当前位置:

首页 > 编程开发 > OpenCV4.7+CUDA11.2+Python3.9.x环境搭建的实现步骤

OpenCV4.7+CUDA11.2+Python3.9.x环境搭建的实现步骤

目录 准备工作 CMake 编译 VS 编译 验证 常见问题解决 附录:CMake 配置日志 OpenCV 作为计算机视觉领域最常用的开源库,早已覆盖了从图像处理到深度学习推理的方方面面。它支持 C++、Python、Ja va 等多种语言,而 Python 接口(即 OpenCV-Python)更

本文目录

    目录

    1. 准备工作
    2. CMake 编译
    3. VS 编译
    4. 验证
    5. 常见问题解决
    6. 附录:CMake 配置日志

    OpenCV 作为计算机视觉领域最常用的开源库,早已覆盖了从图像处理到深度学习推理的方方面面。它支持 C++、Python、Ja va 等多种语言,而 Python 接口(即 OpenCV-Python)更是让数据科学家们爱不释手。不过,纯 CPU 运算在大量图像数据面前往往力不从心。好在 OpenCV 的 GPU 模块(基于 CUDA 编写)可以直接调用 NVIDIA 显卡的并行计算能力,让图像处理速度提升一个数量级。

    然而,把 OpenCV 的 CUDA 支持编译到 Python 环境里,并不是一件点几下鼠标就能搞定的事。从源码编译到配置路径,再到解决各种离奇报错,每一步都可能让人想摔键盘。本文就把整个流程拆开揉碎,从硬件检测到最终验证,帮你避开所有常见的坑。

    Ⅰ、准备工作

    硬件环境

    • 需要一张 NVIDIA 显卡(N 卡),这是前提条件。

    软件环境

    1. 下载 OpenCV 源码:opencv-4.7.0.tar.gz
      • 下载地址:OpenCV Releases
    2. 下载 OpenCV Contrib 源码:opencv_contrib-4.7.0.zip
      • Gitee 镜像:qianjide/opencv_contrib
      • GitHub 官网(若无法访问):opencv/opencv_contrib

    目录结构说明:把代码解压到指定目录(例如 E:\code\external\opencv47)。

    重要提示:源代码目录下必须事先拷贝好 .cache 文件夹,以避免编译时下载失败。

    1. 安装 CMake:推荐版本 cmake-3.26.0-windows-x86_64.msi。
    2. 安装 Anaconda:推荐 Anaconda3-2022.10-Windows-x86_64.exe。
    3. 安装 CUDA 开发工具包:经过对多个 CUDA SDK 版本的测试,编译结果如下表:
    CUDA 版本OpenCV 4.7.0OpenCV 4.10.0OpenCV 4.12.0
    cuda-v11.2 & cudnn8.1.0✔❌❌
    cuda-v12.4 & cudnn8.9.7❌✔✔
    cuda-v12.6 & cudnn8.9.7❌✔✔
    1. 安装 Visual Studio 2019。

    Ⅱ、CMake 编译

    1. 打开 cmake-gui

    安装好 CUDA 和 Anaconda 后,打开 CMake 界面,设置 OpenCV 源码路径(Source Code)和构建路径(Build)。

    注意:

    • 如果要编译 Anaconda 内非默认虚拟环境的 Python,建议先暂时重命名 base 环境下的 python.exe 和 libs/python312.lib,防止 CMake 错误识别。
    • 如果本地安装了多个版本的 CUDA SDK,需要先将环境变量 CUDA_PATH 等设置成当前要编译的 CUDA 版本。

    第一次点击 Configure,选择 Visual Studio 16 2019 和 x64 架构,点击 Finish。第一次编译完成后,进行以下配置:

    1. 编译 World 模块:在 Search 框搜 world,勾选 BUILD_opencv_world。这将把所有 OpenCV 库编译在一起,无需单独添加每个小模块。
    2. 启用非自由算法:在 Search 框搜 NON,勾选 OPENCV_ENABLE_NONFREE。

    2. 设置 Python 路径

    此步骤旨在将 CUDA 版本的 OpenCV 安装到 Python 环境中。

    1. 构建 Python 绑定:在 Search 框搜 BUILD,勾选 BUILD_opencv_python3(若搜索不到需手动添加)。

    环境确认:确认当前使用的 Python 环境(如 Anaconda base 或自定义虚拟环境)已安装 numpy(编译必需):

    conda list
    pip3 install numpy

    手动设置路径:由于虚拟环境可能未添加到系统环境变量,CMake 可能无法自动找到 numpy 头文件等路径。需在 CMake 界面手动设置以下变量(以 Python 3.11 和 3.8 为例):

