Как установить cuda на Windows 10

Обновлено: 04.07.2024

Для поддержки графического процессора TensorFlow требуется набор драйверов и библиотека. Мы рекомендуем создать и использовать образец библиотеки TensorFlow Docker с поддержкой графического процессора (только для Linux). Для этой установки требуются только драйверы графического процессора NVIDIA® .

Эти инструкции по установке конечной версии TensorFlow. конкуренция с протестированными моделями сборки для версий CUDA® и cuDNN, которые можно использовать со старыми выпусками TensorFlow.

Пакет пипсов

Доступные пакеты, системные требования и инструкции см. в присутствии по установке pip . Пакет TensorFlow pip включает GPU для поддержки карт с поддержкой CUDA®:

В этом рассказывается о поддержке графического процессора и степени установки последней стабильной версии TensorFlow.

Старые версии TensorFlow

В версиях 1.15 и старше пакеты CPU и GPU разделены:

Аппаратные требования

Подключено устройство с возможностью поддержки графического процессора:

Карта NVIDIA® GPU с архитектурой CUDA® 3.5, 5.0, 6.0, 7.0, 7.5, 8.0 и выше 8.0. См. список карт GPU с поддержкой CUDA® .
Для графических процессоров с неподдерживаемой архитектурой CUDA®, чтобы избежать JIT-компиляции из PTX или для использования других версий библиотеки NVIDIA®, см. руководство по сборке Linux из исходного кода .
Пакеты не встречались в коде PTX, за исключительной использованием архитектуры CUDA®; поэтому TensorFlow не загружается на старых графических процессорах, если CUDA_FORCE_PTX_JIT=1 . (Подробности см. в разделе Совместимость приложений .)

Требования к программному обеспечению

В вашей компании должна быть установлена установленная платформа NVIDIA®:

Драйверы графического процессора NVIDIA® — для CUDA® 11.2 требуется версия 450.80.02 или выше.
Набор инструментов CUDA® — TensorFlow поддерживает CUDA® 11.2 (TensorFlow >= 2.5.0)
CUPTI поставляется с набором инструментов CUDA®.
cuDNN SDK 8.1.0 (версия cuDNN).
(Необязательно)TensorRT 7 для устранения задержки и пропускной способности для сочетания выводов при некоторых симптомах.

Настройка Linux

Приведенные ниже инструкции apt — это самый простой способ установить интеграцию программного обеспечения NVIDIA в Ubuntu. Однако при сборке TensorFlow из исходного кода быстро установите требования к программному обеспечению, перечисленные выше, и рассмотрите возможность использования образа Docker — разработайте TensorFlow в качестве основы.

Установите CUPTI, который поставляется с набором инструментов CUDA®. Добавить каталог установки к установке окружения $LD_LIBRARY_PATH :

Установите CUDA с помощью apt

В этом разделе показано, как установить CUDA® 11 (TensorFlow >= 2.4.0) в Ubuntu 16.04 и 18.04. Эти инструкции могут работать для других дистрибутивов на базе Debian.

Внимание: безопасная загрузка усложняет установку драйвера NVIDIA выходит за пределы этой инструкции.

Ubuntu 18.04 (CUDA 11.0)

Ubuntu 16.04 (CUDA 11.0)

установка Windows

Убедитесь, что установленные пакеты программного обеспечения NVIDIA соответствуют версии, приведенной выше. В частности, TensorFlow не загружается без файла cuDNN64_8.dll. Для использования другой версии, см. руководство по сборке Windows из исходного кода .

Добавьте каталоги установки CUDA®, CUPTI и cuDNN в переменную окружения %PATH% . Например, если CUDA® Toolkit установлен в C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0 а cuDNN — в C:\tools\cuda, обновите %PATH%, чтобы он использовал:

Настройка WSL2

Теперь достигнута экспериментальная поддержка WSL2 в Windows 10 19044 или более поздней версии с доступом к графическому процессору. Это самое последнее обновление Windows 10 (также известно как версия 21H2/обновление за ноябрь 2021 г.). Вы можете получить последнее обновление отсюда: Загрузите Windows 10 .

Если не указано иное, содержимое этой страницы предоставляется по лицензии Creative Commons Attribution 4.0, а образцы кода — по лицензии Apache 2.0. Подробнее см. в Правилах сайта Google Developers. Java является зарегистрированным товарным знаком Oracle и/или ее дочерних компаний.

В этой статье я покажу вам, как установить Tensorflow 2.5, CUDA 11.2.1 и CuDNN 8.1 для Windows 10 с полной поддержкой карт серии Nvidia GPU RTX 30. Поскольку CUDA обратно совместима, она также должна работать с картами серии RTX 20 или старше.

Но прежде чем установить CUDA, я проведу бенчмаркинг Tensorflow 2.5 без GPU. Я буду обучать модель классификации изображений, разработанную в предыдущем видео, на моем процессоре AMD Ryzen 5900X.

