1. 环境准备:打好地基,事半功倍
大家好,我是老张,一个在AI和计算机视觉领域折腾了十多年的“老码农”。今天咱们不聊那些虚头巴脑的理论,直接上手干一件实事:在 Ubuntu 20.04 系统上,从零开始把 OpenPose 这个强大的人体姿态估计库给配置好,让它能顺顺当当地跑起来。OpenPose 是卡内基梅隆大学开源的一个项目,它能从图片或视频里精准地识别出人体的各个关节点,比如手肘、膝盖、肩膀的位置,在动作分析、人机交互、健身评估这些领域应用非常广。如果你是做相关研究、项目开发,或者单纯想体验一下前沿的视觉技术,那跟着我走一遍,保准你能避开我当年踩过的那些坑,一路绿灯。
咱们这次的目标很明确,就是让 OpenPose 在你的 Ubuntu 20.04 上成功编译并运行。我自己的测试环境是一台搭载了英伟达 RTX 3070 显卡的机器,系统是纯净安装的 Ubuntu 20.04 LTS。为什么强调 20.04?因为这个版本长期支持,生态稳定,很多库的兼容性都经过充分验证,是搞开发非常稳妥的选择。对于使用 30 系显卡(比如 3060, 3070, 3080, 3090)的朋友来说,配置过程会有点特殊的小波折,因为新显卡只支持 CUDA 11 以上的版本,而 OpenPose 依赖的 Caffe 框架对高版本 CUDA 支持不太友好。别担心,后面我会详细告诉你怎么办。
在开始敲命令之前,咱们先理清一个关键点:要不要用 Anaconda? 官方文档明确警告说,Anaconda 自带的 Protobuf 库版本可能会和 Caffe 冲突,建议要么卸载 Anaconda,要么在系统全局环境里编译。但根据我多次实测的经验,这个警告可以“选择性忽略”。我们完全可以在 Conda 创建的虚拟环境里完成所有编译工作,这样既能保持系统环境的干净,又能灵活管理 Python 版本和依赖。我下面的所有操作,除非特别说明,都是在 Conda 虚拟环境中进行的。所以,第一步,先去 Miniconda 或 Anaconda 官网下载安装包,把它装好。然后创建一个新的 Python 3.6 环境(OpenPose 的 Python 接口对 3.6 兼容性最好),命令很简单:conda create -n openpose python=3.6.13,激活环境用 conda activate openpose。好了,地基选好了,咱们开始砌墙。
1.1 安装系统级依赖
编译 OpenPose 就像盖房子,需要一堆“建筑材料”。这些材料大部分是 C++ 库,需要通过 Ubuntu 的包管理器 apt 来安装。首先,确保你的系统软件源是最新的,打开终端,执行:
sudo apt-get update
接下来,安装最核心的编译工具链和基础库:
sudo apt-get install -y build-essential cmake git
build-essential 包含了 GCC、G++、Make 等核心编译工具,cmake 是 OpenPose 使用的构建系统,git 用来下载源代码。
然后,安装 OpenPose 运行和编译所需的一系列依赖库。这里我推荐直接使用 OpenPose 官方仓库里提供的一个脚本,它本意是给 Caffe 安装依赖的,但其中大部分库 OpenPose 也用得上。不过,那个脚本会尝试安装很多东西,包括用 pip 安装一些 Python 包,这可能会和我们虚拟环境的管理产生冲突。我的建议是,只提取其中必要的系统库安装命令。你可以新建一个脚本文件,比如叫 install_deps.sh,把下面这些内容放进去:
#!/bin/bash
# 基础编译工具(上面已安装,这里列出以示完整)
# sudo apt-get install -y build-essential
# 通用依赖
sudo apt-get install -y libatlas-base-dev libprotobuf-dev libleveldb-dev libsnappy-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install -y --no-install-recommends libboost-all-dev
