Windows环境下Cmake编译opencv-python使用GPU资源

• 平台与软件

Windows11系统

Visual Studio 2019：Visual Studio Community 2019

Cmake：cmake-3.25.1-windows-x86_64.msi

OpenCV 4.52：opencv-4.5.2.tar.gz

OpenCV_contrib 4.5.2：opencv_contrib-4.5.2.tar.gz

• 问题：

Python通过pip或conda安装的OpenCV库仅支持CPU；需要对opencv源码采用CMake和visual studio进行编译安装才能使用GPU。最终目标是既可以在Visual studio中开发支持CUDA的opencv C++项目，也可以在Python中使用GPU对opencv-python加速。这涉及到一系列较复杂的流程。

1.安装visual studio 2019

进入官方的下载页面，可能需要登录，登录后选取社区版下载。

注意，这里只是下载安装器，真正的安装会在后续执行文件，配置安装目录后，联网下载安装包文件。整个过程比较简单，这里不作详细叙述。仅提供一份备用的安装器下载链接。

链接： https://pan.baidu.com/s/1l7IZBIXw7qiGZC9upCylgg
提取码：62dn

2.安装CUDA和CUDNN

前往官网下载CUDA(CUDA toolkit各版本的官方下载地址)和对应的CUDNN(cuDNN Archive)，切记一定要对应CUDNN和CUDA版本。进入驱动下载界面，根据自己的显卡型号，选择合适的显卡驱动。

查看驱动支持的cuda最高版本

• 进入官方网站查看不同的cuda版本所需要的最低的驱动版本。

成功安装英伟达驱动后，win+R，输入cmd，进入命令行界面，输入nvdia-smi，即可查看nvidia驱动版本，以及当前最高支持的cuda版本。

这里提醒一个问题，就是一些网友可能装了不同版本的CUDA，可以通过环境变量的设置进行切换。安装多版本的CUDA时，注意只安装CUDA库，驱动不要安装，否则安装失败。

过程中会检查是否安装visual studio 2019的配置选项，如果没有，则无法配置成功，所以一定要先安装visual studio 2019.

步骤安装成功，在命令行输入nvcc -V可以显示cuda的版本信息。这里显示的cuda版本是环境变量设置的当前版本，可以与nvidia-smi显示的不一样。

对于cudnn的安装配置则较为简单，将文件下载，解压，改名，复制替换C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v1x.x下的对应文件即可。

这里需要注意后续编译opencv的时候，对于cuda和cudnn的识别是可以在配置项中设置的，所以如果安装了多个cuda版本，需要将相应的cudnn版本分别对应安装。最终生成的环境如下：

对path进行设置如下：

3.测试 Visual Studio

1. 打开Visual Studio ，选择创建新项目

2.在最下面找到CUDA

3.自定义项目工程的位置

4.打开示例文件

5.运行

4.OpenCV源码下载

进入OpenCV官网，选择自己需要的版本，例如OpenCV-4.5.3。

进入OpenCV GitHub官方仓库，通过tags选择对应的contrib版本

5.CMake安装与设置

进入CMake官网下载就行，我这里下载的CMake 3.25.1.在红框位置分别opencv源文件目录和编译后的输出目录，二者是平级目录。

CMake配置是编译成功的关键，这里面有很多坑。注意CMake的配置是需要至少2次。

build作为输出目录最好是空目录，这样第一次进入CMake中间配置区域为空白。点击Configure选择vs 2019和x64架构，点击finish，开始第一次编译生成配置项。

1.编译过程需要下载各种依赖，大概率会因为网络问题会卡住，可参考另一篇博文，直接下载到.cache文件夹，可省去此烦恼。

2.(此步选做) 创建虚拟环境，建议使用anaconda,并在虚拟环境中安装numpy(编译时需要),执行此步骤是为了将CUDA版本的opencv安装到虚拟环境中，只安装到宿主机环境不需要执行此步骤。

3. (此步骤选做，但执行此步骤的前提是必须执行上一个步骤) 更换一下几个变量，分别将路径指向虚拟环境的对应位置 : PYTHON3_EXECUTABLE、PYTHON3_INCLUDE_DIR、PYTHON3_LIBRARY、PYTHON3_NUMPY_INCLUDE_DIRS、PYTHON3_PACKAGES_PATH

这里有个坑：需要安装与虚拟环境python版本一致的原生python，我之前安装了python3.6，虚拟环境python是3.7，可以通过编译但始终无法在opencv-python中识别GPU。

