编译安装CUDA版本的opencv-python包

如题。探索了如何从源代码编译安装opencv-python并开启cuda支持。

一、背景介绍

这个问题来自于前几天朋友的求助。由于课题需要，她想在Linux GPU服务器上安装opencv-python这个软件包。虽然官方提供了针对 conda 和 pypi 平台的预编译版本，但是按照官方文档的说法，这些预编译版本是针对CPU架构编译的，并不支持GPU加速（即CUDA）。

检索了一下互联网，也参考了几个AI工具的回答，最终得出的结论是要想启用cuda支持，只能从opencv源代码开始手动编译安装。因此，利用闲暇时间，对这一部分的工作进行了一下探索。

二、一些参考资料和需要准备的东西

下面是一些有用的教程和博客

• 《在 Linux 系统中编译安装 带GPU支持的OpenCV》 - 知乎用户2iUCri的文章 - 知乎
• 《Windows安装CUDA版OpenCV【really有用哦+墙裂推荐！】》 - AI技术库的文章 - 知乎
• 《【OpenCV】 OpenCV 源码编译并实现 CUDA 加速 (Windows)》 - 椒颜皮皮虾的文章 - 博客园

另外，在开始本篇的工作前，需要准备好一台装有GPU的Linux服务器，并安装好驱动程序（GPU driver和CUDA）。这一部分可以参考博客的先前文章 《Ubuntu系统的从头安装、显卡驱动与CUDA安装》 。此外，编译过程还需要cmake以及gcc套件，需要预先准备好。

在安装过程中，需要配置ARCH_BIN 参数（即Compute Capability参数，与显卡型号有关），这个参数需要从 Nvidia官网的 这个页面上获取。此处我测试的机器上安装的GPU是Tesla P40，因此对应的 ARCH_BIN 参数是6.1。

opencv源代码要从GitHub存储库下载，链接如下。其中，opencv_contrib 在opencv主仓库的基础上增加了许多拓展功能，推荐一起安装。

• opencv
• opencv contrib

进入上述网站以后，点击页面右侧的release，然后选择最新版本的tag（本文写作时是4.12.0），从此处下载tar.gz或者zip格式的文件，这个文件就是最新版的opencv的源代码包。推荐Windows用户下载zip格式，Linux/mac用户下载tar.gz格式。

三、编译安装：step-by-step的过程

3.1 安装准备：新建文件夹、解压源代码

如题。

下面我们以有root权限的用户身份演示代码。理论上，一些步骤可以在无root权限的情况下成功运行，只需要调整一下环境变量即可。

## 创建工作目录。如果非root，可以在自己的home目录下创建
cd /opt 
mkdir opencv_compile
cd opencv_compile

## 下载源代码包并解压
#  如果网络不好，下载失败，可以在本地下载之后手动上传到服务器
wget https://github.com/opencv/opencv/archive/refs/tags/4.12.0.tar.gz -o opencv-4.12.0.tar.gz 
wget https://github.com/opencv/opencv_contrib/archive/refs/tags/4.12.0.tar.gz -o  opencv_contrib-4.12.0.tar.gz
tar -zxvf opencv-4.12.0.tar.gz 
tar -zxvf opencv_contrib-4.12.0.tar.gz

## 创建build目录，后续编译工作将在此处进行
mkdir -p opencv-4.12.0/build

3.2 通过cmake预生成配置文件

这里需要用到cmake工具——这是make的前置步骤，用于生成针对特定系统和硬件配置的makefile——后者是编译步骤（也就是make）时需要用到的配置文件。

可以使用 which cmake 检查系统中是否安装。如果未安装，则需要预先运行 sudo apt install cmake （Ubuntu/Debian）或 sudo yum install cmake （Redhat/CentOS/RockyLinux）

另外，后续的编译步骤需要GCC套件，可以使用 which gcc 和 which g++ 检查是否安装。如果未安装，则需要 sudo apt install gcc g++ 或 sudo yum install gcc g++ 来安装。

接下来， 我们创建一个自动化脚本，用来调用cmake，生成make的配置文件 。这个自动化脚本的文件路径是 /opt/opencv_compile/auto_compile.sh ，因为涉及到一些相对路径，所以文件路径不要放错。