# 其他依赖
sudo apt-get install -y libgflags-dev libgoogle-glog-dev liblmdb-dev
# OpenCV 开发库(非常重要!)
sudo apt-get install -y libopencv-dev
给脚本加上执行权限 chmod +x install_deps.sh,然后运行 sudo bash install_deps.sh。这里重点说一下 libopencv-dev,OpenPose 的输入输出处理严重依赖 OpenCV,这个包必须装上。另外,protobuf 和 libprotobuf-dev 也很关键,它们是谷歌的数据序列化工具,Caffe 模型文件用它来定义和存储。安装完成后,基础的“建筑材料”就备齐了。
1.2 搞定 CUDA 和 cuDNN
对于有 Nvidia 显卡的用户,这一步是性能的关键。CUDA 是 Nvidia 的并行计算平台,cuDNN 是针对深度神经网络的加速库。30系显卡的朋友们注意了,你们必须安装 CUDA 11.x 版本,因为驱动不支持更老的 CUDA 10.2。我使用的是 CUDA 11.1 和 cuDNN 8.0.4,这个组合比较稳定。
-
安装 CUDA 11.1:去 Nvidia 官网的 CUDA Toolkit 存档页面,找到 11.1 版本,选择对应 Ubuntu 20.04 的 runfile 本地安装方式。下载后,在终端运行:
sudo sh cuda_11.1.0_455.23.05_linux.run安装过程中,记得取消勾选驱动安装(Driver),因为你的显卡驱动应该已经通过
ubuntu-drivers或官方.run文件装好了。只安装 CUDA Toolkit 即可。安装完成后,按照提示将 CUDA 路径加入环境变量。通常是在~/.bashrc文件末尾添加:export PATH=/usr/local/cuda-11.1/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-11.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}然后执行
source ~/.bashrc使其生效。验证安装:nvcc --version应显示 11.1。 -
安装 cuDNN 8.0.4:去 Nvidia 开发者网站下载 cuDNN,需要注册账号。选择对应 CUDA 11.1 的 cuDNN 8.0.4 版本(例如
cudnn-11.1-linux-x64-v8.0.4.30.tgz)。下载后解压,将其中的头文件和库文件复制到 CUDA 目录:tar -xzvf cudnn-11.1-linux-x64-v8.0.4.30.tgz sudo cp cuda/include/cudnn*.h /usr/local/cuda-11.1/include sudo cp cuda/lib64/libcudnn* /usr/local/cuda-11.1/lib64 sudo chmod a+r /usr/local/cuda-11.1/include/cudnn*.h /usr/local/cuda-11.1/lib64/libcudnn*至此,GPU 计算的软硬件基础就搭建完成了。
2. 获取源码与 CMake 图形化配置
材料备齐,该拿“设计图纸”了。OpenPose 的源代码托管在 GitHub 上,我们用 git 把它克隆到本地。找一个你喜欢的目录,执行:
git clone https://github.com/CMU-Perceptual-Computing-Lab/openpose.git
cd openpose
这个过程可能会有点慢,因为仓库包含了模型文件。克隆完成后,你会看到一个 openpose 文件夹,里面就是所有的源代码。
接下来是最核心也最容易出错的环节:CMake 配置。CMake 的作用是根据你的系统环境,生成适合的编译脚本(Makefile)。官方推荐使用 CMake 的图形化界面(GUI)来操作,对新手非常友好。首先确保安装了 GUI:sudo apt-get install cmake-qt-gui。
-
准备构建目录:在
openpose文件夹内,创建一个build目录,并进入。mkdir build cd build -
启动 CMake-GUI:在终端里输入
cmake-gui ..(注意最后有两个点,代表上一级目录)。图形界面会弹出。 -
指定路径:
- 在 “Where is the source code:” 栏,点击 “Browse Source…”,选择你刚克隆的
openpose文件夹的根目录。 - 在 “Where to build the binaries:” 栏,它应该自动填充为
openpose/build,也就是你当前所在的目录。如果build目录是空的,CMake 会问你是否创建,点 “Yes”。
- 在 “Where is the source code:” 栏,点击 “Browse Source…”,选择你刚克隆的
-
首次配置:点击左下角的 Configure 按钮。会弹出一个对话框让你选择生成器(Generator),保持默认的 “Unix Makefiles” 即可。指定本地工具链(Specify native compilers)也可以默认。点击 “Finish”。CMake 会开始第一次扫描和配置。
-
关键参数设置:第一次配置结束后,中间区域会出现一堆红色(表示新变量或修改过的变量)的配置项。我们需要关注几个最重要的:
BUILD_PYTHON:务必勾选。这样才会编译生成 Python 接口,我们才能用 Python 来调用 OpenPose。GPU_MODE:确保它是CUDA。如果你没有 Nvidia 显卡,才需要选择CPU_ONLY。CUDA_TOOLKIT_ROOT_DIR:这个路径应该自动指向你的 CUDA 安装目录(如/usr/local/cuda-11.1)。检查一下是否正确。Python_EXECUTABLE:非常重要! 点击这一行,然后点击右边的 “…” 按钮,手动导航到你 Conda 虚拟环境中的 Python 解释器。路径类似/home/你的用户名/miniconda3/envs/openpose/bin/python3.6。这样能确保 CMake 找到正确环境下的 Python 和其头文件。Python_LIBRARY和Python_INCLUDE_DIR:在指定了Python_EXECUTABLE并再次 Configure 后,这两个路径通常会自动填充正确。如果不正确,同样需要手动指定到你的 Conda 环境下的库和头文件目录。
-
30系显卡用户的特殊操作:这是避坑关键点!找到
USE_CUDNN这个选项。取消它的勾选。为什么呢?因为 OpenPose 底层使用的 Caffe 框架对 CUDA 11+ 和 cuDNN 8+ 的兼容性有问题,直接启用 cuDNN 编译会报错(比如cudnn version not supported)。我们先关掉它,让编译通过。这会导致运行时无法使用 cuDNN 加速,但至少能让程序跑起来。后面我们会讨论这个取舍带来的影响和替代方案。 -
完成配置:修改完上述参数后,再次点击 Configure 按钮。这次红色条目会变少。如果还有红色,检查是否是其他路径问题。反复点击 Configure,直到红色条目全部消失,底部信息窗口最后一行出现 “Configuring done”。
-
生成 Makefile:点击 Generate 按钮。成功后,底部会显示 “Generating done”。现在,你可以关闭 CMake-GUI 了。
build目录里已经生成了编译所需的所有文件。
注意:CMake 过程可能会因为缺失某些库而报错。常见的错误信息会明确指出缺少哪个库(比如
Could NOT find xxx)。根据提示,用sudo apt-get install libxxx-dev安装对应的开发包即可。耐心一点,这是配置过程中最需要排查问题的阶段。
3. 编译与安装:漫长的构建过程
配置搞定,接下来就是体力活了——编译。这个过程会消耗大量时间和 CPU/内存资源,喝杯咖啡等着吧。回到终端,确保你在 openpose/build 目录下。
执行编译命令:
make -j`nproc`
这个命令非常关键。make 是启动编译,-j 参数表示并行编译,后面的 nproc 命令会获取你电脑的 CPU 核心数,比如 8 核就是 -j8。用上所有核心能极大缩短编译时间。整个编译过程可能会持续 30 分钟到 2 小时,取决于你的机器性能。你会看到屏幕上飞速滚过大量的编译信息。
编译过程中如果报错停止,最常见的还是依赖问题。仔细看错误输出,通常能定位到是哪个文件或库出了问题。我遇到过的几个典型问题:
- Protobuf 版本冲突:如果报错提到 Protobuf,这很可能是因为系统(或 Conda 环境)里存在多个版本。确保在 CMake 中指定的 Python 路径正确,并且 Conda 环境里没有安装与系统冲突的
