OpenPose 安装完全指南：从 Windows 便携版到 Ubuntu/Mac/Windows 源码编译

最新推荐文章于 2026-10-21 16:11:47 发布
原创 最新推荐文章于 2026-10-21 16:11:47 发布 · 437 阅读 ·
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。

OpenPose 安装完全指南：从 Windows 便携版到 Ubuntu/Mac/Windows 源码编译

【免费下载链接】openpose OpenPose: Real-time multi-person keypoint detection library for body, face, hands, and foot estimation 【免费下载链接】openpose 项目地址: https://gitcode.com/gh_mirrors/op/openpose

导读

本文是 OpenPose（实时多人关键点检测库，覆盖身体、脸部、手部与脚部估计）的权威安装手册，完整梳理官方支持的三种交付形态：Windows 便携 Demo（免编译即用）、从源码编译安装（适合二次开发与库集成），以及 ROS / Docker / Google Colab 等社区方案。读完本文，你将掌握各平台的软硬件前置条件、CMake 配置与 GPU_MODE 选型逻辑、Ubuntu/Mac/Windows 三端的编译与运行流程，并能据此定位与排查安装过程中绝大多数常见错误。

本文主体依据 doc/installation/0_index.md 整理，同时结合 CMakeLists.txt、scripts/ubuntu/install_deps.sh、models/getModels.sh 等源码与脚本，补充底层实现依据。

一、支持的操作系统、硬件需求与依赖

1.1 操作系统支持矩阵

官方明确支持以下系统：

  • Windows 10
  • Ubuntu 20
  • Mac OSX Mavericks 及以上版本

以下系统已不再官方维护，但大概率仍可运行（可能需要少量修改）：

  • Ubuntu 14、16、18
  • Windows 7、8

嵌入式平台方面：

1.2 默认配置的硬件需求

版本形态最低硬件要求
CUDA（Nvidia GPU）至少 1.6 GB 可用显存 的 Nvidia 显卡（Ubuntu 下可用 nvidia-smi 查看显存占用）；至少 2.5 GB 空闲 RAM（BODY_25 模型）或 2 GB（COCO 模型，假设已装 cuDNN）；强烈建议安装 cuDNN
OpenCL（AMD GPU）Vega 系列显卡；至少 2 GB 空闲 RAM
CPU-only（无 GPU）约 8 GB 空闲 RAM
通用建议CPU 至少 8 核

进阶提示：--net_resolution 越大、scale_number 越多，所需资源越多；反之，降低网络分辨率或改用 MPI / MPI_4 模型可以减少资源占用。

1.3 依赖清单

  • OpenCV：所有 2.X 与 3.X 版本均兼容（当前仓库 Windows 预编译依赖实际采用 OpenCV 4.x，详见下文源码分析）。
  • Caffe 及其全部依赖：OpenPose 默认以 Caffe 为深度学习推理框架。官方欢迎用户将 OpenPose 移植到 Tensorflow、Caffe2、Pytorch 等框架，并欢迎提交 pull request。
  • GFlags：demo 与教程代码额外依赖 GFlags 用于命令行参数解析。

上述依赖与版本要求在 doc/installation/1_prerequisites.md 中有更细化的逐平台安装步骤，本文后续章节会展开。

二、Windows 便携 Demo：不想编译就直接用

如果你只是想使用 OpenPose，而不打算编译或写任何代码，直接使用最新版 Windows 便携包即可，全程无需构建。

  1. 准备 Nvidia 驱动（可选但推荐）：为追求最高速度，建议在带 Nvidia GPU 的机器上使用。若如此，请先将 Nvidia 驱动升级到最新版本（可通过 Nvidia "GeForce Experience" 软件或官网下载页操作）。
  2. 下载最新版 OpenPose 便携包：从官方 Releases 页面获取最新 Windows 版本。
  3. 下载模型：解压 zip 后，按包内 Instructions.txt 的说明下载 OpenPose 所需模型（约 500 MB）。
  4. 运行：按 doc/01_demo.md 的指引，在 PowerShell 命令行中运行 OpenPose。

