windows下使用msys2编译ffmpeg

三种方法:

1、在msys2中使用gcc编译

2、在msys2中使用visual studio编译(有环境变量)

3、在msys2中使用visual studio编译(无环境变量)

我的环境:

1、msys2-x86_64-20250221

2、vs2015

3、ffmpeg-7.1.1

1、在msys2中使用gcc编译

网上相关文章很多,随便都能搜到,不再赘述。但是有三点需要说明一下:

(1)、网上很多使用这种方法的帖子都提到需要修改 msys2_shell(也就是把 rem set MSYS2_PATH_TYPE=inherit 这行前面的 rem 去掉),其实并不需要修改,因为这样做的目的是为了使用 windows 系统的环境变量。而我们是采用 msys2 中的 gcc 工具链编译,并不会用到 windows 系统的环境变量(当然,如果需要依赖 windows 系统中安装的其他第三方模块,那还是得修改)

(2)、也不需要将 msys2 安装目录下的 usr/bin 下的 link.exe 重命名为 link.bak。原因与上面相同

(3)、如果是运行 mingw32.exe 启动的 msys2 环境(直接双击 msys2 安装目录下的这个文件跟先进入命令行然后运行 msys2_shell.cmd -mingw32 是一样的效果),那么编译出来的 dll 是 32 位的。如果是运行 mingw64.exe 启动的 msys2 环境(直接双击 msys2 安装目录下的这个文件跟先进入命令行然后运行 msys2_shell.cmd -mingw64 是一样的效果),那么编译出来的 dll 是 64 位的

这种方法优点是方便,缺点是因为采用了gcc编译工具链所以生成的动态库需要依赖三个额外的动态库:zlib1.dll、libgcc_s_dw2-1.dll、libiconv-2.dll,这让具有强迫症的我有点不能忍受。于是想到如果采用 msvc 工具链是不是就不需要这三个动态库了呢?于是就试试

2、在msys2中使用visual studio编译(有环境变量)

跟第一种方法类似。不同的是:

(1)、需要将 msvc 的 bin 目录加入系统的环境变量

(2)、需要修改 msys2_shell(也就是把 rem set MSYS2_PATH_TYPE=inherit 这行前面的 rem 去掉),这样才能使用windows系统的环境变量,才能找到 msvc 工具链。

(3)、将 msys2 安装目录下的 usr/bin 下的 link.exe 重命名为 link.bak,以避免与 msvc 的 link.exe 冲突

启动 msys2 环境之后可以在命令行输入 which cl 命令来验证工具链是否是 msvc:

然后依次执行以下命令编译 ffmpeg:

./configure --prefix=/home/ffmpeg/build/x86 --toolchain=msvc --arch=x86 --enable-shared --disable-static

make && make install

经过验证,我的想法果然没错。通过使用 msvc 工具链编译出来的动态库不需要依赖 msys2 下面的三个动态库。

但是我遇到一个坑,就是 ffmpeg-7.1.1 要求编译器支持 c11,但是我的 vs2015 并不支持 c11,所以无法编译 ffmpeg-7.1.1,我改用 ffmpeg-4.2.9 后成功编译。也可以使用 vs2019 及以上版本来编译 ffmpeg-7.1.1

3、在msys2中使用visual studio编译(无环境变量)

跟第二种方法类似。不同的是:

(1)、不需要修改 msys2_shell(但要重命名 usr/bin/link.exe)

(2)、要通过 vs 的命令行启动 msys2 环境。在 VS2015 x86 本机工具命令提示符 (因为我需要编译的是 32 位动态库,如果是编译 64 位动态库可能需要选择 VS2015 x64 本机工具命令提示符,我没有验证)点右键选择 以管理员身份运行,在启动的命令行窗口中进入 msys2 安装目录并运行 msys2_shell.cmd

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/984622.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

引领变革!北京爱悦诗科技有限公司荣获“GAS消费电子科创奖-产品创新奖”!

在2025年“GAS消费电子科创奖”评选中,北京爱悦诗科技有限公司提交的“aigo爱国者GS06”,在技术创新性、设计创新性、工艺创新性、智能化创新性及原创性五大维度均获得评委的高度认可,荣获“产品创新奖”。 这一奖项不仅是对爱悦诗在消费电子…

cesium地图设置3d,2d,2.5d动态切换

通过修改cesium实例vw的scene的显示模式,来切换最终的显示模式。 Cesium.SceneMode总共有四个变量值,分别如下:NameTypeDescriptionMORPHINGnumber在3d与2d之间切换变体 between mode, e.g., 3D to 2D.COLUMBUS_VIEWnumber2.5d模式&#xff0…

Spring Boot 解析 LocalDateTime 失败?Uniapp 传输时间变 1970 的原因与解决方案

目录 前言1. 问题分析2. 时间戳(推荐,可尝试)3. 使用 JsonDeserialize & JsonSerialize(中立)4. 前端传 ISO-8601 格式(不推荐,可尝试)5. 用 String(中立&#xff09…

基于Spark的热门动漫推荐数据分析与可视化系统的设计与实现(采用Python语言Django框架,Hadoop,spider爬虫等技术实现)

基于Hadoop的热门动漫推荐数据分析与可视化系统 基于Django的热门动漫推荐数据分析与可视化系统 1. 开发工具和实现技术 Pycharm, Python3.7,Django框架,Hadoop,Spark,Hive,spider爬虫(爬取动漫之家的动…

