信息来源：cid:link_0现象描述编译并安装自定义算子包时，运行如下命令，出现“......error: command 'g++' failed with exit status 1”报错。说明：查看报错的详细信息请单击上述“信息来源”链接。cd amct_onnx_op && python3 setup.py build可能原因AMCT安装时系统要求和环境不满足要求。AMCT目前支持在Ubuntu 20.04 x86_64（推荐）和Ubuntu 18.04 x86_64架构操作系统安装。处理方式按照《产品文档》中工具安装要求重新安装AMCT。

使用MDC 510技术文档中的《AI开发-ATC模型转换-快速开始》的Resnet50转换失败输入：atc --model=/home/kjhu/桌面/resnet50_official.onnx --framework=5 --output=$HOME/module/out/onnx_resnet50 --soc_version=AS31XM1X输出：ATC run failed, Please check the detail log, Try 'atc --help' for more informationE40001: Value [/usr/local/python3.7.5] for environment variable [ld_library_path or ldconfig] is invalid when load python dynamic library.        Solution: Reset the environment variable by referring to the installation guide.        TraceBack (most recent call last):        [GraphOpt][InitializeInner][InitTbeFunc] Failed to init tbe.[FUNC:InitializeInner][FILE:tbe_op_store_adapter.cc][LINE:1623]        [SubGraphOpt][PreCompileOp][InitAdapter] InitializeAdapter adapter [tbe_op_adapter] failed! Ret [4294967295][FUNC:InitializeAdapter][FILE:op_store_adapter_manager.cc][LINE:84]        [SubGraphOpt][PreCompileOp][Init] Initialize op store adapter failed, OpsStoreName[tbe-custom].[FUNC:Initialize][FILE:op_store_adapter_manager.cc][LINE:125]        [FusionMngr][Init] Op store adapter manager init failed.[FUNC:Initialize][FILE:fusion_manager.cc][LINE:124]        PluginManager InvokeAll failed.[FUNC:Initialize][FILE:ops_kernel_manager.cc][LINE:96]        OpsManager initialize failed.[FUNC:InnerInitialize][FILE:gelib.cc][LINE:235]        GELib::InnerInitialize failed.[FUNC:Initialize][FILE:gelib.cc][LINE:163]

环境： MDC610版本： 1.1.027MDC610上运行一个两个节点通过dds(event)方式通信的简单程序报错，报错信息如下:程序通过MMC的model校验时没有出现error，运行前也指定了CM_CONFIG_FILE_PATH环境变量，看报错信息好像是CM配置中缺少了vlan的配置，但是我不知道vlan配置在MMC中的哪里配置。想问下是哪里没有配置对嘛？（这个程序在1.1.006那个版本的环境上是可以正常运行的，程序以及arxml配置等文件已上传至附件）

自动驾驶(AIOT) - 轻量级目标检测与分割算法开发和部署(RK3568)本文将在ModelArts平台上开发轻量级目标检测与分割算法，并使用ModelBox框架在RK3568开发板上实现模型推理和部署。数据准备我们收集了一份200张由Labelme标注的道路图像分割数据集，之后使用脚本将其转换为VOC格式的数据集并进行数据增强：处理好的数据集已经分享到AI Gallery上，可以使用OBS下载：算法简介像素级的图像分割不仅需要精确，有时还需要高效以便应用到real-time application比如自动驾驶汽车等。现有的方法可能精度较高但往往参数量巨大，为了解决这个问题，我们使用LinkNet作为主干网络[Fig. 1]，中间层[Fig. 2]使用LeakyRelu进行激活，最后一层使用Sigmoid做归一化，并在Encoder Block 4后增添目标检测分支，训练过程中进行梯度裁剪防止梯度爆炸。云端训练算法详情可以运行我发布的Notebook，并下载转换好的模型文件：端侧推理1、我们在VS Code中使用Remote-SSH远程连接ModelBox端云协同AI开发套件(RK3568)：2、在SDK目录下使用create.py脚本创建工程object_detection_seg(od_seg)：3、创建推理功能单元yolo_tf_seg：4、将转换好的模型放到yolo_tf_seg目录下，我们的模型有一个输入和两个输出：修改配置文件如下：5、创建后处理功能单元post_process：对于后处理功能单元，我们在config中配置参数，接收2个float类型的推理结果，返回类别检测框和图像掩码：对应的逻辑代码如下：6、创建绘图功能单元draw_image：对于绘图功能单元，我们接收解码后的原始图像和目标检测框以及分割图像，对应的配置文件如下：接下来补充逻辑代码生成新的图像：7、查看流程图：对应代码如下：8、配置输入和输出，运行应用：9、我们可以在Chrome浏览器chrome://tracing/中加载性能统计文件：通过分析耗时最久的是推理功能单元，720p视频检测帧率在6fps左右。小结：本文总体而言并没有太多的创新点，是一个纯工程化的项目，主要工作是将学术界的优秀论文落地到边缘设备上，通过对网络的魔改，得到一个兼顾精度、速度和体积的目标检测和分割模型，在模型量化过程中会出现精度损失，后续会通过优化算法以及选择不同的量化算法kl_divergence(feature分布不均匀时可以得到较好的改善效果)继续提高模型的检测效果，复现本案例所需资源（代码、模型、测试数据等）均可从object_detection_seg.zip获取。