ЦП AMD Ryzen 5900X имеет 12 ядер и 24 потока, и это достойный процессор во всех отношениях, идеально подходящий для новичка в глубоком обучении, такого как я.

После завершения настройки CUDA я попытаюсь еще раз завершить обучение той же модели с моим графическим процессором Nvidia RTX 3070. Он имеет 5888 ядер CUDA. Может ли он превзойти процессор AMD Ryzen 5900X? Это определенно должно быть.

ГП намного быстрее ЦП при обработке большого количества матричных вычислений. Но я собираюсь быть открытым. Никогда не знаешь.

Одна из причин, по которой я не уверен, заключается в том, что в Github есть открытый вопрос о том, что RTX3090 медленнее, чем Nvidia RTX1080i, для прогнозов с Resnet. Это может быть связано с тем, что сам тензорный поток еще не использует все преимущества архитектуры Ampere.

Чего мы ждем? Начнем!

Установить Анаконду

Для этой настройки я буду использовать Anaconda. Если у вас не установлена Anaconda, вы можете просмотреть одно из моих видео, чтобы завершить настройку Anaconda. Ссылка в описании.

Создание среды Anaconda для Tensorflow

Теперь запустим Anaconda и создадим среду Anaconda для Tensorflow.

В этой среде Anaconda мы сможем установить TensorFlow и любые связанные зависимости. Tensorflow печально известен из-за того, что он очень чувствителен к библиотечным зависимостям. Некоторые, кто испытал это, могут описать это как ад зависимости Tensorflow. Так что давайте сдержим этот ад в окружающей среде.

Создание новой среды Anaconda

Установка Tensorflow с conda

В идеале мы должны использовать conda для установки Tensorflow и даже CUDA. Поскольку Tensorflow 2.5 еще недоступен в conda-forge, и это единственная версия с поддержкой CUDA 11.2, мы пока ее пропустим.

Установка Tensorflow с pip

Проблема использования Anaconda для установки Tensorflow заключается в том, что версии всегда немного отстают. Кроме того, поддержка CUDA 11.2, похоже, поддерживается только в Tensorflow 2.5.0, который все еще является кандидатом на выпуск.

Важное обновление: официально выпущен Tensorflow 2.5.0. Так что игнорируйте комментарии о том, что это релиз-кандидат

Поскольку нам действительно нужна поддержка CUDA 11.2, единственным вариантом здесь является pip.

Открываем командную строку:

Давайте установим некоторые дополнительные библиотеки из conda-forge, которые не требуются для Tensorflow, но необходимы для блокнота Python, с помощью которого мы позже проверим, что Tensorflow и Keras полностью работают.

< img class="lazyload" data-src="https://spltech.co.uk/wp-content/uploads/2021/04/image-164-980x509.jpg" />

Тестирование обучения модели Tensorflow с процессором AMD Ryzen 5900X

Теперь, когда у меня установлен Tensorflow, нам нужно его протестировать.

Чтобы узнать, насколько велика разница между графическим процессором при обучении модели машинного обучения, я собираюсь провести небольшое соревнование между моим процессором AMD Ryzen 5900X и моим графическим процессором Nvidia RTX 3070. AMD Ryzen 5900X имеет 12 ядер процессора и является одним из лучших процессоров AMD для игр. Может ли это действительно компенсировать отсутствие графического процессора? Давайте узнаем.

Запустив первый блок блокнота, мы видим, что Tensorflow не имеет доступа к графическому процессору. Чего мы и ожидаем.

После завершения обучения с использованием «Переноса обучения» для нашей модели классификации изображений мы получаем следующие результаты:

Каждая эпоха занимает от 11 до 13 секунд, в среднем 500 мс на шаг.

Давайте посмотрим, сможем ли мы улучшить это, когда сможем настроить Tensorflow для обучения с использованием графического процессора.

Обновите драйвер видеокарты Nvidia до последней версии

Прежде чем устанавливать CUDA, рекомендуется установить последнюю версию драйвера Nvidia Game-Ready. В настоящее время я использую одну из самых последних версий, так как в недавнем выпуске я включил панель изменяемого размера на своей видеокарте Nvidia.

Поэтому мне пока не нужно обновлять драйвер видеокарты.
Вы можете узнать, какая версия вашей видеокарты у вас установлена, открыв панель управления Nvidia, доступную в правом нижнем углу экрана. :

Если вам нужно установить новый драйвер Nvidia, не забудьте перезагрузить компьютер.

Загрузка CUDA 11.2

Сначала загрузим CUDA 11.2 с веб-сайта Nvidia. На данный момент последней версией является 11.3, но нам действительно нужна версия 11.2.1:

Загрузите версию, подходящую для вашей ОС. В моем случае я загружаю версию для Windows.

Установка CUDA 11.2

Чтобы установить CUDA, вам просто нужно запустить программу установки и следовать инструкциям по установке.

После завершения установки нам нужно добавить переменную среды для CUDA. Откройте командную строку и введите:

Появятся «Свойства системы» Windows.