关于模型：仓库中 models/getModels.sh 展示了模型清单及下载源——BODY_25（pose_iter_584000.caffemodel）、COCO（pose_iter_440000.caffemodel）、MPI（pose_iter_160000.caffemodel）、人脸（pose_iter_116000.caffemodel）、手部（pose_iter_102000.caffemodel），Windows 便携包内的 Instructions.txt 与之对应。

已知问题的修复：如果使用 GPU 加速版时出现 Cuda check failed (3 vs. 0): initialization error，可通过以下任一方式解决：

  • 升级 Nvidia 驱动；若错误仍存在，请确保机器上没有安装任何 CUDA 版本（或所装 CUDA 与便携包内置 CUDA 版本一致），否则卸载该 CUDA。如果必须保留该 CUDA 版本，请改按本文第三部分的源码编译流程，针对该 CUDA 版本自行构建。
  • 下载更旧的 OpenPose 版本（v1.6.0 不会出现此错误）。

三、从源码编译并运行 OpenPose

以下小节描述基于 CMake-GUI 的构建流程。这些步骤仅在你打算修改 OpenPose 源码、或将其作为库集成进其他项目时才推荐执行；如果只是想在 Windows 上运行 OpenPose 而不编译不写代码，可以跳过本章。

3.1 安装问题排查入口

按本指南安装遇到任何问题时：

  • 先查阅 doc/05_faq.md 与现有 GitHub issues；
  • 若未找到对应问题，再新建 issue 提问；
  • 官方不会回复重复 issue，也不会回复关于 Caffe、OpenCV 或 CUDA 安装错误的 issue，以及未按模板填全信息的 issue。

3.2 前置条件

务必先安装适合你操作系统的全部前置依赖，详细清单见 doc/installation/1_prerequisites.md。核心要点如下：

通用技巧（非常重要，可避免大量 bug）：

  • 安装最新 CUDA，或确保你的 GPU 与系统里的 CUDA 版本兼容。例如 Nvidia 30XX 系列 GPU 至少需要 CUDA 11；GTX 20XX、V100、Volta、Turing 等至少需要 CUDA 10。

  • CMake 会自动下载所有 OpenPose 模型；但部分防火墙或公司网络会拦截这些下载。此时需要手动下载模型并放入对应目录：

    • BODY_25 模型 → models/pose/body_25/
    • COCO 模型 → models/pose/coco/
    • MPI 模型 → models/pose/mpi/
    • 人脸模型 → models/face/
    • 手部模型 → models/hand/