protobuf包。可以在 Conda 环境中尝试conda install protobuf安装一个兼容版本。 - CUDA 相关错误:如果错误指向 CUDA 代码,再次确认
CUDA_TOOLKIT_ROOT_DIR路径是否正确,以及你的显卡驱动、CUDA 版本是否兼容。30系显卡务必使用 CUDA 11.x。 - 内存不足:编译 Caffe 部分时非常吃内存。如果机器内存较小(比如小于 8GB),可以尝试减少并行任务数,比如用
make -j4。
当终端最后出现大量 [100%] 的提示,并且不再有新的编译动作时,说明编译成功了!此时,在 build 目录下会生成可执行文件 examples/openpose/openpose.bin,以及在 build/python/openpose/ 下生成 Python 模块文件(名字类似 pyopenpose.cpython-36m-x86_64-linux-gnu.so)。
为了让 Python 能直接导入 pyopenpose,我们需要把这个 .so 文件放到 Python 能找到的地方。有两种方法:
- 方法A(推荐,虚拟环境专用):直接复制到你的 Conda 虚拟环境的 site-packages 目录。
这样,在 Python 中就可以用cp build/python/openpose/pyopenpose.cpython-36m-x86_64-linux-gnu.so /home/你的用户名/miniconda3/envs/openpose/lib/python3.6/site-packages/ cd /home/你的用户名/miniconda3/envs/openpose/lib/python3.6/site-packages/ ln -s pyopenpose.cpython-36m-x86_64-linux-gnu.so pyopenposeimport pyopenpose as op来导入了。 - 方法B(系统级):如果你是在系统 Python 环境下编译的,就复制到系统的 dist-packages 目录,并创建软链接。
4. 运行测试与性能调优
激动人心的时刻到了,让我们看看 OpenPose 是否真的能工作。
基础测试:先用官方提供的命令行工具测试。在 build 目录下运行:
./examples/openpose/openpose.bin --video examples/media/video.avi
如果一切正常,你会弹出一个窗口,播放一段视频,视频中的人物身体上会被画出骨骼关节点。恭喜你,核心功能已经跑通了!
Python 接口测试:创建一个简单的 Python 脚本 test_openpose.py:
import cv2
import pyopenpose as op
# 设置 OpenPose 参数
params = dict()
params["model_folder"] = "../../models/" # 指向 openpose 根目录下的 models 文件夹
params["net_resolution"] = "-1x368" # 网络输入分辨率,-1表示保持宽高比
# 初始化 OpenPose
opWrapper = op.WrapperPython()
opWrapper.configure(params)
opWrapper.start()
# 读取图片
image = cv2.imread("../../examples/media/COCO_val2014_000000000192.jpg")
if image is None:
print("图片读取失败,请检查路径")
exit()
# 处理图片并获取结果
datum = op.Datum()
datum.cvInputData = image
opWrapper.emplaceAndPop([datum])
# 显示结果
print("检测到的人体关键点:", datum.poseKeypoints.shape)
cv2.imshow("OpenPose 结果", datum.cvOutputData)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行这个脚本,如果能看到图片上绘制了姿态,并且终端打印出关键点的形状(例如 (1, 25, 3) 表示检测到1个人,25个关键点,每个点有x,y,置信度3个值),那么 Python 接口也完全正常了。
