本文共 6927 字，大约阅读时间需要 23 分钟。

大家第一次安装opencv的时候一定要一定要一定要认真看一遍教程，很多错误是自己不认真仔细导致的，特别看安装过程的注意事项，等一定了解和熟练后再总结一套自己的教程，这样对自己以后安装东西有很大的帮助

准备工具

cmake、vs2017、opencv4.5.0、opencv_contrib-4.5.0、cuda、cudnn

一、下载安装cuda、cudn

参考链接：

二、安装cmake

官方地址

下载安装，默认安装。

三、安装VS2017

这里直接在微软官网下载即可。链接: 

 其中三个版本都可以选，Community 2017是免费社区版本，Professional 2017和Enterprise 2017是付费版，功能好像没有区别，我这里选择的是Professional版本。

付费版可以使用密匙激活，这里提供两个密匙，如果不能用了就网上找，很多的： Professional 2017:KBJFW-NXHK6-W4WJM-CRMQB-G3CDH Enterprise 2017:NJVYC-BMHX2-G77MM-4XJMR-6Q8QF

四、opencv_contrib下载安装

1、下载链接: . 

2、选择你的opencv对应的contrib版本，例如我装的是opencv4.5.0，对应就下载opencv_contrib-4.5.0.zip。下载完成之后直接解压即可，留着cmake使用。 

opencv_contrib-4.5.0.zip解压完如下图：

五、提取opencv4.5.0

1、Opencv官网：

2、下载后将opencv-4.5.0.zip解压

六、 CMake 编译 

windows安装opencv4.1.1过程中ffmpeg、ippicv、face_landmark_model下载出错解决办法:

或者第一次cmake的configure之后，在where is build the binaries位置里面有个CMakeDownloadLog.txt，将里面下载链接复制到浏览器或者迅雷中进行下载，将其和where is the source code里面的.cache文件夹里面内容相对应，可以把这篇教程后面第一个百度网盘里面的.cache.rar压缩包解压放到opencv源码文件夹中就可以了。

1、打开CMake，下图第一个红框输入Opencv（我的是opencv4.5.0）的sources目录（注意：不是opencv_contrib的目录，原来自己opencv的目录）；第一个红框输入你自定义的输出目录。where is build the binaries那个位置是你编译opencv保存的文件夹位置，按照自己情况进行选择，最后点左下角的Configure

2、选择对应vs的版本，系统选择Win64，默认的是Win32。 

3、然后就是等待了。之后显示Configuring done第一次源码配置就完成了。 

在cmake的搜索框里面搜索带cuda的关键字，全部选上

选择OPENCV_EXTRA_MODULES_RATH一项，添加你刚刚解压的opencv_contrib中的modules目录，其中要把OPENCV_ENABLE_NONFREE(下图红框上面一行)选上。

注意路径不要复制，需要通过cmake来选择路径！

将build_opencv_world选上，将所有opencv的库都编译在一起不需要自己一一添加每个小模块，利于移植算法的时候遗忘一些库。

再次单击 Configure，完成后将cuda_arch_bin即显卡的算力内容改成自己显卡的算力，如下图所示

查看自己N卡显卡算力网址：

 

再次单击 Configure完成后，点击generate，之后会提示generating done，说明cmake编译成功了。点击open project进行编译部分了。

或者完成之后在你的输出文件夹中找到OpenCV.sln文件进行编译。

七、 VS2017 编译

1、使用VS2017打开刚刚编译工程后，会反应一段时间如下图所示：

2、然后如图所示点击ALL_BUILD-->生成，这得等一段时间 ，如下图所示

3、完成后，如下图所示：

4、“解决方案资源管理器—>CMakeTargets—>INSTALL—>生成”然后又是等好一会儿 

完成后 

5、最后到自定义的文件夹确认一下，找到install文件夹，进去查看里面的内容（如下图，注：对于后边配置环境，install文件夹作用就像配置opencv4.5.0时的build文件夹一样）：