4.configure完成后，在Search框内输入CUDA和fast，勾选三个配置 : WITH_CUDA 、OPENCV_DNN_CUDA、ENABLE_FAST_MATH，要按顺序进行

勾选 WITH CUDA，如果要应用opencv的sift算法，则还需要将OPENCV_ENABLE_NONFREE勾选上:

绿框是要特别注意勾选和修改。TOOLKIT_ROOT_DIR是本机当前配置环境下的cuda版本目录。

5.search框搜MODULES，在OPENCV_EXTRA_MODULES_RATH一项，添加opencv_contrib4.5.1中的modules目录

6.Search框搜world，将build_opencv_world打勾，将所有opencv的库都编译在一起不需要自己一一添加每个小模块。

7.Search框搜BUILD，勾选BUILD_opencv_python3。这一步很重要，决定了能否在python中使用GPU加速。

8. search框搜NON，把OPENCV_ENABLE_NONFREE 打勾

9. 勾选build_opencv_world

10.去掉python，test、java加快后面的编译

11.第二次点击configure，等待下方日志显示configure done

12.搜索框输入cuda，勾选CUDA_FAST_MATH ，CUDA_ARCH_BIN中将显卡的算力内容改成自己显卡的算力（算力查询）。 默认会从最低的3.0开始，不仅影响配置速度，而且由于最新cuda 11对 compute_30了不支持，会出现如下错误：

nvcc fatal : Unsupported gpu architecture ‘compute_30‘ 错误

解决方法就是重新回到cmake，找到CUDA_ARCH_BIN,需要把这里的3.0删掉之后再重新generate。

12. 再次点击configure，这次的Configuring done终于OK，然后点击Generate，稍等片刻出现Generating done！

点击Open Project，它会启动你的Visual Studio。

13.最后没有错误的情况下，点击Generate按钮，生成需要编译的文件。这里先不要关闭CMAKE软件

点击Open Project用VS编译。

6. VS编译

通过前面打开Project后，就会跳转到VS界面。这里首先要确定的一点是，首先将模式调整为Release版本。

同时必须保证bindings这个目录下有opencv_python3才进行下一步，否则即使编译成功仍然不能使用CUDA加速。

首先选择ALL_BUILD->生成，接下来就是漫长的等待过程。我的机器大概编译了1个小时，图就不贴了，总之没有错误编译就是成功的，类似如下界面。

编译完成后，在INSTALL->生成，这个编译要快一点。下面就是等待他们完成了，编译完成后结果如下：

7. 验证

编译完成后在opencv_cuda\build\lib\python3\Release文件夹下可以看到cv2.cp37-win_amd64.pyd文件(不同的python版本，名称会略有差异)

同时，在虚拟环境或者宿主机环境中，可以在路径Lib\site-packages下看到cv2文件夹

验证opencv环境

使用命令行进入python环境,执行一下代码即可验证:

c:\users\administrator> python
>>> import cv2
>>> cv2.cuda.getCudaEnabledDeviceCount()
>>>1

1 # 得到GPU设备数量，即表示opencv的GPU版本已经安装成功

最后测试能否使用cuda，代码如下：

#读取图片
import cv2
frame=cv2.imread('drip.png')
frame = cv2.cvtColor(frame, cv2.COLOR_RGB2BGR)
cv2.imshow('before',frame)
cv2.waitKey(0)

#上传到gpu进行处理
gpu_frame=cv2.cuda_GpuMat()
gpu_frame.upload(frame)
print(gpu_frame.cudaPtr())

#把图像从RGB转换成BGR(OpenCV格式)，然后调整大小
screenshot = cv2.cuda.cvtColor(gpu_frame, cv2.COLOR_RGB2BGR)
screenshot = cv2.cuda.resize(screenshot, (400, 400))
#从GPU下载图像 (cv2.cuda_GpuMat -> numpy.ndarray)
screenshot = screenshot.download()
cv2.imshow('after',screenshot)
cv2.waitKey(0)

原图

调整后

感觉处理速度确实有所提升，后续有待进一步测试。

还有一种简单的方法，可以使用官方预构建源代码配置支持GPU模块的OpenCV，不使用Visual Studio编译，参考Python OpenCV配置CUDA以支持GPU加速。

其它参考

Downloads - James Bowley

OpenCV使用CUDA处理图像的教程与实战

OpenCV CUDA for Video Preprocessing