ubuntu22.04 安装opencv cuda

### 安装支持 CUDA 的 OpenCV 要在 Ubuntu 22.04 上安装带有 CUDA 支持的 OpenCV，需要完成以下几个方面的操作： #### 1. 配置开发环境 在开始之前，确保系统已更新至最新状态并安装必要的构建工具和依赖项。 ```bash sudo apt update && sudo apt upgrade -y sudo apt-get install build-essential cmake git pkg-config \ libgtk-3-dev libavcodec-dev libavformat-dev libswscale-dev \ libv4l-dev libxvidcore-dev libx264-dev libjpeg-dev libpng-dev \ libtiff-dev gfortran openexr libatlas-base-dev python3-dev \ python3-numpy libtbb2 libtbb-dev libdc1394-22-dev[^1] ``` 这些依赖项涵盖了 OpenCV 构建过程中可能需要用到的核心功能模块。 --- #### 2. 下载 OpenCV 和 opencv_contrib 源码 下载官方发布的 OpenCV 和 `opencv_contrib` 库源码包。这里假设使用的版本为 `4.x`。 ```bash OPENCV_VERSION="4.8.0" wget -O opencv.zip https://github.com/opencv/opencv/archive/${OPENCV_VERSION}.zip wget -O opencv_contrib.zip https://github.com/opencv/opencv_contrib/archive/${OPENCV_VERSION}.zip unzip opencv.zip unzip opencv_contrib.zip mv opencv-${OPENCV_VERSION} opencv mv opencv_contrib-${OPENCV_VERSION} opencv_contrib rm *.zip ``` 上述命令会创建两个文件夹：`opencv` 和 `opencv_contrib`[^2]。 --- #### 3. 安装 NVIDIA CUDA 工具链 为了使 OpenCV 能够利用 GPU 加速，需先安装 CUDA 并验证其可用性。 ##### (a) 安装 CUDA 按照官方文档或引用中的方法安装适合系统的 CUDA 版本[^3]。例如： ```bash sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt update sudo apt install nvidia-driver-<driver-version> distribution=$(. /etc/os-release;echo $ID$VERSION_ID) curl -s -L https://nvidia.github.io/libnvidia-container/gpgkey | sudo apt-key add - curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list sudo apt update sudo apt install cuda ``` 完成后重启计算机以加载新的驱动程序。 ##### (b) 验证 CUDA 是否正常工作 运行以下命令测试 CUDA 功能是否生效： ```bash nvcc --version cat /usr/local/cuda/version.txt ``` 如果显示正确的 CUDA 版本号，则说明安装成功。 ##### (c) 安装 cuDNN 从 NVIDIA 官方网站获取对应版本的 cuDNN 文件，并将其解压到指定路径下。执行如下指令设置权限并验证版本： ```bash sudo cp include/cudnn*.h /usr/local/cuda/include/ sudo cp lib/libcudnn* /usr/local/cuda/lib64/ sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn* cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2 ``` 确认输出中包含有效的 cuDNN 主次版本号。 --- #### 4. 编译 OpenCV 进入先前提取好的 OpenCV 目录，在其中建立一个新的子目录用于存储编译产物。 ```bash cd ~/opencv mkdir build && cd build cmake -D CMAKE_BUILD_TYPE=RELEASE \ -D CMAKE_INSTALL_PREFIX=/usr/local \ -D OPENCV_EXTRA_MODULES_PATH=~/opencv_contrib/modules \ -D WITH_CUDA=ON \ -D ENABLE_FAST_MATH=1 \ -D CUDA_FAST_MATH=1 \ -D WITH_CUBLAS=1 \ -D BUILD_EXAMPLES=OFF .. make -j$(nproc) sudo make install sudo ldconfig ``` 此过程通过启用 `-D WITH_CUDA=ON` 参数告知 CMake 使用本地安装的 CUDA SDK 来优化性能；同时引入额外的功能模块（来自 `opencv_contrib`），从而扩展核心库的能力范围。 --- #### 5. 测试安装结果 最后编写一段简单的 Python 或 C++ 程序来检测新部署的 OpenCV 实例能否识别硬件加速特性。 Python 示例脚本： ```python import cv2 as cv print(cv.__version__) if cv.cuda.getCudaEnabledDeviceCount() > 0: print("CUDA support is enabled.") else: print("No CUDA device detected or disabled during compilation.") ``` C++ 示例代码片段： ```cpp #include <opencv2/core.hpp> #include <iostream> int main(int argc, char **argv){ std::cout << CV_VERSION << "\n"; int count = cv::cuda::getCudaEnabledDeviceCount(); if(count>0){ std::cout<<"CUDA support is enabled.\n"; } else{ std::cerr<<"No CUDA devices found!\n"; } return 0; } ``` 以上两段示例均能帮助判断当前环境中是否存在有效激活的 GPU 设备以及它们是否被正确集成到了所选框架里。 --- ### 总结 综上所述，整个流程涉及基础软件栈搭建、图形处理单元驱动适配及其附属组件装配等多个环节。每一步都至关重要，任何遗漏都有可能导致最终目标无法达成。