    仓库 models/getModels.sh 即对应这一下载流程（各模型默认源为 http://vcl.snu.ac.kr/OpenPose/models/）。

Ubuntu 前置条件（对应 doc/installation/1_prerequisites.md）：

  1. 不要安装 Anaconda，或务必停用它。Anaconda 自带的 Protobuf 与 Caffe 不兼容：要么卸载 Anaconda 改用 apt-get 安装 protobuf，要么用 conda deactivate 停用 Conda（若不在 base 环境则需执行两次）。
  2. 安装 CMake GUI：
    • Ubuntu 20：sudo apt-get install cmake-qt-gui
    • Ubuntu 18：必须从源码编译 CMake-gui（apt 自带的 3.10 版本会引发编译错误，要求 CMake >= 3.12）：先 sudo apt purge cmake-qt-gui 卸载旧版，再 sudo apt install libssl-dev 与 sudo apt-get install qtbase5-dev，下载 CMake 源码包后执行 ./configure --qt-gui 与 ./bootstrap && make -jnproc&& sudo make install -jnproc``；此后文档中所有 cmake-gui 命令都需替换为 {CMAKE_FOLDER_PATH}/bin/cmake-gui。
    • Ubuntu 14/16：直接 sudo apt-get install cmake-qt-gui。
  3. Nvidia GPU 版本前置：
    • 推荐组合（经大量测试）：Ubuntu 20 使用 CUDA 11.7.1 + cuDNN 8.5.0；更早的 v1.6.X / v1.5.X 版本对应 Ubuntu 18 + CUDA 10.1 + cuDNN 7.5.1 与 Ubuntu 14/16 + CUDA 8.0 + cuDNN 5.1。其他组合也可能可用，但官方不对 CUDA/cuDNN 相关的安装编译问题提供支持。若启用了 Secure Boot（默认关闭），MOK 密钥安装步骤可能必需：记录公钥输出路径并手动执行 sudo mokutil --import PATH_TO_PUBLIC_KEY。
    • 升级 Nvidia 驱动到最新版本。
    • CUDA 安装：不熟悉 CUDA 时可直接运行 sudo bash ./scripts/ubuntu/install_cuda.sh；或从 CUDA 官方下载页安装（x86_64 架构、建议 runfile(local) 安装类型），安装时务必启用 /usr/local/cuda 符号链接以规避后续错误；若手动装过驱动，请取消勾选“install driver”。
    • cuDNN 安装：下载对应版本的 cuDNN Library for Linux (x86_64)，解压后将其内容复制（合并）到 CUDA 目录（通常为 /usr/local/cuda-{version}/）。
  4. OpenCL / AMD GPU 版本前置（仅当无 Nvidia GPU 且想在 AMD 显卡上运行时）：Ubuntu 20/18 未测试且不官方支持，风险自负；Ubuntu 14/16 需安装第三方 ROCM 驱动与 libviennacl-dev。
  5. 安装 Caffe、OpenCV 及其依赖：
    • OpenCV：sudo apt-get install libopencv-dev（也可用自己编译的 OpenCV）。
    • Caffe 依赖：安装 CUDA/cuDNN 后运行 sudo bash ./scripts/ubuntu/install_deps.sh（该脚本会安装 build-essential、libatlas-base-dev、libprotobuf-dev、libleveldb-dev、libsnappy-dev、libhdf5-serial-dev、protobuf-compiler、libboost-all-dev、libgflags-dev、libgoogle-glog-dev、liblmdb-dev 以及 Python2/Python3 依赖，参见 scripts/ubuntu/install_deps.sh）。
    • CMake 配置生成依赖：sudo apt install protobuf-compiler libgoogle-glog-dev。
    • make 构建依赖：sudo apt install libboost-all-dev libhdf5-dev libatlas-base-dev。
  6. Python 前置（可选，仅在使用 Python API 时）： 
    # Python 3（默认与推荐）
sudo apt-get install python3-dev
sudo pip3 install numpy opencv-python
# Python 2
sudo apt-get install python-dev
sudo pip install numpy opencv-python

Mac OS 前置条件：

  1. 未装 brew 时，运行 bash scripts/osx/install_brew.sh。
  2. 安装 CMake GUI：brew install --cask cmake。
  3. 安装 Caffe、OpenCV 及其依赖：运行 bash scripts/osx/install_deps.sh。

Windows 前置条件（仅源码编译时需要；直接用便携包可跳过）：

  1. 安装 CMake GUI：下载 cmake-X.X.X-win64-x64.msi 安装包。
  2. 安装 Visual Studio 2019 / 2017 Enterprise 或 VS 2015 Enterprise Update 3（Community 版官方不正式支持但应可运行）：务必勾选全部 C++ 相关组件。
  3. Nvidia GPU 版本：
    • 推荐组合：VS2019 + CUDA 11.1.1 + cuDNN 8.1.0；v1.6.X/v1.5.X 对应 VS2017 + CUDA 10.1 + cuDNN 7.5.1、VS2015 + CUDA 8.0 + cuDNN 5.1。
    • 先装 VS 再装 CUDA，确保 CUDA 能为 VS 生成必要文件；若顺序反了需重装 CUDA。
    • 若 CMake 报 CUDA_TOOLKIT_ROOT_DIR not found or specified 等错误，按此顺序处理：1) 重装 Visual Studio；2) 重启电脑；3) 重装 CUDA。
    • cuDNN 手动安装：解压后把内容复制（合并）到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v{version}。
  4. AMD GPU 版本：安装 AMD 官方 Windows 驱动；libviennacl 已随 OpenPose Windows 包附带，无需额外操作。
  5. Caffe、OpenCV 及其依赖：CMake 会自动下载全部 Windows DLL；也可手动下载，将 zip 保留在 3rdparty/windows/ 目录以免 CMake 重复下载：
    • Caffe（不确定就选默认 CUDA 版）：CUDA Caffe（默认）、CPU Caffe、OpenCL Caffe，分别解压为 3rdparty/windows/caffe/、3rdparty/windows/caffe_cpu/、3rdparty/windows/caffe_opencl/；
    • Caffe 依赖：解压为 3rdparty/windows/caffe3rdparty/；
    • OpenCV：解压为 3rdparty/windows/opencv/。
  6. Python 前置（可选）：安装 Windows 版 Python 3.X 后执行 sudo pip install numpy opencv-python。