算法实现像素级的图像分割不仅需要精确，有时还需要高效以便应用到real-time application比如自动驾驶汽车等。现有的方法可能精度较高但往往参数量巨大，为了解决这个问题，我们使用LinkNet作为主干网络[Fig. 1]，中间层[Fig. 2]使用LeakyRelu进行激活，最后一层使用Sigmoid做归一化，并在Encoder Block 4后增添目标检测分支，训练过程中进行梯度裁剪防止梯度爆炸。详情可以运行我发布的Notebook，并下载转换好的模型文件：ONNXRuntime推理：下载yolo_tf_seg.zip并解压到本地，之后安装opencv、numpy、onnxruntime即可一键运行。

1、使用date命令设置数据面时间，重启后数据面时间会自动跳变。2、使用mdc-tool tsync DP -s修改数据面时间，重启后数据面时间也会自动跳变。需求：修改数据面时间，使其重启后也能生效？ 或者能够自定义系统开机的默认时间，设置默认时间为固定值。

想将视频流的图像数据转换为opencv可操作的Mat类型，请问如何实现

请问老师，我尝试引入交叉编译环境中预装的OpenCV3.4.8，看日志信息貌似是没啥问题的，但为什么opencv还有这么多库没链接到是吗，详见附件。请问有这种问题吗，如何解决。opencv message：-- OpenCV library status:--     version: 3.4.8--     libraries: opencv_calib3d;opencv_core;opencv_dnn;opencv_features2d;opencv_flann;opencv_highgui;opencv_imgcodecs;opencv_imgproc;opencv_ml;opencv_objdetect;opencv_photo;opencv_shape;opencv_stitching;opencv_superres;opencv_video;opencv_videoio;opencv_videostab;opencv_viz--     include path: /usr/local/ubuntu_crossbuild_devkit/sysroot/usr/local/include;/usr/local/ubuntu_crossbuild_devkit/sysroot/usr/local/include/opencv

场景描述：我有多台MDC 300F，其中一台无法正常启动，可以忽略供电和连接等问题。供电后风扇转动，但无法ping通192.168.1.6。debug串口打印日志：每次到这里报错，2min后重启，再报错，循环。望华为同学提供建议~

请问华为MDC 300F ADSFI框架中车道线如何部署？有没有车道线基于OPENCV / 深度学习成功的案例参考？目前倾向于深度学习来做，还有车道线转换模型需要更改算子吗？转换后的.om文件一般包含什么可以说一说吗？

1.CM配置完成了，生成代码了，ADSFI框架按照您的说法，通过订阅获取数据。。那么如果需要让这个client接收到激光雷达数据，，这种CM应该通过何种方式接收激光雷达抽象数据？可以直接将socket接收数据程序整合进client端吗？2.生成代码之后具体要在哪个地方做开发，有具体的教程吗？

请问这个autosar的示例工程在哪里下载呀？camera_to_fusion，找不到工程。

硬件安装好，并且布线没有问题。设置文件已经设置好，并且运行显示成功root@mdchost:/opt/platform/mdc_platform/manual_service/camera_tool/bin# ./camera_tool Parse success Check success Merge success Save success打开端口之后显示root@mdchost:/opt/platform/mdc_platform/script# /opt/platform/mdc_platform/script/camera_mviz_start.sh 71 72 73 74 75 76 77 78 [Info ] Input instance: 71 72 73 74 75 76 77 78 The MViz server address is parsed and the visualization client is created successfully. 数据没有传输过来，也没有画面显示。

这是autosarAP视频中最后的实操部分，但是我翻遍了官网也没有找到cm_demo这个实例代码，有没有哪个小伙伴知道在哪里呀？

我用的硬件是MDC300，用的CANN版本是Ascend-cann-toolkit_5.0.mdc300_linux-x86_64.run，在onnx转om过程中出现算子不支持的情况，是否升级在最新版本，算子就可以支持，如何升级最新版本呢？