八、 环境配置

1、 环境变量配置

1. 右键电脑【属性】
2. 【高级系统设置】
3. 【环境变量】
4. 【系统变量】【Path】
   编译目录“ D:\opencv450\opencv4.5.0_vs2017_64\install\x64\vc15\bin” 的完整路径 （如下图），根据你自己Cmake时的路径进行修改。 
5. 环境变量配置好后，一定要重启系统！！！！

2、配置相关目录

1、打开VS2017新建一个空项目 输入名字，选择生成文件夹，然后选择“空项目”，直接确定就可以了。 

确定之后就直接进到这个界面，先将Debug的X86改成release X64

然后找到属性管理器 ，如下图所示：

创建属性表，如下图所示 

将属性表进行命名，根据你容易记住的命名风格来。 

打开刚才建好的属性表 

2、include目录

双击属性表，在通用属性—>VC++目录—>包含目录中添加：

D:\opencv450\opencv4.5.0_vs2017_64\install\include

D:\opencv450\opencv4.5.0_vs2017_64\install\include

根据你的路径进行修改

没有了以前的“…opencv4.5.0\build\include\opencv”这一条。

3、然后是添加lib目录，在通用属性—>VC++目录—>库目录中添加：

4、在通用属性—>链接器—>输入—>附加的依赖项中添加opencv_world450.lib(这个是cmake的时候编译成world格式的)：

其他版本按照自己的版本号更改数字“450”为自己对应的版本即可（450意为4.5.0版本的release模式,debug模式会带有d）。 

添加的依赖，如下图所示：

译好的opencv dll和lib库百度网盘：

链接：https://pan.baidu.com/s/1pA5zwH2WK5hhaAdJkQmJLg 

提取码：t8vw 

九、dnn yolo使用cuda加速程序验证

验证代码如下：

#include 
   
    #include 
    
     #include 
     
      #include 
      
       #include 
       
        #include 
        
         #include 
         
          #include 
          
           #include 
           
            #include 
            
             #include 
             
              #include 
              
               constexpr float CONFIDENCE_THRESHOLD = 0;constexpr float NMS_THRESHOLD = 0.4;constexpr int NUM_CLASSES = 80;// colors for bounding boxesconst cv::Scalar colors[] = { {0, 255, 255}, {255, 255, 0}, {0, 255, 0}, {255, 0, 0}};const auto NUM_COLORS = sizeof(colors) / sizeof(colors[0]);int main(){ std::vector
               
                 class_names; { std::ifstream class_file("yolo/coco.names"); if (!class_file) { std::cerr << "failed to open classes.txt\n"; return 0; } std::string line; while (std::getline(class_file, line)) class_names.push_back(line); } cv::VideoCapture source("yolo_test.mp4"); auto net = cv::dnn::readNetFromDarknet("yolo/yolov4-tiny.cfg", "yolo/yolov4-tiny.weights"); net.setPreferableBackend(cv::dnn::DNN_BACKEND_CUDA); net.setPreferableTarget(cv::dnn::DNN_TARGET_CUDA); //net.setPreferableBackend(cv::dnn::DNN_BACKEND_OPENCV); //net.setPreferableTarget(cv::dnn::DNN_TARGET_CPU); auto output_names = net.getUnconnectedOutLayersNames(); cv::Mat frame, blob; std::vector
                
                  detections; while (cv::waitKey(1) < 1) { source >> frame; if (frame.empty()) { cv::waitKey(); break; } auto total_start = std::chrono::steady_clock::now(); cv::dnn::blobFromImage(frame, blob, 0.00392, cv::Size(416, 416), cv::Scalar(), true, false, CV_32F); net.setInput(blob); auto dnn_start = std::chrono::steady_clock::now(); net.forward(detections, output_names); auto dnn_end = std::chrono::steady_clock::now(); std::vector
                 
                   indices[NUM_CLASSES]; std::vector
                  
                    boxes[NUM_CLASSES]; std::vector
                   
                     scores[NUM_CLASSES]; for (auto& output : detections) { const auto num_boxes = output.rows; for (int i = 0; i < num_boxes; i++) { auto x = output.at
                    