3.3 克隆 OpenPose

第一步是克隆 OpenPose 仓库：

  1. Windows：可用 GitHub Desktop，或在 Powershell 中克隆。
  2. Ubuntu、Mac 或 Windows Powershell： 
    git clone https://github.com/CMU-Perceptual-Computing-Lab/openpose
cd openpose/
git submodule update --init --recursive --remote

说明：git submodule update 用于拉取 3rdparty/ 下的子模块（如 Caffe 分支、pybind11 等，见仓库 3rdparty/ 目录）。

3.4 CMake 配置（CMake-GUI）

  1. 进入 OpenPose 目录并打开 CMake-GUI：

    cd {OpenPose_folder}
mkdir build/
cd build/
cmake-gui ..

  2. 源码目录选择 OpenPose 根目录，生成目录指定一个不存在或为空的子目录（如 build），Makefile（Ubuntu）或 Visual Studio 解决方案（Windows）将生成于此；若 build 不存在，CMake 会询问是否创建，选 Yes。

  3. 点击 Configure：Ubuntu 保持生成器为 Unix Makefiles；Windows 选择 64 位 Visual Studio 版本并点击 Finish。注意 CMake-GUI 在 14 版本之后改了设计：旧版一般选 Visual Studio XX 20XX Win64 且 Optional toolset to use 留空；新版只需选 VS 版本（如 Visual Studio 16 2019），再在 Optional platform for generator 中手动选 x64。

  4. （可选）启用 Python API：勾选 BUILD_PYTHON，再次点击 Configure。从 CMakeLists.txt 源码看，BUILD_PYTHON 默认 OFF（第 316 行 option(BUILD_PYTHON "Build OpenPose python." OFF)）。

  5. 设置 GPU_MODE 标志并再次 Configure：

    • Nvidia GPU 用户：通常无需修改，直接跳过本步。需要修改的情况：
      • Nvidia GPU 显存 ≤ 2GB：参考 doc/06_maximizing_openpose_speed.md 的调优技巧，或把 GPU_MODE 改回 CPU_ONLY；
      • 无法安装 CUDA：也可把 GPU_MODE 设为 CPU_ONLY。
    • Mac OSX 与非 Nvidia GPU（Intel/AMD）：设为 CPU_ONLY（易安装但运行慢）或 OPENCL（GPU 加速，安装更难但运行更快）。细节见 doc/installation/1_prerequisites.md 与下文“OpenCL 版本”小节。
    • 无任何 GPU：设为 CPU_ONLY。

    从 CMakeLists.txt 第 194-209 行可以看到，GPU_MODE 的可选值为 CUDA、OPENCL、CPU_ONLY 三选一：非 Mac 平台默认 CUDA，Mac 平台默认 CPU_ONLY。选择 CUDA 时 CMake 会 find_package(CUDA) 并定义 USE_CUDA；选择 CPU_ONLY 时定义 USE_CPU_ONLY 与 CPU_ONLY；选择 OPENCL 时定义 USE_OPENCL 与 USE_GREENTEA（CMakeLists.txt 第 211-246 行）。

  6. 若配置成功，底部输出框最后一行会出现 Configuring done；否则底部会出现红色报错文本。

  7. 点击 Generate 生成构建文件，然后进入编译章节；此时可关闭 CMake。

其他可选/自定义选项（例如使用自定义 Caffe 或 OpenCV 版本），参见 doc/installation/2_additional_settings.md。

