在Win+VS+OpenCV+CUDA+CUDNN的最新编译详细教程中，分享以下内容：

最新推荐文章于 2024-08-08 10:25:00 发布
最新推荐文章于 2024-08-08 10:25:00 发布
阅读量206 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： opencv 人工智能 计算机视觉
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。
本文链接：https://blog.youkuaiyun.com/web_bug407/article/details/132938534
本教程详细介绍了如何在Windows上使用Visual Studio编译安装OpenCV，并集成CUDA和CUDNN，以加速计算机视觉和深度学习应用。包括安装Visual Studio、CUDA和CUDNN，设置环境变量，下载OpenCV源代码，创建VS项目，配置项目，编写源代码，以及构建和运行项目的过程。

OpenCV是一个广泛使用的计算机视觉库，而CUDA和CUDNN是用于加速深度学习和计算机视觉应用的工具。该教程将指导您如何在Windows操作系统上使用Visual Studio（VS）编译安装OpenCV，并集成CUDA和CUDNN以实现加速功能。下面是详细的步骤：

步骤1：安装Visual Studio

首先，您需要安装Visual Studio。访问Microsoft官方网站并下载适用于您的操作系统的Visual Studio版本。安装过程中请确保选择适合的组件，例如C++开发工具。

步骤2：安装CUDA和CUDNN

接下来，您需要安装CUDA和CUDNN。访问NVIDIA官方网站并下载适用于您的显卡的CUDA和CUDNN版本。安装过程中请注意选择与您的显卡和操作系统兼容的版本，并按照安装向导进行操作。

