Dlib的安装以及使用GPU

本文详细介绍了在Windows系统环境下,如何安装dlib库并利用GPU进行加速,包括CUDA和CUDNN的配置,Anaconda的使用,以及通过CMake进行编译的过程。最后提供了验证dlib是否成功调用GPU的方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Windows系统下dlib的安装,以及用GPU加速

因为要用上GPU所以提前准备好的:
1.CUDA
将cuda/bin和cuda/lib/x64以及cuda/include添加到环境变量Path
2.CUDNN
解压CUDNN然后把它对应文件夹中的文件添加到CUDA对应的文件夹目录下

Step1.下载Anaconda2

  • 先去清华镜像网站
    • 下载Anaconda2
    • 然后再下载Anaconda3并将其放入先前Anaconda2的目录下面

Step2.下载dlib

  • 先去dlib官网
    • 下载当前版本的dlib文件
    • 然后将其解压,放入Anaconda2的目录下面
      如下图所示:
      1331041-20181126184907217-748301567.png

Note: CMake安装还是必要的,因为我看在命令终端里下载dlib的时候会用到CMake,所以还是要下载

Step3

  • 先去CMake官网
    • 下载自己系统对应的CMake下载自己对于的CMake的zip文件
      • 如图所示(因为我是windows所以就下了这个)
        1331041-20181126192127611-1926163535.png
    • 然后将其解压
    • 把CMake的bin文件的地址添加到系统环境变量Path

Note: 我的一个学长告诉我将dlib像这样最终放到Anaconda3的目录下就可以避免了cmake配置产生的各种错误,但我上次也试过直接将dlib单单放在一个Anaconda3目录下且Anaconda3不在Anaconda2目录下直接运行 python setup.py install也是OK 的


然后就是在dlib目录下运行终端:
python setup.py install --yes DLIB_USE_CUDA
以为可以成功,但在中途出现了这样的错误:
CUDA was found but your compiler failed to compile a simple CUDA program so dlib isn't going to use CUDA

1331041-20181126193920621-442969355.png
在这过程中还让电脑黑屏了好多次,默默心疼我的电脑
然后经过几波的百度,我感觉应该是VS的问题,于是我下了个2015版本的VS->VS2015 update3(过程中还顺便把2017版本的删了,不过貌似可以不用删)


Note: 要先把原先在Anaconda3目录下的dlib删除了先,再重新解压一个重新放入,再运行 python setup.py install才行

然后几经波折,然后重新下载就成功了
可以用以下的代码检验dlib是否用到了gpu,如果返回值是true就成功了

import dlib
print(dlib.DLIB_USE_CUDA)
print(dlib.cuda.get_num_devices())

转载于:https://www.cnblogs.com/drake233/p/10022489.html

<think>嗯,用户想了解如何通过dlib使用GPU加速,我得仔细看看提供的引用内容,整理出配置步骤。首先,根据引用[5],需要先卸载CPU版本的dlib,然后安装支持GPU的版本。然后,引用[1]和[3]提到需要安装CUDA和cuDNN,版本方面要注意兼容性,比如引用[5]用的是CUDA 10.0和cuDNN 7.6.5,但可能用户的环境不同,需要确认版本对应。另外,引用[5]还提到需要安装Visual Studio 2017,特别是C++组件,这可能是因为dlib在编译时需要C++构建工具。 接下来,安装步骤可能需要使用CMake来编译dlib,但引用[3]和[5]提到通过conda安装可能更简单。不过,用户需要注意Python版本和dlib的兼容性,比如引用[5]用的是Python 3.8。还有环境变量的设置,确保CUDA路径被正确识别,这点在引用[5]的环境变量部分有提到。 可能遇到的问题包括版本不匹配,比如CUDA和cuDNN的版本是否与dlib兼容,以及Visual Studio的版本是否正确安装。测试部分,引用[5]的代码示例检查dlib是否使用CUDA,这很重要。此外,用户可能需要参考引用[4]中的Android配置,但当前问题集中在Windows环境,所以可能不需要这部分。 最后,要确保所有步骤都正确,比如卸载旧版本、安装依赖、设置环境变量,然后验证是否成功。用户可能会遇到编译错误或者CUDA检测失败,这时候需要检查路径和版本,或者重新安装依赖项。</think>### 如何通过dlib使用GPU加速的配置方法 #### 1. **环境准备** - **操作系统**: Windows 10或Linux(推荐Ubuntu)[^1][^5] - **Python环境**: 建议使用Anaconda管理Python虚拟环境,Python版本需与dlib兼容(如Python 3.6-3.8)[^3][^5] - **GPU支持**: 确保显卡为NVIDIA GPU安装对应驱动(如GTX 1060或更高)[^2] #### 2. **卸载旧版本dlib** 若已安装CPU版本的dlib,需先卸载: ```bash pip uninstall dlib ``` #### 3. **安装CUDA和cuDNN** - **CUDA版本**: 根据dlib版本选择,例如CUDA 10.0或11.x[^5] - **cuDNN版本**: 需与CUDA匹配(如CUDA 10.0对应cuDNN 7.6.5)[^5] - **安装步骤**: 1. 从NVIDIA官网下载CUDA Toolkit并安装。 2. 下载对应cuDNN库,解压后复制文件到CUDA安装目录。 3. 设置环境变量: ```bash export PATH=/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH ``` #### 4. **安装Visual Studio(仅Windows)** - 安装Visual Studio 2017或更高版本,需勾选“C++桌面开发”组件。 - 安装Windows SDK 10以支持编译。 #### 5. **编译安装GPUdlib** **方法一:通过CMake编译** ```bash git clone https://github.com/davisking/dlib.git cd dlib mkdir build && cd build cmake .. -DDLIB_USE_CUDA=1 -DUSE_AVX_INSTRUCTIONS=1 cmake --build . --config Release pip install . ``` **方法二:使用预编译包(推荐)** ```bash conda install -c conda-forge dlib=19.19 cudatoolkit=10.0 # 根据CUDA版本调整 ``` #### 6. **验证GPU加速是否生效** ```python import dlib print(dlib.DLIB_USE_CUDA) # 输出应为True print(dlib.cuda.get_num_devices()) # 输出可用GPU数量 ``` #### 7. **应用示例(人脸检测)** ```python import dlib detector = dlib.cnn_face_detection_model_v1("mmod_human_face_detector.dat") # 使用GPU加速的CNN模型进行检测 ``` ### 注意事项 1. **版本兼容性**:CUDA、cuDNN、dlibPython版本需严格匹配,否则可能导致编译失败[^5]。 2. **性能优化**:启用AVX指令集(`-DUSE_AVX_INSTRUCTIONS=1`)可进一步提升速度。 3. **依赖冲突**:若使用Anaconda,建议新建独立环境避免包冲突[^3]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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