Win10+VS2017+opencv3.4.1+cuda8.0配置

参考CSDN文章https://blog.csdn.net/qq_15947787/article/details/78534272

参考简书文章https://www.jianshu.com/p/5520fdb6dbae?from=singlemessage

此文作者说 通过查看cuda官方手册,目前Cuda支持的VS工具集只有15.0和15.6,但是新下载的VS2017一般都是15.7,因此会出现无法编译的情况

试了好多次都失败了 ,以下配置为vs2017下的截图 但在vs2015步骤完全一样。

走了一天的坑,最后放弃了使用vs2017从而下载vs015

VS2015 专业版下载链接
http://download.microsoft.com/download/B/8/9/B898E46E-CBAE-4045-A8E2-2D33DD36F3C4/vs2015.pro_chs.iso

VS2015 企业版下载链
http://download.microsoft.com/download/B/8/F/B8F1470D-2396-4E7A-83F5-AC09154EB925/vs2015.ent_chs.iso

VS2015 社区版下载链接
http://download.microsoft.com/download/B/4/8/B4870509-05CB-447C-878F-2F80E4CB464C/vs2015.com_chs.iso

在opencv中sift、surf等一些算法被去除,使用modules不再是默认安装的,它们均被集中在opencv_contrib中,在配置OpenCV时需要同OpenCV源码一块编译,需要重新下载并进行编译,下载contrib链接  https://github.com/opencv/opencv_contrib

因为要使用opencv中的GPU对程序进行加速  所以需要下载cuda,可以cuda官网查看与自己,这里我下载的是cuda8.0

此外还需要下载CMake编译工具对opecv库重新进行编译 加入GPU支持和一些额外的模块库

下载好CMake、OpenCV库、cuda和opecv_contrib后打开CMake

在Where is the source code里面选择opencv文件目录下的sources文件夹

在opencv文件目录下创建build-vs2017(文件名可以自己命名)

在Where to build the binaries里面选择该文件夹用于存放编译后的二进制文件

点击Configure出现下面信息证明配置完成

查看WITH_CUDA是否被选中(默认被选中)

在如下选择opecv额外模块库的文件夹位置D:/opencv3.4.1/opencv_contrib-3.4.1/modules,最好通过后面的...进行添加,如果直接复制路径的话子文件夹用\分割 这里的是/分割(这里遇到了一个坑)

然后再次选择Configure

Configure Done后选择Generate

点击OpenProject或者build-vs2017下的OpenCV.sln

点击重新生成解决方案

原文地址:https://www.cnblogs.com/henuLiGang/p/10448757.html

时间: 2024-11-05 19:34:23

Win10+VS2017+opencv3.4.1+cuda8.0配置的相关文章

Ubuntu 16.04系统下CUDA8.0配置Caffe教程

由于最近安装了Ubuntu 16.04,本文教程的特点是不需要降级gcc的版本,毕竟cuda8.0已经支持gcc5以上(默认不支持,实际支持). 本文是在参考caffe官网教程以及http://www.linuxidc.com/Linux/2015-07/120449.htm结合自己总结经验而来,对此表示感谢. Ubuntu 14.04安装Nvidia CUDA7.5并搭建Python Theano深度学习开发环境http://www.linuxidc.com/Linux/2015-09/123

VS2015 及VS2013 CUDA8.0 配置

因近期项目需要GPU加速,故对两台电脑上的 VS 配置了cuda8.0 总结如下: 1  官网下载和系统匹配的cuda 软件  https://developer.nvidia.com/cuda-downloads 2  直接使用默认选项安装  3 设置环境变量: 安装完毕后,在计算机上点右键,打开属性->高级系统设置->环境变量,可以看到系统中多了CUDA_PATH和CUDA_PATH_V8_0两个环境变量,接下来,还要在系统中添加以下几个环境变量:  CUDA_SDK_PATH = C:\