步骤3：设置环境变量

安装完成后，您需要设置相关的环境变量。打开系统环境变量设置，将CUDA和CUDNN的安装路径添加到系统的PATH变量中。

步骤4：下载OpenCV源代码

访问OpenCV官方网站，并下载最新的OpenCV源代码。解压缩源代码到您喜欢的位置。

步骤5：创建VS工程

打开Visual Studio，选择“新建项目”并创建一个新的空项目。然后，右键单击项目，选择“属性”选项。

在项目属性中，选择“VC++目录”并添加以下目录：

  • 在“包含目录”中添加OpenCV的include目录。
  • 在“库目录”中添加OpenCV的lib目录。

步骤6：配置项目

在项目属性中，选择“链接器”-&

了解本专栏 订阅专栏 解锁全文
在Windows上编译支持CUDA的OpenCV和VTK
NejWeb的博客
09-18 499
在本文中，我将向您介绍如何在Windows操作系统上编译支持CUDA的OpenCV和VTK库。CUDA是一种由NVIDIA开发的并行计算平台和应用程序编程接口，它允许开发人员利用NVIDIA GPU的并行计算能力。OpenCV是一个广泛使用的计算机视觉库，而VTK是一种用于可视化和图形处理的开源库。
win10 + vs2019 + opencv4.5.3 + cuda + cudnn最新编译详细教程（成功进行图像处理+成功使用GPU进行推理）
学以致用 知行合一
12-05 5339
基于win10 + vs2019 + opencv4.5.3 + cuda+cudnn最新编译详细教程。包括环境安装、源码下载、编译过程（静态库、动态链接库）、测试代码等。
OpenCV + CUDA + cuDNN模块编译
不会代码的小林
08-08 2519
在追求高端性能与资源优化并重的应用场景中，如边缘计算设备或资源受限的开发板上运行YOLO等复杂深度学习模型，采用C++结合OpenCV与GPU加速技术相较于传统的Python环境展现出显著优势。这种策略不仅极大地提升了执行效率，还显著降低了运行时资源消耗，是实现实时物体检测与识别的理想选择。C++运行YOLO，安装环境稍微复杂些，不像Python一键安装pip包。本案例使用了GPU加速算法运行,所以编译OpenCV的时候需要开启CUDA和DNN模块。
基于VS平台编译带Cuda的OpenCV(内含版本以及整套方案含泪总结)
Thomas_Cai的记忆殿堂
09-08 1500
opencv4.7.0+cuda11.8+vs2019+win11+RTX3050
Visual Studio——配置OpenCV+CUDA开发环境
Irving.Gao的博客
11-23 2720
一般笔记本的GPU都默认装好了NVIDIA的驱动，因此只需要下载CUDA和cudnn即可，CUDA版本需要低于NVIDIA版本。
Windows下编译开启CUDA加速并集成opencv_contrib的OpenCV及在不同Python环境下的应用
sinat_40587853的博客
04-23 1814
自行编译OpenCV可以开启CUDA加速、添加SURF算法等功能。奈何Windows平台下编译OpenCV并应用的资料太少了，编译完应用于Python环境的资料更少了，下面记录自己编译的全过程，希望可以帮助更多的人，少走点弯路，共勉！
精选资源
Windows下CMAKE编译opencv + opencv-contrib + CUDA12.1 + Cudnn
08-28
该资源包含了opencv中所有的第三方库中的功能
Opencv4.11+cuda12.1+dnn+cudnn8.9.7+opencv-control4.11-Release-x64-VS2022-win11
最新发布
09-19
而“opencv-control4.11-Release-x64-VS2022-win11”表明了该版本是为x64架构的Windows 11操作系统使用Visual Studio 2022编译器编译的发布版本。OpenCVConfig.cmake和OpenCVConfig-version.cmake文件是为了支持...
精选资源
opencv4.10.0-cuda12.5.0-cudnn9.2.0-python3.10.15编译包
10-23
opencv4.10.0-cuda12.5.0-cudnn9.2.0-python3.10.15编译包，拷贝到conda的envs环境下解压，修改cv2cuda\Lib\site-packages\cv2文件夹下config.py和config-3.10.py中的相关路径即可用。 其中config.py的第一个路径需...
Win10下Cmake编译CUDA版的OpenCV+OpenCV Contrib
A_Jia_17的博客
03-11 704
Win10下Camke编译CUDA版的OpenCV+OpenCV Contrib
cuda+opencv+vs2013环境配置方法.pdf
08-30
windows下 cuda+opencv+vs2013环境配置方法
CUDA加速+VS+opencv
08-24
CUDA加速+VS+opencv
vs2017+cuda9.0+opencv3.4实现l0smoothing
09-09
转载，改编自github：https://github.com/Afshinzkh/L0Smoothing;不想花积分的话可以参考一下。我的实现过程：cmake编译opencv3.4源码（文件中有编译好的可以直接用），装cuda9.0（GPU：GTX 1070），可以不装CUDNN用不到，代码的输入输出图片路径大家看源码改一下，opencv需要的输入连接根据编译环境的不同需要更改（我的是debug x64）,另外要将对应的el.exe加到环境路径中，emm，应该没坑了。
Win11下配置OpenCV with CUDA
weixin_40313940的博客
06-18 7011
前些天在B站上看到用OpenCV调用CUDA加速目标检测和关键点检测的教程，较Pytorch推理速度提升很明显，最近整了个RTX4070，所以就也想来试一试。由于刚换了电脑，没有相关环境，配置过程中踩了一些坑，因此有了这篇记录文章。
搭建opencv的GPU(CUDA、CUDNN)环境
qq_32740315的博客
04-14 9218
背景 想使用opencv驱动yolov3训练的模型，但是只使用CPU的时候，发现一个问题，速度太慢，使用opencl的时候反而时间更长，貌似原因是需要交互所以需要时间更长（原谅我不求甚解),于是想要gpu进行加速，但这需要使用cuda,，但是发现使用opencv4.1.0不能使用cudnn，而opencv4.2.0则可以。所以重装opencv4.2.0。 系统：ubuntu16.04 电脑显卡：G...
VS2017配置OpenCV4.4.0+cuda（Win10环境）
m0_54844818的博客
03-03 2821
VS2017安装 目前最新的Visual Studio版本是Visual Studio 2017 version 15.7 和 version 15.8 Preview 1。这里我配置的是15.8.8。电脑环境是Win10。当然最好装2017，因为2015跟2019我已经试过了会编译失败这个坑我已经踩完了。 1.下载 这里直接在微软官网下载即可。链接:Visual Studio: 面向软件开发人员和 Teams 的 IDE 和代码编辑器. 其中三个版本都可以选，Community 2017是..
windows下，opencv4.8.0+cuda编译及在vs2022中使用的详细教程
Word_And_Me_的博客
12-06 6813
这篇博客详细呈现了配置 OpenCV 4.80 与 CUDA 的步骤，突出了使用 CMake 的 GUI 界面进行编译的过程，使得整个操作更加便捷。这对于初学者而言具有很好的学习参考价值。同时，欢迎各位专业人士提出宝贵意见。这是我的博客初次尝试，还请大家多多指教。