3.5 编译

Ubuntu
cd build/
make -j`nproc`
Mac
cd build/
make -j`sysctl -n hw.logicalcpu`

进阶提示：Mac 同时提供 logicalcpu 与 physicalcpu，为追求最大速度应取逻辑核数。

Mac 常见问题处理：

  • 若默认编译在 Caffe 环节报错，可单独安装 Caffe 并关闭 BUILD_CAFFE：
    • 重建 build 目录：rm -rf build; mkdir build; cd build
    • brew uninstall caffe 移除此前由 cmake 安装的 Caffe，再 brew install caffe 单独安装；
    • 在 cmake-gui 中调整：BUILD_CAFFE 设为 false；Caffe_INCLUDE_DIRS 设为 /usr/local/include/caffe；Caffe_LIBS 设为 /usr/local/lib/libcaffe.dylib；重新 Configure 与 Generate。
  • 若编译时遇到 OpenCV 报错 fatal error: 'opencv2/highgui/highgui.hpp' file not found（在较新的 OSX 10.14 上被报告过），应用补丁： 
    cd 3rdparty/caffe; git apply ../../scripts/osx/mac_opencl_patch.txt
Windows

在以下 2 种方式中选择其一执行。

方式一：CMake-GUI（推荐）

  1. 在 CMake 中点击 Open Project 打开 Visual Studio 解决方案（即 build/OpenPose.sln），将配置从 Debug 切换为 Release。
  2. 按 F7（或 Build 菜单 → Build Solution）执行构建。
  3. Python 版本特别注意：不能只按 F5（Run），必须执行 Build Solution 才会生成 Python 绑定。
  4. 编译完成后，若有摄像头，可按绿色三角图标（或 F5）以默认参数在摄像头上运行 OpenPose demo。

方式二：命令行构建（不推荐，官方不正式支持）

openpose\mkdir  build
cd build
cmake .. -G "Visual Studio 16 2019" -A x64 -T v142
cmake --build . --config Release
copy x64\Release\*  bin\

若需 clean build：

cmake --clean-first .
cmake --build . --config Release
copy x64\Release\*  bin\

要点提示：

  • 命令行构建时若想设 GPU_MODE 为 CPU_ONLY，需在 cmake 命令后追加 -D GPU_MODE:STRINGS=CPU_ONLY。
  • 非常关键：要在 Visual Studio 之外使用 OpenPose，且未在 CMake 中取消勾选 BUILD_BIN_FOLDER 时，需将 {build_directory}/bin 下所有 DLL 复制到生成的 openpose.dll 与 *.exe demo 所在目录（64 位 Release 版本为 {build_directory}/x64/Release）。这一点与 CMakeLists.txt 第 318 行 BUILD_BIN_FOLDER（Windows 下默认 ON）的机制一致：它会将 3rd-party DLL 统一收集到 {build_directory}/bin。

3.6 运行 OpenPose

编译完成后，按 doc/01_demo.md 运行任意 demo 示例即可验证安装是否成功，例如：

# Ubuntu 和 Mac
./build/examples/openpose/openpose.bin --video examples/media/video.avi

:: Windows - Portable Demo
bin\OpenPoseDemo.exe --video examples/media/video.avi

更多输入输出组合（--image_dir 图片目录、--video 视频、默认摄像头、--face/--hand、--write_json 等）详见 doc/01_demo.md。

3.7 自定义用户代码（Custom User Code）

如果你想在不新建整个项目的情况下快速验证原型，可以把自定义代码放入 examples/user_code/ 目录（仓库中已存在该目录及 examples/user_code/README.md 说明），从而让自定义代码随 OpenPose 一起编译，无需从头搭建独立工程。

四、ROS、Docker 与 Google Colab：社区方案

如果既不想用 Windows 便携二进制、也不想从源码编译，官方提供了若干社区维护方案的链接。注意：这些方案官方均不提供支持；官方会移除针对它们的新的 GitHub issue，并在其中提问的用户会被禁言。如有问题，只能在对应 issue 线程或向方案作者提问。

  • ROS 示例：社区提供基于 OpenPose 的 ROS 节点实现（其中第二个基于非常旧的 OpenPose 版本），相关提问只在对应 issue 线程进行。
  • Docker 镜像：社区提供多套 Dockerfile，其中包含支持 CUDA 10 的镜像（可通过 docker pull 拉取），以及仅支持 CUDA 8 的多个版本镜像（如 OpenPose v1.4.0 + OpenCV + CUDA 8 + CuDNN 5/6 + Python 2.7、OpenPose v1.2.1 等）。在 Ubuntu 上先安装 Docker（如 sudo apt-get install docker-ce）再拉取镜像即可。
  • Google Colab 辅助脚本：当本地没有足够强的计算机运行 OpenPose 时，可以在启用 GPU 的 Colab 运行时上构建并运行 OpenPose。社区提供了多个 Colab Notebook（如基于 OpenPose 1.7.0 的运动轨迹提取 Notebook），相关问题只在对应 issue 线程讨论。

