bazel构建项目案例(第三方库，编译成库，运行案例)

        使用bazel构建项目，包含如何引入外部库（项目中引入了opencv和编译的tensorflow lite库），如何编译成动态库和静态库，以及如何调用编译好的库。

        项目根目录的所有文件结构如下图所示。项目的构建由图中红色框起来的文件描述，其中蓝色的方框是生成的静态库和动态库（它们是从其他目录复制过来的）

一、构建外部库文件

        首先，构建WORKSPACE，即确定外部需要引入的库，如下：

# 确定外部的opencv库路径
new_local_repository(
    name = "opencv4",
    path = "/usr/local",    # opencv安装的目录
    build_file = "opencv4.BUILD",
)
 
# 确定外部的tensorflow lite库路径
new_local_repository(
    name = "tensorflow_lite",
    path = "/home/chentao/tensorflowlite",  # tensorflow lite编译成功所在目录
    build_file = "tensorflowLite.BUILD",
)

下图是我这边opencv和tensorflow lite库目录结构，看实际图片更容易理解（文件太多了，用tree显示更不好看，手画的将就看看）。

 然后再构建WORKSPACE中提及到的opencv4.BUILD和tensorflowLite.BUILD文件，这里容易出错。为了更好理解可以结合上述图片仔细理清路径问题。

 opencv4.BUILD文件：

# 构建opencv外部引入目标
cc_library(
    name = "opencv4",
    srcs = glob(["lib/libopencv*.so*"]),
    hdrs = glob(["include/opencv4/opencv2/**/*.h*"]),
    includes = ["include/opencv4/"],
    visibility = ["//visibility:public"], 
    linkstatic = 0,  # 默认值是1，表示链接的是静态库，否则就是动态库（有疑问不确定）
)

tensorflowLite.BUILD文件：

# 构建tensorflow lite外部引入库目标
cc_library(
    name = "tensorflow_lite",
    srcs = glob(["libs/libtensorflowlite.so"]),
    hdrs = glob(["include/**/*.h"]), # 等同于glob(["include/tensorflow/lite/**/*.h"]) + glob(["include/flatbuffers/**/*.h"])
    includes = ["include/"],
    visibility = ["//visibility:public"], 
    linkstatic = 0,
)

        至此，外部的库文件已经确定好了，现在可以直接使用它们了。

二、src目录的BUILD文件

        这个文件的BUILD文件包含了使用opencv和tensorflow lite库，编译成动态、静态库等等目标。提供常规使用的语法很具有参考意义。详细内容看注释。

# 构建facepose目标
cc_library(
    name = "facepose",
    srcs = glob(["*.cpp"]), # 遍历当前目录所有.cpp文件
    hdrs = glob(["*.h*"]),  # 遍历当前目录所有含有.h字符的文件
    deps = [
        "@tensorflow_lite//:tensorflow_lite",
        "@opencv4//:opencv4",
    ],
 
    visibility = ["//visibility:public"],        # 完全公开，本worksapce及其他workspace都可以访问
    #visibility = ["//visibility:private"],      # 私有，仅同一package内可访问
    #visibility = ["@my_repo//foo/bar:__pkg__"], # 表示指定的my_repo项目的//foo/bar的package内所有Targets可以访问
    #visibility = ["//foo/bar:__subpackages__"], # 表示指定的//foo/bar的package及其内部所有package的所有Targets可以访问
)
 
# 构建facepose动态库目标
cc_binary(
    name = "libfacepose.so",  # name一定要命名成lib*.so形式，否则会出现gcc定位错误（查到资料看到的，未验证）
    srcs = glob(["*.cpp"]) + glob(["*.h*"]),
    # hdrs = glob(["*.h*"]), # cc_binary中没有hdrs属性
    deps = [
        "@tensorflow_lite//:tensorflow_lite",
        "@opencv4//:opencv4",
    ],
    linkshared=True,  # 由这个属性指定生成动态库目标文件
    visibility = ["//visibility:public"],
)
 
# 构建facepose静态库目标
cc_library(
    name = "faceposestatic",  # 生成结果会自动在前面加上lib，在后面加上.a
    srcs = glob(["*.cpp"]),
    hdrs = glob(["*.h*"]),
    deps = [
        "@tensorflow_lite//:tensorflow_lite",
        "@opencv4//:opencv4",
    ],
    linkstatic=True,          # 由这个属性指定生成静态库目标文件
    visibility = ["//visibility:public"],
)
 
# 构建facepose头文件目标
cc_library(
    name = "faceposeHeader",
    hdrs = glob(["*.h*"]),
    visibility = ["//visibility:public"],
)
 
# 将当前目录的所有含有.h文件变成可以看见属性
#exports_files(glob(["*.h*"]))

三、demo目录的BUILD文件

        该目录是如果用bazel编译成可执行文件，以及如何使用动/静态库等等。详细内容看注释。

# 构建引用facepose动态库目标：如果在showAll目标中使用，需要先在程序根目录运行：
# bazel build //src:libfacepose.so命令，将生成的.so文件拷贝到对应路径（参考libfacepose.so的路径）
cc_import(
    name="dllfacepose",
    shared_library="libfacepose.so",
    deps = ["//src:faceposeHeader"],
)
 