vs2019编译opencv with cuda
wuwanxiang99的专栏
07-28 1761
使用VS2019编译opencv，支持cuda。
OpenCV_CUDA_VS编译安装
风间琉璃的博客
09-08 1399
opencv cuda vs手把手教你配置。
VS2022 +cuda+cudnn+pycharm+openCV+Halcon+tensorRT环境配置
07-04
配置包含 **Visual Studio 2022、CUDA、cuDNN、PyCharm、OpenCV、Halcon** 和 **TensorRT** 的开发环境，是一个涉及多个组件协同工作的复杂任务。以下是详细的配置步骤： ### 1. 安装 Visual Studio 2022 首先安装 **Visual Studio 2022 Community Edition**（或专业版），在安装过程中选择以下工作负载： - **使用 C++ 的桌面开发** - **Python 开发** 这些选项将确保系统具备 C++ 编译器和 Python 环境支持。 ### 2. 安装 CUDA Toolkit 根据显卡型号下载并安装对应的 **CUDA Toolkit**，推荐使用与目标深度学习框架兼容的版本（如 CUDA 11.8 或 12.1）。安装时注意以下几点： - 安装路径建议为默认路径 `C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vX.X`。 - 确保安装了 **Visual Studio Integration** 组件，以便在 VS2022 中支持 CUDA 项目。 安装完成后，设置环境变量： ```plaintext CUDA_HOME = "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vX.X" PATH += "%CUDA_HOME%\bin;%CUDA_HOME%\libnvvp%" ``` ### 3. 安装 cuDNN 从 NVIDIA 官网下载与 CUDA 版本匹配的 **cuDNN** 库，并解压到本地目录。将以下内容复制到 CUDA 安装目录中： - 将 `bin\*.dll` 复制到 `%CUDA_HOME%\bin` - 将 `include\*.h` 复制到 `%CUDA_HOME%\include` - 将 `lib\x64\*.lib` 复制到 `%CUDA_HOME%\lib\x64` ### 4. 配置 PyCharm 安装 **PyCharm Professional** 或社区版（需额外安装 Python 插件）。创建项目后，配置解释器： - 使用 **Conda** 创建虚拟环境，或使用系统 Python。 - 安装必要的库： ```bash pip install numpy opencv-python tensorflow pytorch onnxruntime ``` 在 PyCharm 中启用远程解释器（如需要连接 Linux 服务器）或使用 WSL2 支持进行混合开发。 ### 5. 安装 OpenCV 对于 Python 环境，直接通过 pip 安装即可： ```bash pip install opencv-python ``` 若需使用 SIFT 等专利算法，应安装扩展模块： ```bash pip install opencv-contrib-python ``` 对于 C++ 项目，可从 [OpenCV 官网](https://opencv.org/releases/) 下载预编译库，并将其添加到 VS2022 的项目属性中（包括头文件路径和链接库路径）。 ### 6. 配置 Halcon 从 MVTec 官网下载 **Halcon** 并安装。安装过程中选择合适的运行时版本（如 HALCON 22.11 Steady）。安装完成后： - 设置环境变量： ```plaintext HALCONEXAMPLES = "C:\Program Files\MVTec\HALCON-22.11-Progress\examples" HALCONIMAGES = "C:\Program Files\MVTec\HALCON-22.11-Progress\images" PATH += "C:\Program Files\MVTec\HALCON-22.11-Progress\bin\x64-win64" ``` 在 Visual Studio 中，打开 `.vcxproj` 文件，配置包含目录和库目录指向 Halcon 的 `include` 和 `lib` 路径。 ### 7. 安装 TensorRT 从 NVIDIA 官网下载 **TensorRT**，推荐版本与 CUDA 兼容（如 TensorRT 8.6）。解压后将其路径加入环境变量： ```plaintext TENSORRT_ROOT = "D:\TensorRT\TensorRT-8.6.1.6" PATH += "%TENSORRT_ROOT%\bin" ``` 对于 Python 用户，安装对应的 wheel 包： ```bash pip install tensorrt --extra-index-url https://pypi.ngc.nvidia.com ``` 对于 C++ 项目，需将 TensorRT 的库文件（`.lib` 和 `.dll`）链接至 VS2022 项目中，并在代码中包含相应的头文件。 ### 8. 测试集成环境 #### Python 测试代码示例： ```python import cv2 import numpy as np import tensorrt as trt print("OpenCV Version:", cv2.__version__) print("TensorRT Version:", trt.__version__) # 检查 CUDA 是否可用 import torch print("CUDA Available:", torch.cuda.is_available()) ``` #### C++ 测试代码示例： ```cpp #include <iostream> #include <opencv2/opencv.hpp> #include <cuda_runtime.h> #include "NvInfer.h" int main() { std::cout << "OpenCV version: " << CV_VERSION << std::endl; int device_count; cudaGetDeviceCount(&device_count); std::cout << "CUDA Devices Count: " << device_count << std::endl; // 初始化 TensorRT nvinfer1::ILogger* logger = new nvinfer1::Logger(nvinfer1::ILogger::Severity::kINFO); nvinfer1::IRuntime* runtime = nvinfer1::createInferRuntime(*logger); if (!runtime) { std::cerr << "Failed to create TensorRT runtime." << std::endl; return -1; } std::cout << "TensorRT initialized successfully." << std::endl; delete runtime; return 0; } ``` 确保所有依赖项正确配置，且项目能够成功构建并运行。 ---
评论
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