五、Tiyaro 在线 Live Demo（社区方案）

官方还提供了由 Tiyaro 联合创始人贡献的 OpenPose API 在线 Live Demo（位于 Tiyaro.ai 平台）。该方案不属于官方支持范围，相关问题请在对应帖子上向作者提问。

六、卸载、重装或更新 OpenPose

卸载非常简单：

  1. （Ubuntu 和 Mac）如果你执行过 sudo make install（官方不推荐此操作），则需在 build/ 目录下运行 sudo make uninstall。
  2. 直接删除整个 OpenPose 文件夹。

更新或重装：

  1. 先按上述步骤卸载。
  2. 再按本文第三部分“从源码编译并运行 OpenPose”的步骤重新执行。

七、附加设置（可选）

按需查阅 doc/installation/2_additional_settings.md，其中覆盖了 14 项高级配置，本节逐一概述其核心要点：

  1. 部署/导出 OpenPose 到其他项目：参见 doc/advanced/deployment.md。

  2. 最大速度：速度基准与提速/降内存技巧见 doc/06_maximizing_openpose_speed.md。

  3. 更快 CPU 版本（仅 Ubuntu）：仅支持 Ubuntu 16/14 的 Intel CPU（Ubuntu 20 无法编译，Ubuntu 18 未测试）。将 GPU_MODE 设为 CPU_ONLY 后，把 USE_MKL 设为 true，即可链接 Intel MKL 版 Caffe，CPU 速度约提升 2-3 倍。默认 CPU 版在 Ubuntu 上约为 0.2 images/s（比 GPU 慢约 50 倍），MKL 版约 0.4 images/s。MKL 版不支持不固定分辨率，处理不同分辨率图片目录时必须指定固定网络分辨率（如 --net_resolution 656x368）。可通过环境变量调线程数：

    # 最优值 = CPU 线程数（默认使用）
export MKL_NUM_THREADS="8"
export OMP_NUM_THREADS="8"

    线程数增加会提高 RAM 占用。CMakeLists.txt 第 248-259 行确认了 USE_MKL 仅在 Linux 的 CPU_ONLY 模式下提供（默认 OFF），启用后定义 USE_MKL 宏。

  4. OpenCL 版本：AMD 显卡用户可将 GPU_MODE 设为 OPENCL（命令行 CMake 为 GPU_MODE=OPENCL）。重要：如果在同一目录编译过 CPU-only 或 CUDA 版本，必须手动删除 build 目录后从头安装，否则会出现大量诡异错误。OpenCL 版在 Ubuntu、Windows、OSX 上测试过，但仅测试过 AMD Vega 系列与 Nvidia 10 系列显卡。OpenCL 版同样不支持不固定 --net_resolution，不同分辨率图片目录需指定如 --net_resolution 656x368。Mac + AMD 显卡运行 OpenCL 有特殊说明（见原文档）。另外，CPU/OpenCL 版的精度比 CUDA 版略低，但实际差异几乎不可察觉。

  5. COCO 与 MPI 模型：默认不下载 COCO 与 MPI 模型（比 BODY_25 更慢且精度更低，多数场景没必要）。需要时勾选 DOWNLOAD_BODY_COCO_MODEL 或 DOWNLOAD_BODY_MPI_MODEL。从 CMakeLists.txt 第 304-308 行可见：DOWNLOAD_BODY_25_MODEL 与 DOWNLOAD_FACE_MODEL、DOWNLOAD_HAND_MODEL 默认 ON，而 COCO/MPI 默认 OFF。模型差异对比见 doc/05_faq.md。

