博客
关于我
linux安装cmake
阅读量:315 次
发布时间:2019-03-03

本文共 1034 字,大约阅读时间需要 3 分钟。

Linux下安装CMake的详细指南

1. 概述

CMake是一款流行的构建工具,广泛应用于软件开发和打包。当前最新版本为3.17.0-rc2。在Linux系统中安装CMake可通过三种方式完成:通过软件包仓库安装、通过编译好的版本安装,或手动从源码编译安装。

2. 仓库安装

在大多数Linux发行版中,CMake可以通过包管理工具直接安装。例如,在Deepin系统中,可以通过以下命令快速安装:

sudo apt install cmake

安装完成后,若不满意旧版本(如3.7),可通过以下命令卸载:

sudo apt autoremove cmake

其他系统请根据自身包仓库配置自行查找安装命令。

3. 通过编译好的版本安装

如果需要特定版本或最新版本,可以从官方网站下载编译好的CMake二进制包。下载完成后:

tar -zxvf cmake-3.17.0-rc2-Linux-x86_64.tar.gzcd cmake-3.17.0-rc2-Linux-x86_64/bin

然后将CMake可执行文件添加到系统路径:

sudo ln -s cmake /usr/bin/cmake

验证安装是否成功:

cmake --version

4. 手动编译安装

4.1 下载

前往CMake官方网站下载最新源代码包:

tar -zxvf cmake-3.17.0-rc2.tar.gzcd cmake-3.17.0-rc2

4.2 解压

tar -zxvf cmake-3.17.0-rc2.tar.gzcd cmake-3.17.0-rc2

4.3 配置

./bootstrap --prefix=/usr/local/cmake

4.4 编译

在多核环境下编译以加快速度:

make -j 6

4.5 安装

将编译好的CMake安装到指定目录:

make install

4.6 添加别名

~/.bash_aliases中添加CMake别名:

vim ~/.bash_aliases

添加以下内容:

alias cmake=/usr/local/cmake/bin/cmake

然后重新加载配置:

source ~/.bash_aliases

或者执行:

. ~/.bash_aliases

最后验证版本:

cmake --version

通过以上方法,您可以轻松在Linux系统中安装并配置CMake。如遇到问题,请根据错误信息自行判断并查找解决方案。

转载地址:http://fuyq.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 初学者指南 -- 什么是迁移学习?
查看>>
OpenCV与AI深度学习 | 十分钟掌握Pytorch搭建神经网络的流程
查看>>
OpenCV与AI深度学习 | 基于GAN的零缺陷样本产品表面缺陷检测
查看>>
OpenCV与AI深度学习 | 基于OpenCV和深度学习预测年龄和性别
查看>>
OpenCV与AI深度学习 | 基于OpenCV实现模糊检测 / 自动对焦
查看>>
OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
查看>>
OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
查看>>
OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割
查看>>
OpenCV与AI深度学习 | 基于YoloV11自定义数据集实现车辆事故检测(有源码,建议收藏!)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8实现高级目标检测和区域计数
查看>>
VS2003 Front Page Server Extension
查看>>
OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
查看>>
OpenCV与AI深度学习 | 基于YoloV8的药丸/片剂类型识别
查看>>
OpenCV与AI深度学习 | 基于YOLO和EasyOCR从视频中识别车牌
查看>>
OpenCV与AI深度学习 | 基于图像处理的火焰检测算法(颜色+边缘)
查看>>
OpenCV与AI深度学习 | 基于拉普拉斯金字塔实现图像融合(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 基于改进YOLOv8的景区行人检测算法
查看>>
OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
查看>>