OpenCV是一个基于Apache2.0许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。项目源码由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。

但在实际使用中，如果是对处理时间要求比较高的场景，使用OpenCV处理图片数据很难满足要求，不过OpenCV支持使用CUDA进行加速，不过支持CUDA加速的依赖包需要我们自行编译才可使用，因此在本次文章中，我们将演示如何使用OpenCV源码自行编译代码文件，来实现CUDA加速。

1. 环境准备

1.1 软件环境

本次编译平台使用的是 Windows 11 系统，使用CMake-gui + VS2022进行源码编译，为了大家更好的复现该项目，此处罗列一下本文所使用的环境：

CUDA: 12.2, cudnn: 8.9.3
Cmake: 3.28.0
Visual Studio 2022

关于以上环境的安装，大家可以查看网上相关文档自行安装即可。

1. 2 源码下载

接下来需要下载OpenCV源码，此处需要下载两个源码，分别是opencv和opencv_contrib。下载链接为

opencv:
https://github.com/opencv/opencv/archive/4.8.0.zip
opencv_contrib:
https://github.com/opencv/opencv_contrib/tags

不过在下载时要注意一点，就是要保证opencv和opencv_contrib下载的版本要一致，此处我们下载的版本为：4.8.0。下载完成后，将两个文件解压到同一个文件夹中，如下图所示。

2. CMake编译项目

2.1 创建cmake项目

打开CMake软件，设置项目源码路径，并在源码路径下创建一个build文件夹，并设置编译文件夹，如下图所示：

接下来点击Configure，进行第一次配置，然后回弹出编译平台选择，此处根据自己电脑的编译软件进行选择，在本文中我们使用的是Visual Studio 2022，然后选择编译平台为x64。

第一次配置生成后，输出如下所示：

2.2 设置编译配置

首先添加opencv_contrib模块的引用，在OPENCV_EXTRA_MODULES_PATH条目中添加该模块的路径，然后选择OPENCV_ENABLE_NONFREE，如下图所示：

接下来添加CUDA的设置，首先选择WITH_CUDA，如下图所示：

然后选择OPENCV_DNN_CUDA，此处还可以选择OPENCV_DNN_OPENVINO等不同的模型部署，如下图所示：

最后选择ENABLE_FAST_MATH

此处为了让生成的依赖库文件都集成在一个文件中，方便后面使用，所以此处可以选择BUILD_opencv_world，如果不选择，生成的文件将会被拆散成多个文件。

第二次Configure后，下一步就是需要检查一下其过程是否有异常抛出

2.3 解决异常

2.3.1 文件下载异常

首先查看一下配置输出框是否抛出警告，如果有的话，一定要解决一下，不然后续编译会出错。

当出现上图所示的异常后，就需要手动解决一下该问题，首先找到build\CMakeDownloadLog.txt文件，然后打开后，查看一下是否有下图所示的文件确实异常。如果有，请自行下载，下载链接如下图所示标注位置，下载后将文件放置在下图所示缺失文件路径，并按照要求修改名称。

2.3.2 解决CUDA版本异常

该异常会在最后编译过程中出现，主要是当CUDA>=12.2时会出现该问题，因此需要检查一下自己的CUDA版本是否大于12.2.查看CUDA版本方式如下图所示。

如果你的CUDA版本大于12.2，就要根据官方的要求进行修改，官方提供的解决方式链接为：cuda: fix for compatibility with CUDA Toolkit >= 12.2.0 by cudawarped · Pull Request #24104 · opencv/opencv (github.com)。

其主要修改内容如下图所示。

2.4 编译项目

解决完上述异常后，就可以进行项目编译了，点击Generate，就可以自动生成项目了。

3. Visual Studio 编译项目

首先我们打开build\文件夹，可以看到生成的OpenCV.sln解决方案文件，使用Visual Studio打开该项目。

然后运行ALL_BUILD项目即可，此处运行时间会比较长，尤其是再加入CUDA支持后，编译时间会更久。

编译完成后，可以获得下面文件夹内容，此处主要是两个有用的文件夹，一个是install文件夹，这个文件夹主要是包含的时项目运行的依赖项，包括include/文件夹以及 .lib 、 .dll等文件；第二个是python_loader文件夹，主要是python运行所需的依赖项。

4. 项目测试

项目编译完成后，最后我们查看一下项目是否编译成功，此处使用cv2.cuda.getCudaEnabledDeviceCount()接口方法检查一下是否存在在线的CUDA设备，如果存在CUDA设备，将返回设备数量，如果没有，将返回0。如下图所示，在运行后，输出为1，本机设备只存在一个显卡，所以索命该项目已经编译好了。