# 构建引用facepose静态库目标：如果在showAll目标中使用，需要先在程序根目录运行：
# bazel build //src:faceposestatic命令，将生成的.a文件拷贝到对应路径（参考libfaceposestatic.a的路径）
cc_import(
    name="staticFacepose",
    static_library="libfaceposestatic.a",
    deps = ["//src:faceposeHeader"],
    # 文件所在BUILD中添加了exports_files(glob(["*.h*"]))，下面属性和deps属性作用相同
    #hdrs = ["@//src:DetectionPostProcess.hpp","@//src:FaceDetection.hpp",其他头文件也要加],
)
 
# 构建可执行程序目标
cc_binary(
    name = "showAll",
    srcs = ["showAll.cpp"],
    deps = [
        "//src:facepose",     # 引入其他Packages的构建的目标
        #":dllfacepose",      # 使用自己编译的动态库文件
        #":staticFacepose",   # 使用自己编译的静态库文件。上述三种只须选其中一种即可
        "@opencv4//:opencv4", # 引入外部opencv库
        "@tensorflow_lite//:tensorflow_lite"
    ],
    linkopts = ["-lpthread"], # 链接多线程库
    copts = ["-Isrc"],        # 添加src路径:不添加，则showAll.cpp文件中就需要#include "src/IrisLandmark.hpp"方式
    #copts = ["-std=c++14"]+["-Iinclude"],  # 指定C++14标准编译，并在当前或者依赖包的include目录下寻找头文件
)
 
# 构建可执行文件，用于测试opencv
cc_binary(
    name = "test_opencv",
    srcs = ["test_opencv.cpp"],
    deps = [
        "@opencv4//:opencv4",
    ],
)

四、编译上述目标命令

        下面所有命令都是在根目录下的终端执行，即和WORKSPACE同目录。      

        最简单的工程是用test_opencv.cpp测试opencv调用是否成功。命令如下：

# 编译
bazel build //demo:test_opencv
# 执行
./bazel-bin/demo/test_opencv

        编译动/静态的命令，如下所示：

# 动态库
bazel build //src:libfacepose.so
 
# 静态库
bazel build //src:faceposestatic

       编译可调用opencv和tensorflow lite库文件的可执行文件，命令如下：

# 编译
bazel build //demo:showAll
 
# 执行
./bazel-bin/demo/showAll

        贴出test_opencv.cpp和showAll.cpp文件，里面有#include注意项，被坑过。

test_opencv.cpp

#include 
#include "opencv2/highgui.hpp"
 
int main(int argc, char* argv[]) {
 
    cv::VideoCapture cap("../face_pose.avi");
 
    bool success = cap.isOpened();
    if (success == false)
    {
        std::cerr << "Cannot open the camera." << std::endl;
        return 1;
    }
 
    while (success)
    {
        cv::Mat rframe, frame;
        success = cap.read(rframe); // read a new frame from video
 
        if (success == false)
            break;
        
        cv::imshow("Face detector", rframe);
 
        if (cv::waitKey(1) == 27)
            break;
    }
 
    cap.release();
    cv::destroyAllWindows();
    return 0;
}

showAll.cpp

#include 
#include "opencv2/highgui.hpp"
#include "IrisLandmark.hpp"  // 这里注意是否是 #include "src/IrisLandmark.hpp"  ,看编译选项是否有copts = ["-Isrc"]
 
#define SHOW_FPS    (1)
 
#if SHOW_FPS
    #include 
#endif
 
int main(int argc, char* argv[]) {
 
    my::IrisLandmark irisLandmarker("./models");
    cv::VideoCapture cap("./face_pose.avi");
 
    bool success = cap.isOpened();
    if (success == false)
    {
        std::cerr << "Cannot open the camera." << std::endl;
        return 1;
    }
 
    #if SHOW_FPS
        float sum = 0;
        int count = 0;
    #endif
 
    while (success)
    {
        cv::Mat rframe, frame;
        success = cap.read(rframe); // read a new frame from video
 
        if (success == false)
            break;
        
        cv::flip(rframe, rframe, 1);
 
        #if SHOW_FPS
            auto start = std::chrono::high_resolution_clock::now();
        #endif
 
        irisLandmarker.loadImageToInput(rframe);
        irisLandmarker.runInference();
 
        for (auto landmark: irisLandmarker.getAllFaceLandmarks()) {
            cv::circle(rframe, landmark, 2, cv::Scalar(0, 255, 0), -1);
        }       
 
        for (auto landmark: irisLandmarker.getAllEyeLandmarks(true, true)) {
            cv::circle(rframe, landmark, 2, cv::Scalar(0, 0, 255), -1);
        }
 
        for (auto landmark: irisLandmarker.getAllEyeLandmarks(false, true)) {
            cv::circle(rframe, landmark, 2, cv::Scalar(0, 0, 255), -1);
        }
 
        #if SHOW_FPS
            auto stop = std::chrono::high_resolution_clock::now();
            auto duration = std::chrono::duration_cast(stop - start);
            float inferenceTime = duration.count() / 1e3;
            sum += inferenceTime;
            count += 1;
            int fps = (int) 1e3/ inferenceTime;
 
            cv::putText(rframe, std::to_string(fps), cv::Point(20, 70), cv::FONT_HERSHEY_PLAIN, 3, cv::Scalar(0, 196, 255), 2);
        #endif
 
        cv::imshow("Face detector", rframe);
 
        if (cv::waitKey(10) == 27)
            break;
    }
 
    #if SHOW_FPS
        std::cout << "Average inference time: " << sum / count << "ms " << std::endl;
    #endif
 
    cap.release();
    cv::destroyAllWindows();
    return 0;
}