windows11编译OpenCV4.5.0 with CUDA

从OpenCV4.2.0 版本开始允许使用 Nvidia GPU 来加速推理。本文介绍最近使用windows11系统编译带CUDA的OpenCV4.5.0的过程。

  • 文中使用【特别注意：…】为大家标识出容易出错的地方。
  • 安装成功后，使用CPU与GPU调用yolov4模型进行推理的耗时测试结果：
GPU CPU
4ms 311ms
  • 从差距上看，还是值得花时间编译一下的：）
  • 耗时测试环境：
    • 调用笔记本自带摄像头获取视频
    • Notebook GTX3080显卡

1.准备环境

1.1 下载OpenCV4.5.0

  • 编译需要OpenCV4.5.0的源码
  • 下载地址（3项可选）：

    https://opencv.org/releases/
    https://github.com/opencv/opencv/releases/tag/4.5.0
    https://sourceforge.net/projects/opencvlibrary/files/4.5.0/opencv-4.5.0-vc14_vc15.exe/download

  • 下载完成后是一个exe程序，双击即可解压，解压后:
    • source文件夹就是源码
    • build文件夹是编译好的不带CUDA加速的OpenCV4.5.0(本文不使用)

1.2 下载OpenCV4.5.0 contrib

  • Contrib Modules是OpenCV的扩展模块，包含了很多用于实现特定算法
  • 编译OpenCV需要用到contirb模块
  • 特别注意：务必下载与源码对应版本的contrib模块
  • 下载地址（第1个为官方下载地址，第2个为国内某同学搭建的下载库，速度较快）：

    https://github.com/opencv/opencv_contrib/tags
    https://www.raoyunsoft.com/opencv/opencv_contrib/opencv_contrib-4.5.0.zip

1.3 准备.cache文件

  • 编译过程中需要联网下载一些依赖库，并存放于sourc.cache文件夹中
  • 特别注意：因要连到外网，因此速度比较慢，有时断网造成编译失败，所以可以提前准备好这些文件
  • OpenCV4.5.0的.cache文件下载地址：

    https://download.csdn.net/download/iracer/85695997

  • 使用方法：
    • 将.cache文件夹拷贝到source文件夹下，与原.cache文件夹合并

1.4 安装Visual Studio 2019

  • 安装CUDA需要vs，这里选择vs2019
  • 安装步提要：
  • Download Visual Studio 2019 Community Edition
  • Select Desktop Development with C++ option and click on install

1.5 安装CUDA和cuDNN

  • NVIDIA官方指南：

    https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#install-windows

  • 本次在windows11上安装的CUDA和cuDNN版本为：
  • CUDA 11.3：cuda_11.3.1_465.89_win10.exe
  • duDNN 8.4：cudnn-windows-x86_64-8.4.0.27_cuda11.6-archive.zip
  • 特别注意：zlib库需要下载并添加到系统环境变量path中，因为cdDNN需要调用该库。
  • zlib库下载地址：

    www.winimage.com/zLibDll/zlib123dllx64.zip
    下载完成后解压zip文件，并将zlibwapi.dll所在目录添加到系统环境变量path中

  • 查看CUDA安装结果：
C:\Users\irace>nvcc --version
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2021 NVIDIA Corporation
Built on Mon_May__3_19:41:42_Pacific_Daylight_Time_2021
Cuda compilation tools, release 11.3, V11.3.109
Build cuda_11.3.r11.3/compiler.29920130_0

1.6 安装CMake

  • 本次是用的是3.22版本，3.19以上版本应该都可以（未逐一测试）
  • 下载地址：

    https://github.com/Kitware/CMake/releases/download/v3.22.5/cmake-3.22.5-windows-x86_64.msi

2. 编译

2.1 CMake生成解决方案

  • 双击解压OpenCV4.5.0.exe，解压后的source目录即OpenCV4.5.0的源码

  • 解压opencv_contrib-4.5.0

  • 新建一个编译目录

    D:\opencv\oepncv4.5.0cuda\build

  • 打开CMake

  • 配置source code:

