一功能。 1. 原视频/图片区：上半部分左边区域为原视频/图片展示区； 2. 检测区：上半部分右边区域为检测结果输出展示区； 3. 日志文本框：打印输出操作日志； 4. 加载模型：从本地选择模型pt文件进行加载； 5. 置信度阈值：自定义检测区的置信度阈值； 6. 文件上传：选择目标文件； 7. 开始检测：执行检测程序； 8. 停止：终止检测程序； 一、工具介绍 1、PySide6 PySide6是一款功能强大的GUI（图形用户界面）开发框架，它允许Python开发者使用Qt库的功能来构建跨平台的桌面应用程序。PySide6作为Qt的Python绑定版本，继承了Qt的跨平台特性，支持在Windows、

By Ne0inhk

Android WebRTC 外置摄像头接入实战：从硬件选型到低延迟传输优化

快速体验 在开始今天关于 Android WebRTC 外置摄像头接入实战：从硬件选型到低延迟传输优化 的探讨之前，我想先分享一个最近让我觉得很有意思的全栈技术挑战。 我们常说 AI 是未来，但作为开发者，如何将大模型（LLM）真正落地为一个低延迟、可交互的实时系统，而不仅仅是调个 API？ 这里有一个非常硬核的动手实验：基于火山引擎豆包大模型，从零搭建一个实时语音通话应用。它不是简单的问答，而是需要你亲手打通 ASR（语音识别）→ LLM（大脑思考）→ TTS（语音合成）的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说，这是个绝佳的练手项目。 从0到1构建生产级别应用，脱离Demo，点击打开 从0打造个人豆包实时通话AI动手实验 Android WebRTC 外置摄像头接入实战：从硬件选型到低延迟传输优化 一、为什么需要外置摄像头？ 在医疗内窥镜、工业质检等专业场景中，设备往往需要： * 特殊光学需求：

By Ne0inhk