caffe、opencv3.1、cuda8.0安装 Nvidia驱动安装- Ubuntu

官方安装方法 (针对dec文件): 1. sudo dpkg -i cuda-repo-ubuntu1604-8-0-rc_8.0.27-1_amd64-deb 2. sudo apt-get update 3. sudo apt-get install cuda 改环境变量 安装完后检查: nvidia-smi 错误: gcc的版本过高,报错 解决: 安装gcc-4.9,g++4.9,把gcc-4.9软链接到g++上,然后make 下载CuDNN OpenCV 3.1 (备份的,还没写完)

ubuntu16.04 安装配置matlab ,python ,cuda8.0,cudnn,opencv3.1的caffe环境

网络上有很多ubuntu上caffe配置环境的帖子,本人照着其中的许多进行了参考,都出现了或多或少的错误,很多地方也有差异. 于是自己整理了下自己的安装过程,成功进行了测试,跑通了faster-rcnn.配置环境时间为2017.1.4 系统ubuntu16.04 一:显卡驱动的安装: 由于要使用GPU,所以先要查看自己显卡所匹配的显卡驱动,网址:http://www.nvidia.com/Download/index.aspx%3Flang=en-us 选择电脑匹配的显卡驱动,本人电脑显卡为GT

ubuntu14.04 + cuda8.0 + cudnnv5 + caffe + py-faster-rcnn配置

经过几天的奋战终于配置好了如题所述的配置,现在把配置大体过程写下来供大家配置时参考(由于电脑硬件和系统的千差万别,实在不适合写详细的) (一切不声明配置环境的配置教程都是耍流氓) 环境: Inter集显 + gtx1070独显 ubuntu14.04LTS(ubuntu系统,若两个显卡驱动同时存在会起冲突,貌似关掉什么lightdm可以解决,我就不折腾了,安装好n卡驱动后我就在BIOS中关掉集显只用独显) cuda_8.0.61_375.26_linux.run   cudnn-8.0-linu

Ubuntu16.04 +cuda8.0+cudnn+caffe+theano+tensorflow配置明细

本文为原创作品,未经本人同意,禁止转载,禁止用于商业用途!本人对博客使用拥有最终解释权 欢迎关注我的博客:http://blog.csdn.net/hit2015spring和http://www.cnblogs.com/xujianqing 本文主要是介绍在ubuntu16.04下,怎么配置当下流行的深度学习框架,cuda8.0+cudnn+caffe+theano+tensorflow 安装英伟达显卡驱动 首先去官网上查看适合你GPU的驱动 (http://www.nvidia.com/Do

(转)深度学习主机环境配置: Ubuntu16.04+Nvidia GTX 1080+CUDA8.0

深度学习主机环境配置: Ubuntu16.04+Nvidia GTX 1080+CUDA8.0 发表于2016年07月15号由52nlp 接上文<深度学习主机攒机小记>,这台GTX1080主机准备好之后,就是配置深度学习环境了,这里选择了比较熟悉Ubuntu系统,不过是最新的16.04版本,另外在Nvidia GTX1080的基础上安装相关GPU驱动,外加CUDA8.0,因为都比较新,所以踩了很多坑. 1. 安装Ubuntu16.04 不考虑双系统,直接安装 Ubuntu16.04,从ubun

ubuntu16.04 cuda8.0 opencv3.2.0 caffe安装

安装过程 1.安装相关依赖项 sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler sudo apt-get install --no-install-recommends libboost-all-dev sudo apt-get install libopenblas-dev liblapack-dev libat

配有Tesla K40c的服务器新装Ubuntu16.04并安装CUDA8.0、Anaconda3、Matlab2016a、OPENCV3.1、CuDNN5.1、MXNet

注:本文原创,作者:Noah Zhang  (http://www.cnblogs.com/noahzn/) 决定加入深度学习的大军,感谢导师给配了台新设备!第一次接触服务器并配置开发环境,整个过程中遇到不少坑,但是好在最后都成功解决了.不过有点担心的是,Tesla k40c 默认还要一个辅助供电,我目前只插了8pin的供电接口,6pin的供电接口没插,不知道后续计算会不会受影响……心里怕怕的…… 首先报一下硬件配置: 服务器:联想TD350: CPU:Intel® Xeon(R) CPU E5