    D:/opencv/opencv4.5.0/sources

  • 配置目标目录：

    D:\opencv\oepncv4.5.0cuda\build

  • 第1次点击[Configure]

  • 弹出窗口选择vs2019作为编译器：

    Visual Studio 16 2019

  • generate平台选择x64

  • 第2次点击[Configure]后，搜cuda带cuda的都勾选，

    • BUILD_CUDA_STUBS
    • BUILD_opencv_cudaarithm
    • BUILD_opencv_cudabgsegm
    • BUILD_opencv_cudacodec
    • BUILD_opencv_cudafeatures2d
    • BUILD_opencv_cudafilters
    • BUILD_opencv_cudaimgproc
    • BUILD_opencv_cudalegacy
    • BUILD_opencv_cudaobjdetect
    • BUILD_opencv_cudaoptflow
    • BUILD_opencv_cudastereo
    • BUILD_opencv_cudawarping
    • 除此之外此外以下两项数学加速选项也勾选：
    • CUDA_FAST_MATH
    • ENABLE_FAST_MATH
    • CMake界面上Search栏搜modules，设置contrib模块路径

    D:\opencv\oepncv4.5.0cuda\opencv_contrib-4.5.0\modules

  • 第3次点击[Configure]，完成后，再次搜索cuda，配置CUDA_ARCH_BIN中将显卡的算力内容改成自己显卡的算力,t如下网址查询自己显卡的算力，我保留了7.5;8.0;8.6

    • 查询显卡算力链接

    GeForce 笔记本

    GPU Compute Capability
    GeForce RTX 3080 8.6
    GeForce RTX 3070 8.6
    GeForce RTX 3060 8.6
    GeForce RTX 3050 Ti 8.6
    GeForce RTX 3050 8.6
    Geforce RTX 2080 7.5
    Geforce RTX 2070 7.5
    Geforce RTX 2060 7.5
    GeForce GTX 1080 6.1
    GeForce GTX 1070 6.1
    GeForce GTX 1060 6.1

    GeForce and TITAN 台式机

    GPU Compute Capability
    Geforce RTX 3060 Ti 8.6
    Geforce RTX 3060 8.6
    GeForce RTX 3090 8.6
    GeForce RTX 3080 8.6
    GeForce RTX 3070 8.6
    GeForce GTX 1650 Ti 7.5
    NVIDIA TITAN RTX 7.5
    Geforce RTX 2080 Ti 7.5
    Geforce RTX 2080 7.5
    Geforce RTX 2070 7.5
    Geforce RTX 2060 7.5
    NVIDIA TITAN V 7.0

  • 搜索并勾选

    BUILD_opencv_world，可生成一个整的dll方便使用

    OPENCV_ENABLE_NONFREF

  • 解压.cache.rar，将.cache目录拷贝到source目录：

    D:\opencv\oepncv4.5.0\source\.cache >![将下载的.cache目录与source中的.cache目录合并](https://img-blog.csdnimg.cn/

  • 第4次点击[Configure]

  • 完成后，点击[Generate]，完美生成：


    配置完成后CMake log中显示找到了CUDA和cuDNN：

    NVIDIA CUDA: YES (ver 11.3, CUFFT CUBLAS FAST_MATH)

    NVIDIA GPU arch: 75 80 86

    NVIDIA PTX archs:

    cuDNN: YES (ver 8.4.0)

  • 点击[Open Project]，会自动打开vs2019，开始编译

2.2 VS2019编译OpenCV

  • 使用VS2019打开刚刚编译工程后，等待左下角显示的项全部加载完毕才可以继续操作

  • 选择Release x64版本

  • 找到解决方案资源管理器中的“CmakeTargets”下的“ALL_BUILD”，右键→“生成”，然后开始漫长的等待……

  • 解决方案资源管理器—>CMakeTargets—>INSTALL—>生成”然后又是等，好在这次时间很短。完成后你的build文件夹中会出现一个install文件夹，这就是完成了。