【Java学习】泛型

面向对象系列八 一、泛型类变量 二、泛型实现 1.编译检查 2.类型擦除 3.泛型效果 三、类型检查 1.向上转型相关: 2.数组相关: 四、extend 1.非泛型下: 2.泛型中: 一、泛型类变量 一个类变量对里面位置引用变量的类型通泛…

nnMamba:基于状态空间模型的3D生物医学图像分割、分类和地标检测

摘要 本文提出了一种基于状态空间模型(SSMs)的创新架构——nnMamba,用于解决3D生物医学图像分割、分类及地标检测任务中的长距离依赖建模难题。nnMamba结合了卷积神经网络(CNN)的局部特征提取能力与SSMs的全局上下文建…

探索在生成扩散模型中基于RAG增强生成的实现与未来

概述 像 Stable Diffusion、Flux 这样的生成扩散模型,以及 Hunyuan 等视频模型,都依赖于在单一、资源密集型的训练过程中通过固定数据集获取的知识。任何在训练之后引入的概念——被称为 知识截止——除非通过 微调 或外部适应技术(如 低秩适…

OpenAI API模型ChatGPT各模型功能对比,o1、o1Pro、GPT-4o、GPT-4.5调用次数限制附ChatGPT订阅教程

本文包含OpenAI API模型对比页面以及ChatGPT各模型功能对比表 - 截至2025最新整理数据:包含模型分类及描述;调用次数限制; 包含模型的类型有: Chat 模型(如 GPT-4o、GPT-4.5、GPT-4)专注于对话&#xff0c…

【时间序列聚类】Feature-driven Time Series Clustering(特征驱动的时间序列聚类)

文章目录 1.文章介绍2.问题背景3.拟解决的问题4.主要贡献5.提出的方法5.1模型pipeline5.2特征抽取和选择5.3图渲染和社区检测5.4共现矩阵的构建5.5对共现矩阵进行聚类 6.实验6.1模型设置6.2实验结果6.3消融实验 7.结论8.个人观点9.Reference 1.文章介绍 论文出处:ED…

采用内存局部性分配有什么好处?

内存分配时的局部性分配(Locality of Allocation)是指将相关的内存对象分配在相邻或相近的内存区域中。这种分配策略在现代计算机系统中具有显著的好处,主要体现在以下几个方面: 1. 提高缓存命中率 现代计算机系统依赖于多级缓存…

Fast DDS Security--秘钥交换

Fast DDS Security模块中默认使用Diffie-Hellman算法进行秘钥交换。Diffie-Hellman 算法(简称 DH 算法)是一个非常重要的加密协议,用于在不安全的通信通道中安全地交换密钥。该算法通过利用数学中的离散对数问题来生成共享密钥,使…

3.3.5 VO-O语法- 高级语法

VO语言还提供了一些个性化的高级语法特性,这些语法特性有别于传统的编程语言。但可以更好的帮助开发者实现高效、稳定的生产级数据流程。 调度运行 在现行的编程语言中,调度运行不在语法表示范围之内。这属于具体的代码实现逻辑。但在VO语言设计中&…

NLP文本分析之依存句法分析(理论及技术实践)

引言 在自然语言处理(NLP)领域中,理解句子的语法结构是实现语义理解的基础。依存句法分析(Dependency Parsing) 作为句法分析的核心任务之一,通过揭示句子中词语之间的依存关系,为机器翻译、信…

LeetCode hot 100—爬楼梯

题目 假设你正在爬楼梯。需要 n 阶你才能到达楼顶。 每次你可以爬 1 或 2 个台阶。你有多少种不同的方法可以爬到楼顶呢? 示例 示例 1: 输入:n 2 输出:2 解释:有两种方法可以爬到楼顶。 1. 1 阶 1 阶 2. 2 阶 示例…

RoboVQA:机器人多模态长范围推理

23 年 11 月来自 Google Deepmind 的论文“RoboVQA: Multimodal Long-Horizon Reasoning for Robotics”。 本文提出一种可扩展、自下而上且本质多样化的数据收集方案,该方案可用于长期和中期的高级推理,与传统的狭窄自上而下的逐步收集相比&#xff0c…

WWDG窗口看门狗原理

WWDG(窗口看门狗)在窗口期喂狗 作用: 原理: 框图 WWDG寄存器: WWDG_CR控制寄存器 WWDG_CFR配置寄存器 状态寄存器WWDG_SR 超时时间计算公式 最小最大超时值 HAL配置函数: 1. IWDG 和 WWDG 的区别 IWDG&…

基于Flink SQL的实时指标多维分析模型

数据流程介绍 1.创建源表kafka接入消息队列数据,定义字段映射规则; 2.创建目标表es_sink配置Elasticsearch输出; 3.通过多级视图(tmp→tmp_dedup→tmp1/tmp2→tmp3→tmp_groupby)实现数据清洗、去重、状态计算&#x…

超分之DeSRA

Desra: detect and delete the artifacts of gan-based real-world super-resolution models.DeSRA:检测并消除基于GAN的真实世界超分辨率模型中的伪影Xie L, Wang X, Chen X, et al.arXiv preprint arXiv:2307.02457, 2023. 摘要 背景: GAN-SR模型虽然…

UIToolkit(一)

1 前言 UI Toolkit 是一种基于 Web 技术的 GUI 框架,是为了解决 UGUI 效率问题而设计的新一代 UI 系统(UGUI 的介绍详见→UGUI概述)。与 UGUI 不同,UI Toolkit 没有采用 GameObject 的方式,而是参考了 Web 技术的 XML …

Unsloth - 微调 Phi-4 + 修复 Bug

文章目录 Phi-4 错误修复1、分词器错误修复2、微调错误修复3、聊天模板问题 💡 我们的问题修复有效吗?🦙 Llama-fication🦥 动态 4 位量化🛠️ Finetuning Phi-4性能基准测试 本文翻译自:Phi-4 Finetuning …