关于 30 系显卡和 cuDNN 的深度讨论:前面我们为了编译通过,关闭了 USE_CUDNN。这带来的直接影响是,在首次加载 Caffe 模型时,OpenPose 会使用一个纯 CUDA 的实现来初始化一些层,这个过程会临时占用大约 8GB 的显存,持续半秒到一秒后释放。如果你的显卡显存小于或刚好 8GB(比如 RTX 3070 是 8GB,RTX 3060 有 12GB 和 8GB 版本),就可能在启动瞬间遭遇 CUDA out of memory 错误。
我实测的解决方案和权衡如下:
- 硬扛法:对于 8GB 显存卡,关闭所有其他占用显存的程序,有较大概率能启动成功。一旦启动,后续处理图片/视频的显存占用会回落到正常水平(处理 1080p 图片约 1-2GB)。
- 升级硬件法:换用显存大于 8GB 的显卡,这是最根本的解决办法。
- 寻找补丁:社区有一些针对 Caffe 以支持 CUDA 11 和 cuDNN 8 的补丁,但将这些补丁集成到 OpenPose 的 Caffe 子模块中过程较为复杂,且稳定性需要自行验证。对于追求稳定和效率的用户,这可能是一个值得尝试的进阶方向。
- 使用 CPU 模式:在 CMake 中将
GPU_MODE设为CPU_ONLY。这当然能避免所有 GPU 内存问题,但处理速度会慢几十倍,仅适合测试或对实时性毫无要求的场景。
对于大多数拥有 30 系 8GB 显存卡的用户,我建议采用“硬扛法”,并确保在运行 OpenPose 前释放尽可能多的显存。虽然有一瞬间的惊险,但日常使用没有问题。
5. 进阶配置与实用技巧
环境搭好了,能跑起来了,咱们再聊聊怎么让它跑得更好、更顺手。
模型文件:OpenPose 依赖预训练模型。源代码克隆时,models/ 目录下应该有这些模型的下载脚本(.sh 文件)。如果 models/ 目录是空的,你需要运行:
cd models
sudo bash ./getModels.sh
这个脚本会下载身体、手部、面部等关键点检测模型,文件比较大,总共几个GB,确保网络通畅。
提高处理速度:
- 调整
net_resolution:这是最重要的参数。值越小(如656x368,-1x368),速度越快,但精度可能下降,对小目标检测变差。值越大(如1312x736),精度高,速度慢。需要根据你的应用场景和硬件性能做权衡。 - 限制检测人数:设置
number_people_max参数。如果你场景中通常只有1个人,设为1可以节省计算资源。 - 使用多尺度检测:
scale_number和scale_gap参数用于多尺度人物检测,提高检出率但会增加计算量。对于固定摄像头、人物大小变化不大的场景,可以关闭多尺度(scale_number=1)。 - 选择性地关闭手部、面部检测:如果你只需要身体姿态,在参数中设置
hand=false和face=false,可以显著提升帧率。
Python 接口的优雅使用:op.WrapperPython 是主要的接口类。对于处理视频流(摄像头或视频文件),建议使用 op.VideoReader 和循环调用 opWrapper.emplaceAndPop 的方式,而不是为每一帧都创建新的 Datum 对象。记得在循环结束后释放资源。对于图像序列,可以使用 processImage 函数。
编译优化(针对二次编译或高手):如果你经常需要修改 OpenPose 源码并重新编译,可以研究一下 CMake 的 CMAKE_BUILD_TYPE 选项。Release 模式会进行最高级别的优化,生成速度最快的代码,但编译时间更长。Debug 模式包含调试信息,方便定位代码问题。默认通常是 Release。你可以在 CMake-GUI 中修改这个变量。
最后,再分享一个我踩过的坑:有时更新了 Nvidia 驱动或 CUDA 后,重新编译 OpenPose 可能会失败。这时候,最干净的做法是彻底删除 build 目录,然后从头开始 CMake 配置和编译。虽然耗时,但能避免很多因缓存导致的诡异问题。OpenPose 的环境配置确实比一般的 Python 库要复杂,它更像是一个 C++ 工程。但一旦搭建成功,它的强大功能和稳定性会让你觉得这些努力都是值得的。希望这篇超详细的攻略能帮你顺利上车,开启你的人体姿态估计之旅。如果在实际操作中遇到新的问题,不妨去 OpenPose 的 GitHub Issues 页面看看,全球的开发者们在那里贡献了无数宝贵的经验。
156



被折叠的 条评论
为什么被折叠?