2.3 生成文件

  • 生成完成后会出现如下文件夹

    D:\opencv\oepncv4.5.0cuda\build\install

  • build/install目录的目录结构（部分）
    ├─etc
    ├─include
    │ └─opencv2
    │ ├─core
    │ ├─cudalegacy
    │ ├─cudev
    │ ├─datasets
    │ ├─dnn
    │ ├─face
    │ ├─features2d
    └─x64
    └─vc16
    ├─bin
    └─lib

  • tips：在当前目录中运行cmd，使用tree命令，即可生成目录树

D:\opencv\oepncv4.5.0cuda\build\install>tree

3. 测试

3.1 配置OpenCV with cuda

  • 配置OpenCV4.5.0cuda，与一般OpenCV的配置方法一致，可参考:
  • Win7系统Visual Studio 2013配置OpenCV3.1图文详解

3.2 YOLOv4 示例程序

  • 测试程序可以直接用《OpenCV4机器学习算法原理与编程实战》书中的代码（部分）：
#include<opencv2\opencv.hpp>
#include<opencv2\dnn.hpp>
#include<fstream>
#include<iostream>using namespace std;
// 检测结果后处理
void postProcess(cv::dnn::Net& net,cv::Mat& frame,const vector<cv::Mat>& outs,vector<cv::Rect>& boxes,vector<int>& classIds,vector<int>& indices,double confThreshold,double nmsThreshold
);// 检测绘制结果
void drawPred(cv::Mat& frame,vector<cv::Rect>& boxes,vector<int>& classIds,vector<int>& indices,vector<string>& classNamesVec);// 程序设置
bool USE_IMAGE = false;  // true: 测试图像; false: 测试视频
bool USE_YOLOv4 = true; // true: YOLOv4;   false: YOLOv4_tiny
bool USE_CUDA = true; // true: GPU, false: CPUfloat confidenceThreshold = 0.3; // 置信度设置
float nmsThreshold = 0.2;        // 置信MNS门限int main()
{// [1]模型文件路径设置cv::String model, config;if (USE_YOLOv4){model = "D:/models/yolov4/yolov4.weights"; // 模型权重文件config = "D:/models/yolov4/yolov4.cfg";    // 模型配置文件 }else // use yolov4-tiny{model = "D:/models/yolov4/yolov4-tiny.weights";config = "D:/models/yolov4/yolov4-tiny.cfg";}cv::String framework = "Darknet";                     // 深度学习框架cv::String label_file = "D:/models/yolov4/coco.names";// 类别标签文件//[2] 加载类别ifstream classNamesFile(label_file);vector<string> classNamesVec;if (classNamesFile.is_open()){string className = "";while (std::getline(classNamesFile, className)){classNamesVec.push_back(className);}}// [3]载入模型cv::dnn::Net net = cv::dnn::readNet(config, model, framework);if (USE_CUDA){net.setPreferableTarget(cv::dnn::DNN_TARGET_CUDA);net.setPreferableBackend(cv::dnn::DNN_BACKEND_CUDA);}else{      net.setPreferableTarget(cv::dnn::DNN_TARGET_OPENCL);net.setPreferableBackend(cv::dnn::DNN_BACKEND_OPENCV);}// ...}

4. 相关链接

  • OpenCV4机器学习算法原理与编程实战（附部分模型下载地址）
  • 本文更新链接
  • 转载请注明出处。

windows11编译OpenCV4.5.0 with CUDA（附注意事项）相关推荐

  1. OpenCV环境配置：Ubuntu18.04编译OpenCV4.2.0和contrib模块记录

    OpenCV环境配置:Ubuntu18.04编译OpenCV4.2.0和contrib模块记录 1.下载源码和安装依赖包 2.解压源码文件和配置路径 3.配置Cmake并编译OpenCV 4.导入Op ...

  2. 海思3559A上编译OpenCV4.1.0源码操作步骤

    1. 从https://github.com/opencv/opencv/releases 下载opencv源码opencv-4.1.0.zip并解压缩: 2. 修改最顶层的CMakeLists.tx ...

  3. 记录：编译opencv-4.1.0、opencv_contrib-4.1.0、dense_flow过程

    系统环境:Ubnutu20.04 opencv_contrib是opencv4.1的扩展库,支持CNN物体识别和姿态估计-生物视觉等功能 1.解压opencv-4.1.0.opencv_contrib ...

