编译opencv使用cuda加速：Ubuntu2204+5060显卡+cuda12.8+cudnn8.9.5.1+opencv4.12.0+opencv_contrib4.12

原创 已于 2025-12-16 11:10:51 修改 · 170 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#opencv #人工智能 #计算机视觉

于 2025-12-16 11:04:37 首次发布
最低0.47元/天 解锁文章
opencv4.12 vs2022 cmake contrib编译
ivanwfy的专栏
07-13 936
OpenCV 4.12源码编译指南：1.下载源码和contrib模块后首次Configure常因文件下载失败报错；2.手动下载网盘中提供的缺失文件(密码L511&569)，放入对应目录；3.去掉jstest等不必要选项后重新Configure；4.设置contrib路径，勾选world选项合并dll；5.再次Configure后继续手动补全contrib相关缺失文件；6.分别生成Debug和Release版本，完成install安装。网盘包含所有难下载的资源文件。
编译opencv4.12+CUAD12.8+Qt6.8.3 | cmake3.27.9+VS2022 | 以及解决各种编译疑难杂症
最新发布
Meet_Unknown的博客
12-15 524
本文介绍了OpenCV编译的详细配置过程，主要包括：1）软件版本选择（OpenCV 4.12.0、CUDA 12.8、VS 2022等）；2）CMake配置关键选项，包括禁用Java/Python接口、启用CUDA加速、设置contrib模块路径、启用非免费算法、配置Qt支持等；3）重点说明CUDA计算能力版本的选择依据，提供了常见GPU架构与对应计算能力版本的对照表。文章特别强调了路径格式要求（必须使用"/"）和第三方库构建选项的注意事项，为Windows平台下OpenCV的定制化编译
opencv+opencv_contrib+cuda和VS2022编译
weixin_45718019的博客
05-05 2418
本文介绍使用OpenCV和OpenCV_Contrib源码及Cuda进行编译的过程，编译过程中会用到OpenCV、OpenCV_Contrib、Toolkit、Cmake、VS2022等工具，最终编译OpenCV的Cuda版本。
Windows11（RTX5060显卡）+VS2019+Opencv4.10.0+CUDA12.8+Cmake3.17.0 环境编译与配置
miaochengtong的博客
07-11 2368
本文详细介绍了在使用最新的Windows11和RTX5060显卡条件下如何编译并搭建Opencv（有CUDA加速版本）环境并配合VS2019进行开发测试，包括配置环境过程中遇到的一些问题
win11 5060显卡 安装vs2022+opencv4.12.0 +cuda12.8 +cudnn9.8 +GStreamer 1.24.8+ cmake3.29.3
2502_92301328的博客
09-07 992
然后先点击下configure,会报错 然后我们接着配置（注意这里会下载一些插件 例如ffmpeg 我会魔法可以下载成功 如果下载失败 自行搜索 解决办法 网上很多很好找就是 手动下载下来替换一些东西 就可以解决我上面看的帖子好像也有解决办法 ）检查这里是否有没下载完的 我这里 没有 所以我可以直接生成.sln 文件 让vs2019 编译了。先把 opencv 和opencv_contrib 放在一起 然后 新建一个空的build 文件夹 后面编译的放在这里面。最后添加gstreamer。
Opencv4.12.0 (CUDA CUDNN ONNX)编译
Python1996的博客
08-05 1771
如果访问github下载慢可以访问加速。
ubuntu24 c++ 自定义目录编译opencv4.12
ivanwfy的专栏
07-16 797
自定义生成opencv目录的话这个参数建议加上，不然Clion中的CmakeLists.txt可能找不到opencv。这一条参数是最终opencv生成的位置，默认是/usr/local/，此次我指定了一个文件夹opencv4.12。编译之前一定要安装好必须的库，否则即使提示编译成功，调用opencv后也可能会有问题。正常情况下 Clion CMakeLists.txt中设置成以下内容就可以了。保存之后，再执行命令source ~/.bashrc。如果Clion中找不到opencv，可以设置变量。
【2025最新】【win10】vs2026+qt6.9+opencv（cmake编译opencv_contrib拓展模块）
ZJQSDSA的博客
10-10 1660
本文详细介绍了opencv和opencv_contrib拓展模块的编译，以及在vs2026 & qt6.9中的使用。
windows用msvc编译opencv、opencv-python、opencv_contrib、cuda
weixin_44733606的博客
01-22 1341
4.1、在 OPENCV_EXTRA_MODULES_PATH 中填入 OpenCV_contrib 解压文件夹 modules 的路径。打开cmake gui程序，在下面两个框中分别输入opencv的源文件和编译目录，build-mingw为你创建的目录，可自定义命名。4.11、选择显卡算力，10系卡为6.1，20系卡为7.5，30系卡为8.6，40系卡为8.9。4.12、再次Configure，还有报错，参考我的其他文章。4、点Configure，不出意料，会出现一堆的红色字体。
OpenCV4.12.0 + CUDA + 扩展模块Contrib+VS2019编译库
07-15
在这个“OpenCV4.12.0 + CUDA + 扩展模块Contrib+VS2019编译库”项目中，我们将深入探讨如何在Visual Studio 2019环境下，利用CUDA技术来加速OpenCV的计算，并集成OpenCV的扩展模块Contrib。 OpenCV 4.12.0是这个库...
