python环境：anaconda base环境，python版本3.9.7
CMake版本：3.24.1 cmake下载
opencv版本：4.6.0
vs版本：2019社区版
cuda Toolkit版本：11.3.1 cuda-toolkit下载，nvcc -V显示版本
cuDNN版本：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安装省略。
cuda toolkit和cuDNN版本需要对应，cuda11的试了几个应该都没问题，再老的不清楚能不能用。vs版本老一些没关系。
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 # 从仓库下载4.6.0 opencv
从仓库下载指定版本opencv-contrib，需要和opencv版本保持一致。
git clone -b 4.6.0 https://github.com/opencv/opencv_contrib.git # 从仓库下载4.6.0 opencv-contrib
下面使用cmake-gui操作。
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默认是x64，64位机器就不用填，老版本cmake默认可能是32位的。需要手动填x64
3、第一次Configure结束，出来一堆编译的选项，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，BUILD_JAVA取消勾选
5、搜TESTS，BUILD_TESTS取消勾选
6、搜VTK，WITH_VTK取消勾选
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，都是网络的问题，我这边科学上网换几个节点接着点Configure就好了，没有科学上网的可以查下怎么单独下这些失败的文件，有点啰嗦这里就不写了
13、没有错误和失败，警告无所谓，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无法直接用pip或conda查看，打开base环境命令行，输入python -c "import cv2; print(f'OpenCV: {cv2.__version__}')"看到弹出opencv版本4.6.0说明成功安装
18、查看本机是否有可用的cuda设备，大于等于1说明gpu可用，python调用gpu版本的opencv需要用cv2.cuda中的方法，这部分是没有对应python代码的，因此pycharm无法跳转到方法的定义和代码处，用法需要查看对应版本的opencv文档（opencv4.6.0 cv2.cuda包含的方法）
import cv2
print(cv2.cuda.getCudaEnabledDeviceCount())
简单使用
以我最近在做的一个任务里的透视变换代码为例子，cpu版本的：
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版本的：
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
可以看到opencv gpu版的使用相比cpu只是多了三步：
1、声明gpu使用的矩阵cv2.cuda_GpuMat()
2、把cpu上ndarray形式的矩阵转换成gpu形式的并上传到gpu，cuMatA.upload(imageA)
3、gpu形式的矩阵无法直接使用，需要把数据从gpu下载回cpu使用，cuMatr.download()
stream我理解的是数据在cuda层面的异步，上面代码数据上传、计算、下载是线性的，通过stream设置可以让他们异步进行，用于海量数据处理。stream暂时没仔细研究，不过找了篇讲这个的文章先mark下。opencv的cuda stream在python中的应用
测试下项目中使用gpu透视变换和cpu透视变换的速度：
cpu一帧耗时：
gpu一帧耗时：
可以看到结果cpu速度差不多比gpu快一倍，可见数据的上传下载还是非常耗时的，不是用gpu做矩阵运算一定比cpu快，所以项目暂时选择cpu版的。
项目还用了鱼眼矫正，可以查到4.6.0版本cv2.cuda下没有fisheye模块，难道gpu版本opencv白折腾了，测一下和之前的速度对比，代码一行没改。
cpu版本：
gpu占用：
gpu版本：
gpu占用：
gpu版本opencv的用时比cpu版本一帧节约大概1/3的时间，还是有用的。
nvidia-smi查看gpu使用情况都没有找到对应的python进程。不过用任务管理器看，运行gpu版本opencv的时候gpu利用率高一些，可能gpu版本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。