文件内容如下：

#!/bin/bash
cd opencv-4.12.0/build

cmake \
-D CMAKE_C_COMPILER=/usr/bin/gcc \
-D CMAKE_CXX_COMPILER=/usr/bin/g++ \
-D CUDA_TOOLKIT_ROOT_DIR=/usr/local/cuda-12.4 \
-D CMAKE_BUILD_TYPE=RELEASE \
-D CMAKE_INSTALL_PREFIX=$(python3 -c "import sys; print(sys.prefix)")  \
-D INSTALL_PYTHON_EXAMPLES=ON  \
-D INSTALL_C_EXAMPLES=OFF  \
-D OPENCV_ENABLE_NONFREE=ON  \
-D WITH_CUDA=ON \
-D WITH_CUDNN=ON  \
-D OPENCV_DNN_CUDA=ON  \
-D ENABLE_FAST_MATH=1  \
-D CUDA_FAST_MATH=1  \
-D CUDA_ARCH_BIN=6.1  \
-D WITH_CUBLAS=ON  \
-D OPENCV_EXTRA_MODULES_PATH=/opt/opencv_compile/opencv_contrib-4.12.0/modules \
-D OPENCV_PYTHON3_INSTALL_PATH=/opt/minconda3/envs/pytorch_env/lib/python3.12/site-packages \
-D BUILD_EXAMPLES=ON \
-D PYTHON_EXECUTABLE=$(which python3) ..

其中的部分参数的解释：

参数	说明
CMAKE_C_COMPILER	C语言编译器的位置。可以通过 which gcc 找到
CMAKE_CXX_COMPILER	C++语言编译器的位置。可以通过 which g++ 找到
CUDA_TOOLKIT_ROOT_DIR	CUDA的安装目录。可以通过 which nvcc 找到，注意只保留到cuda这一层目录，不要带子目录
CUDA_ARCH_BIN	Compute Capability参数，与显卡型号有关，获取方法见上一节
OPENCV_EXTRA_MODULES_PATH	opencv_contrib的源码路径
OPENCV_PYTHON3_INSTALL_PATH	当前环境下python3的site-package目录的路径。需要手动检查，一般来说在 conda/envs 的某个子目录下
WITH_CUDA 和 WITH_CUDNN	编译带有CUDA支持的版本

上述shell脚本末尾的 .. 不要删，表示使用当前目录的上一级（即 /opt/opencv_compile/opencv-4.12.0 ）作为cmake的工作目录。

读者朋友可以根据自身的实际情况调整参数，并保存为 auto_compile.sh 文件。

之后，运行下面的指令进行cmake。

sudo bash ./auto_compile.sh  2>&1 | tee output.log

这个过程中的所有输出会打印到控制台，同时在 /opt/opencv_compile/output.log 文件当中保存一份副本——这份输出日志可以用于后续问题的排查（比如说，交给AI判断cmake是否成功）

整个过程大约会持续几分钟，最终的输出大致如下（只截取最后一部分输出）：

3.3 编译与安装

cmake会有几千行输出。可以把最后几百行输出发送给AI，让其帮忙判断是否cmake成功。如果cmake成功，我们就可以正式进入编译的过程了。

下面是编译指令。其中， nproc 是CPU核数——使用 make -j$nproc 可以调用机器上的所有CPU核并行编译，从而加快编译速度。在我们实验室的服务器上，总共有8个核，并行编译大约花了几十分钟。

cd /opt/opencv_compile/opencv-4.12.0/build
# 使用多核编译（根据你的CPU调整线程数）
nproc=`grep -c ^processor /proc/cpuinfo`
sudo make -j$nproc 2>&1 | tee make.output.log 
# 编译成功以后，再使用下面的指令安装，否则在python中import cv2会报错
sudo make install 

编译过程的所有输出同样会打印到控制台，同时在 /opt/opencv_compile/opencv-4.12.0/build/make.output.log 文件当中保存一份副本——这份输出日志可以用于后续问题的排查（比如说，交给AI判断make是否成功）

make阶段耗时最长，大约几十分钟的样子，最终的输出大致如下：

make install阶段要快很多，几分钟就可以完成，输出大致如下：

四、在python中检测opencv是否安装成功

运行下面的python代码：

import cv2
print(cv2.__version__) # 查看opencv的版本号
print(cv2.cuda.getCudaEnabledDeviceCount()) # 查看opencv启用了多少个CUDA设备

对于CPU版本的opencv，其启用的CUDA设备数量为0。只要CUDA设备的数量大于0，就说明opencv启用GPU成功。

实际运行截图：

完结撒花！