Opencv4.11+cuda12.1+dnn+cudnn8.9.7+opencv-control4.11-Release-x64-VS2022-win11
09-19
本文档的标题指出了一个特定的OpenCV版本，即OpenCV4.11，它是与CUDA 12.1、深度神经网络（dnn）模块以及cudnn8.9.7结合的版本。而“opencv-control4.11-Release-x64-VS2022-win11”表明了该版本是为x64架构的...
Opencv4.12.0 (CUDA CUDNN ONNX)编译 所需 .cache
08-05
在编译OpenCV 4.12.0时，如果你需要启用CUDA、CUDNN以及ONNX支持，这通常意味着你的系统需要有NVIDIA的GPU以及相应的驱动程序和库文件。在Linux系统中，这些依赖通常包括cuda-toolkit、libcudnn和libonnx等。在配置...
OF框架插件：OpenCV4.12.0 + 扩展模块Contrib+VS2019编译库
07-15
OF框架插件，OpenCV4.12.0 + 扩展模块Contrib+VS2019编译库，这一技术集成是计算机视觉开发领域的一项重要资源。首先，OpenFrameworks（OF）作为一门流行的创意编程框架，广泛应用于艺术家、设计师、创意专业人士等...
roi生成 二值图
jacke121的专栏
12-12 195
roi生成 二值图
OPENCV（python）--初学之路（十七）二进制鲁棒独立（BRIEF)和定向快速和轮换（ORB)
WGK1005的博客
12-12 1103
本文介绍了两种高效的特征描述算法BRIEF和ORB。BRIEF是一种二进制描述符，通过比较像素点对的强度生成紧凑的二进制字符串，显著减少了内存占用和计算时间。ORB则结合了FAST特征点检测和旋转不变的BRIEF描述子，通过金字塔多尺度特征和强度加权质心计算方向，实现了高效且专利免费的替代方案。文章提供了OpenCV中的实现代码，包括BRIEF描述符提取和ORB特征点检测的详细步骤，并讨论了算法参数设置和实际应用场景。作者在雪景中完成本文写作，最后以张岱的诗句作结，表达对技术探索的坚持与共勉之情。
OpenCV 学习8-使用卷积进行图像滤波
木梓油
12-15 422
本文介绍了图像滤波的基本概念和应用。图像滤波是一种数字图像处理技术，通过卷积核运算实现去噪、边缘检测、增强等效果。文章首先分析了实际需求和应用场景（如医学影像、自动驾驶等），然后详细解释了噪声类型（高斯噪声、椒盐噪声等）及其处理方法。重点介绍了卷积核的工作原理，包括恒等核、模糊核（均值滤波、高斯滤波）等不同类型核的特点和使用方法。最后讲解了OpenCV中的filter2D函数，说明了其参数配置和卷积运算过程。这些技术可广泛应用于图像质量改善、特征提取等任务。
OpenCV(四十)：Shi-Tomasi角点检测
www_dong的博客
12-09 1083
Shi-Tomasi 是 Harris 的改进，使用最小特征值作为角点响应，避免了 k 参数，稳定性更好。对角点跟踪（如 LK 光流）效果优异，计算量小，适合实时视频应用。不具备尺度不变性，需要搭配描述子实现匹配。OpenCV 提供，使用简单，可在图像和视频中快速检测角点。通过调整maxCorners和blockSize参数，可以根据应用场景得到稀疏或密集、精确或鲁棒的角点检测效果。
OpenCV(三十九)：Harris角点检测
www_dong的博客
12-09 676
Harris 角点检测是一种经典而高效的局部特征检测方法，尽管它缺乏尺度不变性，但仍然广泛应用于棋盘格标定、目标跟踪、图像配准等任务中。
基于OpenCV的图像梯度与边缘检测研究
Candy5204的博客
12-15 368
标题:基于OpenCV的图像梯度与边缘检测研究内容:1.摘要 本研究旨在系统探究基于OpenCV库的图像梯度计算与边缘检测算法的性能表现与适用边界。通过在COCO-Val子集（含1000幅自然场景图像）和自建工业缺陷图像数据集（327幅高对比度灰度图）上，对Sobel、Scharr、Laplacian及Canny四种主流方法进行定量评估，采用F1-score、平均精度（AP@0.5）和边缘定位误差（EPE，单位：像素）作为核心指标。实验结果表明：Canny算子在综合边缘完整性与噪声抑制方面最优，平均F1-s
Python版本: 3.10.18 OpenCV版本: 4.12.0 CUDA设备数: 0 ❌ CUDA不可用 OpenCV构建信息: OpenCV不包含CUDA支持
11-04