    • Python 3.11 示例:

      • PYTHON3_EXECUTABLE: D:/tools/anaconda3/envs/py3_11/python.exe
      • PYTHON3_INCLUDE_DIR: D:/tools/anaconda3/envs/py3_11/include
      • PYTHON3_LIBRARY: D:/tools/anaconda3/envs/py3_11/libs/python311.lib
      • PYTHON3_NUMPY_INCLUDE_DIRS: D:/tools/anaconda3/envs/py3_11/Lib/site-packages/numpy/core/include (低版本 numpy) 或 .../numpy/_core/include (高版本 numpy)
      • PYTHON3_PACKAGES_PATH: D:/tools/anaconda3/envs/py3_11/Lib/site-packages
    • Python 3.8 示例:

      • PYTHON3_EXECUTABLE: D:/tools/anaconda3/envs/py3_8/python.exe
      • PYTHON3_INCLUDE_DIR: D:/tools/anaconda3/envs/py3_8/include
      • PYTHON3_LIBRARY: D:/tools/anaconda3/envs/py3_8/libs/python38.lib
      • PYTHON3_NUMPY_INCLUDE_DIRS: D:/tools/anaconda3/envs/py3_8/Lib/site-packages/numpy/core/include
      • PYTHON3_PACKAGES_PATH: D:/tools/anaconda3/envs/py3_8/Lib/site-packages

    3. 设置 CUDA

    1. 添加 Contrib 模块:在 Search 框搜 MODULES,在 OPENCV_EXTRA_MODULES_PATH 项中,添加 opencv_contrib 源码中的 modules 目录。

      • 路径示例:E:/code/external/opencv_contrib-4.7.0/modules
      • 注意:必须使用正斜杠 / 或双反斜杠 \\。若不设置,会报错:CUDA: OpenCV requires enabled 'cudev' module from 'opencv_contrib'。
    2. 启用 CUDA 支持:在 Search 框内输入 CUDA,勾选以下两项:

      • WITH_CUDA
      • OPENCV_DNN_CUDA
      • (BUILD_CUDA_STUBS 可选,通常不勾选)

      关于 cuDNN:如果忘记将 cuDNN 解压到 CUDA SDK 目录内,解压后必须在 CMake 中点击 Delete Cache 然后重新 Configure,否则会报找不到 cuDNN。

      关于 Nvidia Video Codec SDK:

      • 若不需要视频编解码功能,可在 CMake 中取消勾选 WITH_NVCUVID 与 WITH_NVCUVENC。
      • 若需要,需下载 Nvidia Video Codec SDK,解压后将 Lib 和 Interface 中的文件分别复制到 CUDA Toolkit 的 lib 和 include 目录中。

      设置完成后,再次点击 Configure,直到下方日志显示 Configure done。

    3. 数学优化:搜索框输入 fast,勾选 ENABLE_FAST_MATH 和 CUDA_FAST_MATH。

      • 注:启用此选项可能会牺牲少量精度以换取更快的浮点运算速度。
    4. 设置显卡算力:搜索框输入 cuda,找到 CUDA_ARCH_BIN。

      • 根据显卡型号修改算力值。例如 GTX 1060 对应的算力为 6.1。
      • 删除其他不需要的算力版本,仅保留 6.1(或多张显卡对应的算力值,用空格分隔)。

    4. 设置 ICONV 库

    确保相关配置无误后,点击 Generate 开始生成工程,直到出现 Generating done!。

    5. 常见警告和错误处理

    (1) 模块下载失败

    • 现象:Configure 时在 .cache 文件夹下生成的文件大小为 0kb,或 CMake 输出下载失败警告。
    • 原因:网络问题导致无法从 GitHub 等源下载依赖文件。
    • 解决:
      1. 查看 D:\build\opencv47\CMakeDownloadLog.txt 获取失败文件的下载链接。
      2. 手动下载这些文件。
      3. 将下载的文件重命名为 .cache 文件夹中对应的文件名并覆盖。
      4. 建议准备一份包含完整 .cache 文件的源码包,避免后续反复下载。
      • 注意:不要注释掉 CMakeLists.txt 中的下载语句,否则不会生成必要的缓存文件结构。应注释或删除的是“清理缓存”相关的语句(如果有)。

