Ошибка кросс-компиляции с QtCreator [Yocto Image]

Я запекнул изображение qt5 для своего Beaglebone Black и экспортировал кросс-инструментальную цепочку sdk. Я также попытался настроить QtCreator для работы с цепочкой инструментов вывода, выполнив шаги, указанные в этой ссылке

Я поместил этот код в начало файла qtcreator.sh, чтобы изменить переменные среды

источник /opt/poky/1.6.1/environment-setup-cortexa9hf-vfp-neon-poky-linux-gnueabi

и настроил следующие параметры

qmake: / home / user / cross / sysroots / x86_64-pokysdk-linux / usr / bin / qt5 / qmake
компилятор g ++: / home / user / cross / sysroots / x86_64-pokysdk-linux / usr / bin / arm-poky-linux-gnueabi / arm-poky-linux-gnueabi-g ++
Системный root: / home / user / cross / sysroots / cortexa8hf-neon-poky-linux-gnueabi

Однако, когда я создаю проект, я получаю следующие ошибки:

error: cannot find -lQt5Widgets error: cannot find -lQt5Core error: cannot find -lQt5Gui error: collect2: error: ld returned 1 exit status

У кого-нибудь есть решение для этого?

P.S., когда я компилирую проект с помощью терминала, он компилируется без ошибок и хорошо работает на цели. Моя хост-машина работает под управлением Ubuntu 16.0.

31.01.2017

Ответы:

Я нашел ответ на этот вопрос, если у кого-то такая же проблема.

решение состоит в том, чтобы добавить linux-oe-g++ в «Qt mkspec» набора, который вы создали в QtCreator.

01.02.2017

Новые материалы

Как проанализировать работу вашего классификатора?

Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

Работа с цепями Маркова, часть 4 (Машинное обучение)

Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]

Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter

Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..

Учебные заметки: создание моего первого пакета Node.js

Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..

Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!

Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..

ИИ в аэрокосмической отрасли

Каждый полет – это шаг вперед к великой мечте. Чтобы это происходило в их собственном темпе, необходима команда астронавтов для погони за космосом и команда технического обслуживания..

Метки

Machine Learning JavaScript Data Science Artificial Intelligence Software Development Python Web Development Coding Deep Learning AI React Software Engineering Nodejs Java Front End Development Typescript Computer Science Data Algorithms Development NLP Tech Programming Languages CSS ChatGPT HTML Python Programming Javascript Tips Angular Computer Vision Data Visualization Neural Networks Startup Tutorial Statistics Productivity Reactjs Learning