预计阅读时间：7 分钟
win10 python 环境安装 GPU 版本 opencv 并简单使用
pip 装的 opencv 是没有 CUDA 加速的，想在 Python 里用 GPU 版 opencv 只能自己从源码编译。本文记录 win10 下完整的编译安装流程，以及一组「GPU 未必比 CPU 快」的实测。
环境
- python：anaconda base 环境，3.9.7
- CMake：3.24.1（cmake 下载）
- opencv：4.6.0
- vs：2019 社区版
- CUDA Toolkit：11.3.1（cuda-toolkit 下载，
nvcc -V查看版本） - cuDNN：8.2.1（cuDNN 下载）
英伟达 cuda 相关下载需要注册英伟达账号，vs2019 和 anaconda 的安装略过。CUDA Toolkit 和 cuDNN 版本需要对应，cuda 11 系试了几个都没问题，更老的没验证；vs 版本老一些没关系。
下载源码
从仓库下载指定版本 opencv（需要安装 git，git 下载）：
git clone -b 4.6.0 https://github.com/opencv/opencv.git
opencv-contrib 版本需要和 opencv 保持一致：
git clone -b 4.6.0 https://github.com/opencv/opencv_contrib.git
cmake-gui 配置与编译
1、打开 cmake-gui，指定 opencv 工程路径后点 Configure
2、选安装的 vs 版本，使用本机默认编译器。第二行空着的是生成选项：新版 cmake 默认 x64，64 位机器不用填；老版本 cmake 默认可能是 32 位，需要手动填 x64
3、第一次 Configure 结束会出来一大堆编译选项，中间遇到什么错误警告都不用管，反正后面还要再点
4、搜 JAVA，取消勾选 BUILD_JAVA
5、搜 TESTS，取消勾选 BUILD_TESTS
6、搜 VTK，取消勾选 WITH_VTK
7、搜 NONFREE，勾选 OPENCV_ENABLE_NONFREE
8、搜 PYTHON3，能勾选的全勾选。环境地址会默认给到 anaconda 的 base 环境，不用改，到时候用 base 环境即可
9、搜 CUDA，全部勾选
10、点击 Add Entry，增加 WITH_CUDNN 配置
11、搜 MODULES，OPENCV_EXTRA_MODULES_PATH 设置为 opencv_contrib 的 modules 文件夹路径
12、再次点击 Configure。警告不用管，一般会遇到很多下载失败，都是网络问题——我这边科学上网换几个节点接着点 Configure 就好了；没有条件的可以查一下怎么单独下载这些失败的文件，有点啰嗦这里不展开
13、没有错误和失败（警告无所谓）之后，点击 Generate
14、生成结束用 vs 打开项目
15、上方选到 Release x64，右键 ALL_BUILD，点击生成
16、安装成功
17、编译安装的 opencv 无法用 pip 或 conda 直接查看。打开 base 环境命令行验证，弹出版本号 4.6.0 即安装成功：
python -c "import cv2; print(f'OpenCV: {cv2.__version__}')"
18、查看本机是否有可用的 cuda 设备，输出大于等于 1 说明 gpu 可用：
import cv2
print(cv2.cuda.getCudaEnabledDeviceCount())
Python 调用 GPU 版 opencv 要用 cv2.cuda 下的方法。这部分没有对应的 python 源码，pycharm 无法跳转到方法定义，用法只能查对应版本的官方文档（opencv 4.6.0 cv2.cuda 包含的方法）。
简单使用
以我最近任务里的透视变换代码为例。CPU 版本：
result = cv2.warpPerspective(imageA, H, (imageA.shape[1] + imageB.shape[1], imageA.shape[0]))
result[0:imageB.shape[0], 0:imageB.shape[1]] = imageB
GPU 版本：
cuMatA = cv2.cuda_GpuMat()
cuMatA.upload(imageA)
result = np.zeros((imageA.shape[0], imageA.shape[1] + imageB.shape[1], 3), dtype=np.uint8)
cuMatr = cv2.cuda_GpuMat()
cuMatr.upload(result)
stream = cv2.cuda_Stream()
cv2.cuda.warpPerspective(src=cuMatA, dst=cuMatr, M=H, dsize=(imageA.shape[1] + imageB.shape[1], imageA.shape[0]), stream=stream)
result = cuMatr.download()
result[0:imageB.shape[0], 0:imageB.shape[1]] = imageB
对比可见 GPU 版的使用只多了三步：
- 声明 gpu 使用的矩阵
cv2.cuda_GpuMat()； - 把 cpu 上 ndarray 形式的矩阵转成 gpu 形式并上传，
cuMatA.upload(imageA)； - gpu 形式的矩阵无法直接使用，需要把数据从 gpu 下载回 cpu，
cuMatr.download()。
stream 我理解是数据在 cuda 层面的异步：上面代码的上传、计算、下载是线性执行的，通过 stream 可以让它们异步进行，用于海量数据处理。stream 暂时没仔细研究，先 mark 一篇讲这个的文章：opencv 的 cuda stream 在 python 中的应用。
实测：GPU 不一定比 CPU 快
测一下项目中 gpu 透视变换和 cpu 透视变换的速度。
cpu 一帧耗时：
gpu 一帧耗时：
结果 cpu 差不多比 gpu 快一倍——数据的上传下载非常耗时，用 gpu 做矩阵运算并不一定比 cpu 快，所以项目暂时选择 cpu 版。
项目还用了鱼眼矫正。查文档发现 4.6.0 版本 cv2.cuda 下没有 fisheye 模块——难道 gpu 版 opencv 白折腾了？代码一行没改，直接测一下速度对比。
cpu 版本：
gpu 占用：
gpu 版本：
gpu 占用：
gpu 版 opencv 一帧比 cpu 版节约大概 1/3 的时间，还是有用的。
不过 nvidia-smi 里找不到对应的 python 进程；用任务管理器看，跑 gpu 版 opencv 时 gpu 利用率确实更高。可能 gpu 版 opencv 以一种我暂时无法理解的方式 work 了？不清楚原因，此处存疑。
本文由 aboom 原创，转载请注明出处。