  6. 3D 重建模块：

    • 安装 FLIR 相机软件 Spinnaker SDK（专有软件，官方不提供直接下载链接；若使用其他品牌相机可跳过此步）：Ubuntu 装到默认路径后 OpenPose 会自动发现；Windows 需手动将 Spinnaker 的 bin64\vs2015、include、lib64\vs2015（Spinnaker_v140.lib / Spinnakerd_v140.lib）分别复制到 3rdparty\windows\spinnaker\bin、include、lib。
    • 安装 3D 可视化库 FreeGLUT：Ubuntu 执行 sudo apt-get update && sudo apt-get install build-essential freeglut3 freeglut3-dev libxmu-dev libxi-dev 并重启；Windows 由 CMake 自动下载，或双击 3rdparty/windows/getFreeglut.bat（该脚本存在于仓库中）。
    • 在 CMake 中开启 WITH_FLIR_CAMERA（仅安装了 Spinnaker 时）与 WITH_3D_RENDERER。
    • Ceres solver（仅 Ubuntu，提升 3D 重建精度）：sudo apt-get install libeigen3-dev 并安装 Ceres solver，再在 CMake 中开启 WITH_CERES。CMakeLists.txt 第 278-283 行确认了这三个开关均为默认 OFF 的 option。
    • 安装后按 doc/advanced/3d_reconstruction_module.md 使用。

  7. 标定模块（Calibration Module）：相机内参标定工具箱默认包含；启用外参标定工具箱需开启 WITH_EIGEN（三选一）：

    • 推荐：WITH_EIGEN 设为 AUTOBUILD，CMake 自动下载 Eigen 并配置（若防火墙拦截，可手动下载 Eigen 3.3.8 并解压为 3rdparty/eigen/）；
    • 进阶（不推荐）：设为 FIND，需系统已装 Eigen——注意 Eigen <= 3.3.6 不兼容 CUDA >= 9.1，可 sudo apt-get install libeigen3-dev；
    • 进阶（不推荐）：也可先 AUTOBUILD 让 CMake 下载，再以自己版本的 Eigen 替换 3rdparty/eigen/。

    从 CMakeLists.txt 第 291-296 行可见 WITH_EIGEN 可选 NONE、AUTOBUILD、FIND 三值，默认 NONE；第 391-420 行实现了 AUTOBUILD 下载（含 MD5 校验）与 FIND 查找逻辑。安装后按 doc/advanced/calibration_module.md 使用。

  8. Unity 兼容版本：见官方 Unity 插件仓库。注意：Unity 版在非 Unity 环境下遇到错误会崩溃，因此不要在 Unity 之外使用。

  9. 不编译 cuDNN：cuDNN 并非强制依赖，但它是完整关键点检测精度所需。若显卡不兼容 cuDNN，可在 CMake 中取消勾选 USE_CUDNN（CMakeLists.txt 第 273-275 行确认 USE_CUDNN 仅在 CUDA 模式下存在且默认 ON）。此时需调低 --net_resolution 以适配显存，可尝试 640x320、320x240、320x160、160x80 等值；找到极限分辨率后按输入画面的宽高比调整（见 doc/advanced/demo_advanced.md 的 --net_resolution 说明），或直接用 -1（如 --net_resolution -1x320）。

  10. 自定义 Caffe：OpenPose 使用官方 Caffe 的定制 fork（仅在其可用时更新）。默认 GPU 版即 master 分支，兼容 CUDA 10 无需改动。想用自定义 Caffe（Ubuntu/Mac）：1) 关闭 BUILD_CAFFE；2) 设 Caffe_INCLUDE_DIRS 为 {CAFFE_PATH}/include/caffe；3) 设 Caffe_LIBS 为 {CAFFE_PATH}/build/lib/libcaffe.so。注意需要 cuDNN 兼容的 Caffe 版本才能获得最大精度。Windows 上则直接替换自定义 OpenCV 的 DLL 与 include 目录。从 CMakeLists.txt 第 171-191 行可见 DL_FRAMEWORK 支持 CAFFE / NV_CAFFE，且 BUILD_CAFFE 默认 ON。

  11. 自定义 NVIDIA NVCaffe：社区贡献的功能，官方不正式支持。已测试过 Nvidia 官方 Docker 镜像（nvcr.io/nvidia/caffe:18.12-py2）。使用方法：将 DL_FRAMEWORK 设为 NV_CAFFE、BUILD_CAFFE 设为 OFF，并按“自定义 Caffe”一节设置 Caffe_INCLUDE_DIRS 与 Caffe_LIBS。Windows 未支持（需修改 CMakeLists.txt 中 DL_FRAMEWORK 的 STRINGS 属性）。