    (2) 警告:OPENCV_GENERATE_SETUPVARS

    • 解决:在搜索框中输入 OPENCV_GENERATE_SETUPVARS,去除勾选,重新 Configure。

    (3) 路径格式错误

    • 现象:Configure 报错,提示 OPENCV_EXTRA_MODULES_PATH 路径错误。
    • 解决:确保路径使用正斜杠 / 或双反斜杠 \\,例如 E:/code/external/opencv_contrib47/modules。

    (4) Python 未被正确识别

    • 现象:CMake 未能找到正确的 Python 环境。
    • 解决:临时重命名 Anaconda base 目录下的 python.exe 和 libs/python3xx.lib,让 CMake 在首次 Configure 时忽略它们,然后手动指定虚拟环境的路径。

    (5) cuDNN 版本不匹配

    • 现象:报错提示 cuDNN 版本与 CUDA 不兼容。
    • 解决:清除 CMake 缓存并重新 Configure。如果修改了环境变量,需重启 CMake GUI 以生效。

    Ⅲ、VS 编译

    1. 编译源码

    1. 点击 CMake 中的 Open Project,启动 Visual Studio 2019 加载生成的解决方案。
    2. 等待加载完毕,顶部工具栏选择 Release 和 x64。
    3. 在“解决方案资源管理器”中,找到 CMakeTargets -> ALL_BUILD。
    4. 右键点击 ALL_BUILD -> “生成”。
    5. 编译过程可能需要一小时左右,直到输出显示全部成功。
      • 检查:确保在 bindings 目录下生成了 opencv_python3 项目,否则无法在 Python 中使用 CUDA 加速。

    2. 安装库到 Python

    1. 在“解决方案资源管理器”中,找到 CMakeTargets -> INSTALL。
    2. 右键点击 INSTALL -> “生成”。
    3. 等待结束后:
      • 在构建目录的 lib\python3\Release 下可看到 cv2.cp39-win_amd64.pyd (版本号可能不同)。
      • 在 Python 环境的 Lib\site-packages 目录下(如 D:\rady\anaconda3\Lib\site-packages),应能看到 cv2 文件夹及相关文件。

    至此,Python 环境的 GPU 版本 OpenCV 已安装成功。

    3. 编译报错解决

    • 错误:无法解析的外部符号 cv::xfeatures2d::VGG::getDefaultName
    • 原因:源代码目录下的 .cache 文件夹内文件缺失或损坏(通常因网络下载失败导致)。
    • 解决:将事先准备好的完整 .cache 文件夹覆盖到源码目录 E:\code\external\opencv47 下。

    Ⅳ、验证

    验证方法

    方法一:命令行验证

    打开 Anaconda Prompt 或 CMD,运行以下代码:

    import cv2
    print(cv2.__version__)
    print(cv2.cuda.getCudaEnabledDeviceCount())
    

    或者一行命令:

    python -c "import cv2;print(cv2.__version__);print(cv2.cuda.getCudaEnabledDeviceCount());"
    

    如果输出了版本号且设备计数大于 0,则安装成功。

    方法二:Jupyter Notebook 验证

    在 Jupyter Notebook 中新建单元格,运行上述 Python 代码进行验证。

    验证失败常见问题

    (1) import cv2 报错(转义字符问题)

    • 现象:导入时报错,路径相关错误。
    • 原因:config.py 文件中使用了 Windows 反斜杠 \ 作为路径分隔符,导致转义错误。
    • 解决:打开 config.py 和 config-3.xx.py 文件(通常位于 site-packages/cv2 目录下),将所有反斜杠 \ 改为正斜杠 /。

    (2) Python 版本冲突

    • 现象:本地 Python 版本与虚拟环境目标版本冲突。
    • 解决:
      1. 设置环境变量 PYTHON_EXECUTABLE3 指向虚拟环境内的 python.exe。
      2. 重启资源管理器 (explorer.exe) 或重启电脑。
      3. 检查注册表项:
        • 计算机\HKEY_LOCAL_MACHINE\SOFTWARE\Python\PythonCore\3.8\PythonPath
        • 计算机\HKEY_CURRENT_USER\SOFTWARE\Python\PythonCore\${_CURRENT_VERSION}\InstallPath

    (3) 多次 import 报错

    • 现象:首次 import 失败,修改配置后仍需重启 Shell。
    • 解决:修改配置文件后,务必完全退出 Python Shell(运行 quit())并重新进入,或直接重启 IDE/终端。

    (4) 多虚拟环境与多 CUDA 版本

    • 若存在多个虚拟环境对应不同 CUDA 版本,需确保当前激活的环境变量(特别是 CUDA_PATH)与编译时使用的版本一致,或在切换环境时动态调整。

    附录:CMake 3.26 配置日志记录 (摘要)