                     (i, 0) * frame.cols; auto y = output.at
                     
                      (i, 1) * frame.rows; auto width = output.at
                      
                       (i, 2) * frame.cols; auto height = output.at
                       
                        (i, 3) * frame.rows; cv::Rect rect(x - width / 2, y - height / 2, width, height); for (int c = 0; c < NUM_CLASSES; c++) { auto confidence = *output.ptr
                        
                         (i, 5 + c); if (confidence >= CONFIDENCE_THRESHOLD) { boxes[c].push_back(rect); scores[c].push_back(confidence); } } } } for (int c = 0; c < NUM_CLASSES; c++) cv::dnn::NMSBoxes(boxes[c], scores[c], 0.0, NMS_THRESHOLD, indices[c]); for (int c = 0; c < NUM_CLASSES; c++) { for (size_t i = 0; i < indices[c].size(); ++i) { const auto color = colors[c % NUM_COLORS]; auto idx = indices[c][i]; const auto& rect = boxes[c][idx]; cv::rectangle(frame, cv::Point(rect.x, rect.y), cv::Point(rect.x + rect.width, rect.y + rect.height), color, 3); std::ostringstream label_ss; label_ss << class_names[c] << ": " << std::fixed << std::setprecision(2) << scores[c][idx]; auto label = label_ss.str(); int baseline; auto label_bg_sz = cv::getTextSize(label.c_str(), cv::FONT_HERSHEY_COMPLEX_SMALL, 1, 1, &baseline); cv::rectangle(frame, cv::Point(rect.x, rect.y - label_bg_sz.height - baseline - 10), cv::Point(rect.x + label_bg_sz.width, rect.y), color, cv::FILLED); cv::putText(frame, label.c_str(), cv::Point(rect.x, rect.y - baseline - 5), cv::FONT_HERSHEY_COMPLEX_SMALL, 1, cv::Scalar(0, 0, 0)); } } auto total_end = std::chrono::steady_clock::now(); float inference_fps = 1000.0 / std::chrono::duration_cast
                         
                          (dnn_end - dnn_start).count(); float total_fps = 1000.0 / std::chrono::duration_cast
                          
                           (total_end - total_start).count(); std::ostringstream stats_ss; stats_ss << std::fixed << std::setprecision(2); stats_ss << "Inference FPS: " << inference_fps << ", Total FPS: " << total_fps; auto stats = stats_ss.str(); int baseline; auto stats_bg_sz = cv::getTextSize(stats.c_str(), cv::FONT_HERSHEY_COMPLEX_SMALL, 1, 1, &baseline); cv::rectangle(frame, cv::Point(0, 0), cv::Point(stats_bg_sz.width, stats_bg_sz.height + 10), cv::Scalar(0, 0, 0), cv::FILLED); cv::putText(frame, stats.c_str(), cv::Point(0, stats_bg_sz.height + 5), cv::FONT_HERSHEY_COMPLEX_SMALL, 1, cv::Scalar(255, 255, 255)); cv::namedWindow("output"); cv::imshow("output", frame); } return 0;}
                          
                         
                        
                       
                      
                     
                    
                   
                  
                 
                
               
              
             
            
           
          
         
        
       
      
     
    
   

结果图：

代码我已经上传到百度云了

链接：https://pan.baidu.com/s/1bAPlwkLAYdww7KqKoqZvnQ 

提取码：cexy 

里面包含了c++和python调用的cuda dnn的案例代码，下载的cache缓存和opencv450的cuda10.1版本编译好的opencv库

参考： 

转载地址：http://vrzlf.baihongyu.com/