  12. 自定义 OpenCV：若自编译 OpenCV 而 OpenPose 无法自动发现，可设 OPENCV_DIR 指向 OpenCV 构建目录（Ubuntu/Mac）。CMakeLists.txt 第 431-441 行还支持 OpenCV_CONFIG_FILE、OpenCV_INCLUDE_DIRS + OpenCV_LIBS（或 OpenCV_LIBS_DIR）等三种显式指定方式。

  13. Doxygen 文档自动生成（仅 Ubuntu）：设置 BUILD_DOCS 标志，文档生成于 doc/doxygen/html/index.html，双击即可在浏览器查看。

  14. CMake 命令行配置（仅 Ubuntu）：不使用 CMake GUI 时的替代方案。在 OpenPose 根目录创建 build 目录：

    cd openpose
mkdir build
cd build

    根据已有环境分四种场景：

    • 场景 1 - 未装 Caffe 且 OpenCV 由 apt-get 安装：直接 cmake ..
    • 场景 2 - 已装 Caffe 且 OpenCV 由源码构建（示例）： 
      cmake -DOpenCV_INCLUDE_DIRS=/home/"${USER}"/softwares/opencv/build/install/include \
  -DOpenCV_LIBS_DIR=/home/"${USER}"/softwares/opencv/build/install/lib \
  -DCaffe_INCLUDE_DIRS=/home/"${USER}"/softwares/caffe/build/install/include \
  -DCaffe_LIBS=/home/"${USER}"/softwares/caffe/build/install/lib/libcaffe.so -DBUILD_CAFFE=OFF ..

      或指定 OpenCVConfig.cmake 文件：

      cmake -DOpenCV_CONFIG_FILE=/home/"${USER}"/softwares/opencv/build/install/share/OpenCV/OpenCVConfig.cmake \
  -DCaffe_INCLUDE_DIRS=/home/"${USER}"/softwares/caffe/build/install/include \
  -DCaffe_LIBS=/home/"${USER}"/softwares/caffe/build/install/lib/libcaffe.so -DBUILD_CAFFE=OFF ..
    • 场景 3 - 仅已装 OpenCV： 
      cmake -DOpenCV_INCLUDE_DIRS=/home/"${USER}"/softwares/opencv/build/install/include \
  -DOpenCV_LIBS_DIR=/home/"${USER}"/softwares/opencv/build/install/lib ..

      或

      cmake -DOpenCV_CONFIG_FILE=/home/"${USER}"/softwares/opencv/build/install/share/OpenCV/OpenCVConfig.cmake ..
    • 其他场景：查阅 CMake 在线文档，找到与 CMake-GUI 各选项对应的命令行写法。

八、安装常见问题速查

现象原因/解决方向
Cuda check failed (3 vs. 0): initialization error便携版 CUDA 与系统 CUDA 冲突或驱动过旧：升级驱动、卸载冲突 CUDA，或改源码编译（见第二章）
模型下载失败（防火墙/公司网络）按 models/getModels.sh 的清单手动下载到 models/ 对应子目录（见 3.2 节）
Anaconda 环境编译/运行异常Anaconda 自带 Protobuf 与 Caffe 冲突：卸载或 conda deactivate（见 3.2 节）
CUDA_TOOLKIT_ROOT_DIR not foundWindows 下按“重装 VS → 重启 → 重装 CUDA”顺序处理（见 3.2 节）
Ubuntu 18 编译报错系统自带 CMake-gui 3.10 过旧，需从源码编译 CMake >= 3.12（见 3.2 节）
Mac 上 opencv2/highgui/highgui.hpp 找不到应用 scripts/osx/mac_opencl_patch.txt 补丁（见 3.5 节）
切换 GPU_MODE 后大量诡异错误删除 build 目录后从头配置（见第七章 OpenCL 版本小节）
显存不足（out of memory）调低 --net_resolution 或关闭 cuDNN（见 1.2 节与第七章第 9 条）

其余问题请先查阅 doc/05_faq.md 与官方 issue 库，并遵循 3.1 节的提问规范。

附：安装相关文档索引

【免费下载链接】openpose OpenPose: Real-time multi-person keypoint detection library for body, face, hands, and foot estimation 【免费下载链接】openpose 项目地址: https://gitcode.com/gh_mirrors/op/openpose

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

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