<think>我们面对的问题是：在Python 3.10.18环境中，使用OpenCV 4.12.0时，CUDA不可用，且OpenCV不包含CUDA支持。根据引用内容，我们可以推测用户可能已经尝试安装了一些前置软件，但OpenCV的CUDA支持仍然不可用。 解决这个问题通常需要从源码编译OpenCV并启用CUDA支持，因为预编译的OpenCV-Python包（如通过pip安装的`opencv-python`）通常不包含CUDA支持。下面我们将分步骤说明如何解决。 步骤1：确认系统环境 首先，确保系统中已经正确安装了以下组件（如引用[2]所述）： - NVIDIA驱动（版本>=510.47.03） - CUDA工具包（版本11.6 Update 1或兼容版本） - cuDNN（版本8.4.0.27） - TensorRT（版本8.2.5.1，可选但推荐） 步骤2：安装依赖项 在开始编译OpenCV之前，需要安装一些系统依赖项。对于Ubuntu系统，可以使用以下命令（其他系统类似）： ```bash sudo apt-get update sudo apt-get install build-essential cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev sudo apt-get install python3.10-dev python3-numpy ``` 步骤3：下载OpenCV源码 下载OpenCV 4.12.0的源码以及OpenCV的扩展模块（opencv_contrib）： ```bash git clone https://github.com/opencv/opencv.git -b 4.12.0 git clone https://github.com/opencv/opencv_contrib.git -b 4.12.0 ``` 步骤4：配置CMake 进入opencv目录，创建一个构建目录，并运行CMake。注意，这里需要指定启用CUDA，并设置相关路径。 ```bash cd opencv mkdir build cd build cmake -D CMAKE_BUILD_TYPE=RELEASE \ -D CMAKE_INSTALL_PREFIX=/usr/local \ -D OPENCV_EXTRA_MODULES_PATH=../../opencv_contrib/modules \ -D WITH_CUDA=ON \ -D ENABLE_FAST_MATH=1 \ -D CUDA_FAST_MATH=1 \ -D WITH_CUBLAS=1 \ -D OPENCV_DNN_CUDA=ON \ -D CUDA_ARCH_BIN=适合你显卡的计算能力版本 \ # 例如，RTX 30系列为8.6 -D BUILD_EXAMPLES=OFF \ -D BUILD_TESTS=OFF \ -D BUILD_PERF_TESTS=OFF \ -D BUILD_opencv_python3=ON \ -D PYTHON3_EXECUTABLE=$(which python3.10) \ -D PYTHON3_INCLUDE_DIR=$(python3.10 -c "from distutils.sysconfig import get_python_inc; print(get_python_inc())") \ -D PYTHON3_LIBRARY=$(python3.10 -c "import distutils.sysconfig as sysconfig; print(sysconfig.get_config_var(&#39;LIBDIR&#39;))") \ -D PYTHON3_NUMPY_INCLUDE_DIRS=$(python3.10 -c "import numpy; print(numpy.get_include())") \ .. ``` 注意：`CUDA_ARCH_BIN`需要根据你的GPU架构来设置。可以在NVIDIA官网上查找你的GPU对应的计算能力版本。 步骤5：编译和安装 配置完成后，进行编译和安装： ```bash make -j$(nproc) # 使用所有可用的CPU核心进行编译 sudo make install ``` 步骤6：验证安装 编译安装完成后，进入Python环境，检查OpenCV是否支持CUDA： ```python import cv2 print(cv2.__version__) print(cv2.cuda.getCudaEnabledDeviceCount()) # 大于0表示有可用的CUDA设备 ``` 如果以上步骤遇到问题，可能需要检查： - CMake配置时的错误信息，确保CUDA被正确检测到。 - 显卡驱动、CUDA、cuDNN的版本兼容性。 - 确保在编译时没有其他版本的OpenCV干扰。 另外，引用[4]提到了使用清华源来加速安装，但在源码编译中并不直接使用。不过，在安装其他Python依赖时可以考虑使用。 如果用户之前已经通过pip安装了OpenCV，需要先卸载： ```bash pip uninstall opencv-python opencv-python-headless ``` 编译过程可能需要较长时间，请耐心等待。 注意：由于用户使用的是Python 3.10.18，在CMake配置时我们指定了Python3.10的相关路径，确保编译出的OpenCV绑定到正确的Python版本。 引用： [1] 用户通过pip安装OpenCV的记录，但这是没有CUDA支持的预编译版本。 [2] 提到了安装CUDA、cuDNN、TensorRT等，这些是启用CUDA支持的前提。 [3] 安装scipy的过程，但与我们当前问题关系不大，不过提到了使用conda环境，注意在conda环境中编译可能需要额外设置。 [4] 使用清华源加速conda安装，适用于安装其他依赖。 如果用户在conda环境中操作，需要注意： - 在conda环境中，需要确保conda环境激活，并且CMake配置时指定的Python路径是该环境中的Python路径。 - 可以使用`which python`来确认当前环境中的Python解释器位置。 相关问题： §§相关问题§§ 1. 如何查看显卡的计算能力版本？ 2. 在Linux系统上如何卸载通过源码安装的OpenCV？ 3. 如何确认系统中CUDA的安装路径？ 4. 编译OpenCV时遇到CUDA_nppicom_LIBRARY错误如何解决？ </think>### Python 3.10.18搭配OpenCV 4.12.0的CUDA支持解决方案 要解决OpenCV 4.12.0在Python 3.10.18环境中CUDA不可用的问题，请按以下步骤操作： #### 1. **卸载现有OpenCV安装** ```bash pip uninstall opencv-python opencv-python-headless ``` #### 2. **安装支持CUDA的预编译版本** 使用支持CUDA的专用版本（需匹配Python 3.10）： ```bash pip install opencv-python-cuda==4.12.0 ``` > **注意**：若官方未提供对应版本，需要源码编译（见步骤3）[^2] #### 3. **源码编译支持CUDA的OpenCV（若无预编译包）** ```bash # 下载源码 git clone --branch 4.12.0 https://github.com/opencv/opencv.git git clone --branch 4.12.0 https://github.com/opencv/opencv_contrib.git # 配置CMake（关键参数） cmake -D CMAKE_BUILD_TYPE=RELEASE \ -D CMAKE_INSTALL_PREFIX=/usr/local \ -D OPENCV_EXTRA_MODULES_PATH=../opencv_contrib/modules \ -D WITH_CUDA=ON \ -D CUDA_ARCH_BIN=8.6 \ # 根据GPU架构修改 -D CUDA_nppicom_LIBRARY=/usr/local/cuda/lib64/stubs/libnppicom.so \ -D PYTHON3_EXECUTABLE=$(which python3.10) \ -D BUILD_opencv_python3=ON .. ``` 编译安装： ```bash make -j$(nproc) sudo make install ``` #### 4. **验证CUDA支持** ```python import cv2 print(cv2.cuda.getCudaEnabledDeviceCount()) # 应输出>0 print(cv2.cuda.printCudaDeviceInfo(0)) # 显示GPU信息 ``` #### 5. **环境配置要点** - **CUDA版本兼容**：确认CUDA≥11.6（推荐11.8+）[^2] - **依赖库安装**： ```bash conda install -c conda-forge cudatoolkit=11.8 cudnn=8.4 ``` - **PATH配置**：确保CUDA路径已加入环境变量 ```bash export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH ``` #### 常见问题解决 1. **编译错误**： - 安装完整依赖：`sudo apt-get install build-essential cmake git libgtk2.0-dev pkg-config` - 更新GCC：`conda install gxx_linux-64=11` [^3] 2. **CUDA检测失败**： - 验证CUDA安装：`nvcc --version` - 检查cuDNN路径：确保`/usr/local/cuda/include/cudnn*.h`存在 3. **加速下载**： 使用国内镜像源（如清华源）安装依赖[^4]： ```bash pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy scipy ``` > **关键提示**：预编译的`opencv-python`包默认**不包含CUDA支持**，必须使用`opencv-python-cuda`或源码编译启用CUDA[^1][^2]。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值