  4. Ubuntu下编译opencv4.1.0+opencv_contrib4.1.0 android sdk

    前言 虽然opencv已经有编译好的android sdk了,但是如果要用opencv_contrib里面的模块的话,肯定得自己编译了.但是其实也不难,因为opencv已经为用户准备了编译androi ...

  5. Cmake3.20、VS2019编译OpenCV4.3.0+CUDA11.1，显卡Geforce 940MX

    1.下载Cmake.VS2019.OpenCV.CUDA (1)Cmake下载:Cmake (2)VS2019,建议下载社区版,免费:VS (3)CUDA下载的时候看要你的英伟达显卡是否支持,在这里找 ...

  6. 树莓派 编译安装OpenCV4.1.0+opencv_contrib-4.1.0

    一.下载OpenCV4.1.0+opencv_contrib-4.1.0           树莓派下载文件比较慢可以用电脑先下载文件,下载地址:           OpenCV4.1.0下载地址: ...

  7. 编译支持TBB的opencv4.1.0、4.5.2及TBB的使用

    环境:ubuntu16.04 + gcc 5.4.0 + Cmake 4.4 +opencv4.1.0 (这个opencv4.1.0_master和contrib_master是我昨天新下载的,因为去 ...

  8. cmake+opencv4.1+opencv_contrib4.1+CUDA以及CUDA11.x的NPP新模块watershedSegmentation

    一.环境配置 1.网上很多教程都有,安装合适自己电脑的CUDA,我已安装完毕 2.CMake编译opencv4.1+opencv_contrib4.1+CUDA,网上依旧很多教程.我前几次编译时,遇到 ...

  9. 编译opencv4.2时出现undefined reference to `jpeg_default_qtables‘错误的解决方案

    操作系统:kylinV10 opencv版本:4.2.0 在编译opencv4.2.0的版本时,出现undefined reference to `jpeg_default_qtables'的错误提示 ...

最新文章

  1. HoloLens开发入门
  2. 北京python培训班价格-北京Python启蒙班
  3. 继承jpanel不显示_房产继承全指南
  4. 神策数据面向互联网金融企业提供行业解决方案
  5. 转 关于window10安装jdk，配置环境变量，javac不是内部或外部命令，也不是可运行的程序 或批处理文件的细节问题。...
  6. encoding/json 方法Marshal的说明
  7. Java Map 自定义排序
  8. 量子计算还没搞懂，光子计算又要来统治世界？
  9. 小西笔划输入法 一款可以让你像打五笔那样打笔划输入法的
  10. HDU--2015-TO-2019--假期实在是太无聊了....
  11. 大于/小于/等于 的缩写
  12. LOE是什么？如何加入？
  13. js base64解码JWT失败：VM273:1 Uncaught DOMException: Failed to execute 'atob' on 'Window': The string to
  14. Open Cascade 读取STEP、STL
  15. NNDL 实验五 前馈神经网络（2）自动梯度计算 优化问题
  16. 电脑开机密码，强制修改，覆盖原密码
  17. 1.1 卡牌对象的创建———自制卡牌游戏之旅
  18. python 模块paramiko
  19. 从妓到后——史上最令男人动心的女人
  20. 学计算机应该准备什么学习工具,#宅家学习技巧# 篇一：学习做网站 之工具准备...

热门文章

  1. win7计算机右键属性桌面进程重启,Win764位系统电脑自动重启的分析与解决步骤...
  2. 同样协调个事情，为什么有人一说就通，有人一说就炸？(转，知乎)
  3. 垃圾分类里有哪些淘金机会？​
  4. 是你吗？为超炫的 USB 硬件编写更好的软件
  5. 2021年压力容器作业(R)移动式压力容器充装(R2)考试题库解析
  6. ARM嵌入式Linux系统设计与开发
  7. BZOJ4811: [Ynoi2017]由乃的OJ 重链剖分
  8. gunicorn + Flask架构中使用多进程全局锁
  9. 知领·报告 | 车路协同技术发展态势分析报告.md
  10. unity编辑器报错Microsoft Visual C# Compiler version