    Selecting Windows SDK version 10.0.19041.0 to target Windows 10.0.17134.
    Detected processor: AMD64
    CMAKE_VERSION: 3.26.0
    CMAKE_SYSTEM: Windows-10.0.17134
    CUDA detected: 11.2
    CUDA: Using CUDA_ARCH_BIN=6.1
    CUDA NVCC target flags: -gencode;arch=compute_61,code=sm_61;-D_FORCE_INLINES
    ...
    General configuration for OpenCV 4.7.0 =====================================
      Version control:               703f139
      Extra modules:
        Location (extra):            D:/code/external/opencv_contrib47/modules
      Platform:
        Host:                        Windows 10.0.17134 AMD64
        CMake:                       3.26.0
        CMake generator:             Visual Studio 16 2019
        MSVC:                        1929
      NVIDIA CUDA:                   YES (ver 11.2, CUFFT CUBLAS FAST_MATH)
        NVIDIA GPU arch:             61
      cuDNN:                         YES (ver 8.1.0)
      Python 3:
        Interpreter:                 D:/rady/anaconda3/python.exe (ver 3.9.13)
        Libraries:                   D:/rady/anaconda3/libs/python39.lib
        numpy:                       .../numpy/core/include
        install path:                D:/rady/anaconda3/Lib/site-packages/cv2/python-3.9
      OpenCV modules:
        To be built:                 aruco barcode ... world xfeatures2d ...
        Non-free algorithms:         YES
    -----------------------------------------------------------------
    Configuring done (33.5s)
    Generating done (41.5s)
    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    编程开发 Python
    相关文章 更多
    python删除一个列表里的重复元素的方法与代码示例
    python删除一个列表里的重复元素的方法与代码示例

    学习如何使用Python高效删除列表中的重复元素。本文提供5种常见方法的代码示例,涵盖保持顺序与不保持顺序的场景,适合初学者和进阶开发者参考。

    Python写接口的步骤及完整代码示例
    Python写接口的步骤及完整代码示例

    详细讲解使用Python编写Web接口的核心步骤与完整代码示例,涵盖环境准备、路由定义、数据校验、服务启动及调试测试方法。

    codex怎么读取word文档及docx文件操作教程
    codex怎么读取word文档及docx文件操作教程

    介绍如何利用编程工具读取和解析Word文档(docx格式),涵盖基础文本提取代码示例、结构化数据处理逻辑,以及处理复杂排版时的技术局限与替代方案。

    怎么在Python中调用C语言代码提升性能
    怎么在Python中调用C语言代码提升性能

    详细讲解在Python中调用C语言代码提升性能的完整实践指南,包含原理分析、编译步骤、ctypes与CFFI具体实现、性能对比及常见陷阱。

    Python与C语言的性能差异及底层原理
    Python与C语言的性能差异及底层原理

    深入解析Python与C语言在执行效率上的数量级差异,从编译机制、变量内存布局、动态类型推断到GIL锁,系统阐明底层核心原理。

    Python和C语言哪个更适合编程入门
    Python和C语言哪个更适合编程入门

    客观对比Python与C语言在心智负担、底层机制与学习反馈上的核心差异,提供清晰有据的选择标准与切实的入门学习路径。

    selenium上传文件教程本地文件路径设置方法
    selenium上传文件教程本地文件路径设置方法

    深入解析Selenium处理文件上传的技术细节,涵盖标准HTML控件的路径直接注入法与非标准控件的系统级模拟方案,提供Windows与Linux环境下的路径设置最佳实践及常见异常排查。

    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景
    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景

    针对大数据工程场景,系统对比Java、Scala与Python在执行性能、生态结合、开发效率和维护成本上的核心差异,给出清晰的架构选型依据与落地方案。

    langgraph python guide中文入门教程详解
    langgraph python guide中文入门教程详解

    本篇LangGraph Python中文入门教程详解,系统梳理StateGraph状态机定义、节点编写、边与条件路由、检查点持久化(MemorySaver)等核心机制,提供从环境安装到完整循环智能体构建的代码示例与实操指导。

    Windows 安装 Python:从官方入口到虚拟环境的可复现实践
    Windows 安装 Python:从官方入口到虚拟环境的可复现实践

    面向后端开发者,基于 Python 官方文档说明如何在 Windows 上安装 Python、创建 venv 虚拟环境及使用 pip 管理依赖。包含可复制命令、验证方法及工具选择边界,避免常见配置误区。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。