Затем выберите вкладку "Дополнительно", а затем "Переменные среды"

В разделе "Системные переменные" нажмите "Создать"

И создайте имя переменной CUDA_PATH, как показано на экране выше.

Важное примечание: добавьте v к 11.2 => v11.2

Загрузка CuDNN 8.1

Теперь, когда CUDA 11.2 установлена, пришло время загрузить и установить CuDNN версии 8.1.

Чтобы загрузить CuDNN, вам потребуется учетная запись разработчика Nvidia:

И нам нужно загрузить версию 8.1, а не версию 8.2 или выше.

Установка CuDNN 8.1

Чтобы установить CuDNN версии 8.1, необходимо разархивировать установочный файл:

Теперь нам нужно выполнить шаги из документации Nvidia CuDNN. Но для удобства я скопировал шаги, которые нужно выполнить:

Скопируйте \cuda\bin\cudnn*.dll в C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\bin.
Скопируйте \cuda\include\cudnn*.h в C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\include.
Скопируйте \cuda\lib\x64\cudnn*.lib в C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\lib\x64.

Нет необходимости включать cudnn.lib в качестве зависимости в Visual Studio, если только вы не планируете компилировать Tensorflow из исходного кода или, возможно, вам нужно напрямую использовать библиотеку CuDNN.

Проверка того, что Tensorflow обнаруживает GPU

Теперь, когда мы выполнили все шаги по настройке Tensorflow, CUDA и CuDNN, пришло время узнать, обнаруживает ли Tensorflow графический процессор.

Итак, мы возвращаемся к нашему блокноту Jupyter и снова выполняем первый шаг:

Tensorflow может видеть и использовать наш графический процессор. Итак, давайте повторим тренировку и посмотрим, получим ли мы лучшие результаты с графическим процессором.

Тестирование обучения модели Tensorflow с помощью графического процессора Nvidia RTX 3070

Итак, давайте повторим шаг «Перенос обучения» еще раз:

Вау… Раньше на каждую эпоху уходило 11 секунд, теперь для завершения полной эпохи требуется 1 секунда.
Обратите внимание на время запуска в первой эпохе. Это известная проблема в Tensorflow. Обучение для первой эпохи обычно медленнее. Но после первой эпохи она довольно стабильна: 1 с на эпоху и 47 мс на шаг.

Мне не терпится поэкспериментировать с Deep Learning теперь, когда мой Tensorflow распознает мой GPU!
Удачного программирования!

Сначала запустите whereis cuda и найдите расположение драйвера cuda. Затем перейдите к . bashrc и измените переменную пути и установите порядок приоритета каталога для поиска, используя переменную «LD_LIBRARY_PATH». Это гарантирует, что у вас есть nvcc -V и nvidia-smi для использования одной и той же версии драйверов.

Можно ли установить Cuda без графического процессора?

Ответ на ваш вопрос: ДА. Драйвер компилятора nvcc не связан с физическим наличием устройства, поэтому вы можете компилировать коды CUDA даже без графического процессора с поддержкой CUDA. … Конечно, в обоих случаях (без графического процессора или графического процессора с другой архитектурой) вы не сможете успешно запустить код.

Как установить драйвер Nvidia и Cuda 10?

Как показано выше, сначала перейдите на сайт Nvidia и загрузите файл запуска cuda-10.0 (локальный).
…
Теперь откройте терминал ( CTRL+ALT+ T ) и выполните следующие действия, чтобы установить драйвер:

Как проверить, установлена Cuda или нет?

Проверьте установку CUDA

Проверьте версию драйвера, просмотрев: /proc/driver/nvidia/version: …
Проверьте версию набора инструментов CUDA. …
Проверьте выполнение заданий графического процессора CUDA, скомпилировав образцы и выполнив программы deviceQuery или bandwidthTest.

Cuda только для Nvidia?

В отличие от OpenCL, графические процессоры с поддержкой CUDA доступны только у Nvidia.

Является ли Cuda графическим процессором?

CUDA — это платформа параллельных вычислений и модель программирования, разработанная Nvidia для общих вычислений на собственных графических процессорах (графических процессорах). CUDA позволяет разработчикам ускорить работу ресурсоемких приложений, используя мощь графических процессоров для распараллеливаемой части вычислений.

Может ли Cuda работать с графикой Intel?

В настоящее время графические чипы Intel не поддерживают CUDA. … (Доступен Intel OpenCL SDK, но в настоящее время он не дает вам доступа к графическому процессору.) В новейших процессорах Intel (Sandy Bridge) графический процессор встроен в ядро ЦП.

Какие видеокарты поддерживают CUDA?

GPU	Ядра CUDA	Память
GeForce GTX TITAN	2688	6 ГБ
GeForce GTX 1080	2560	8 ГБ
GeForce GTX 780	2304	3 ГБ
GeForce GTX 980	2048	4 ГБ

Могу ли я установить Cuda?

Как установить драйверы Nvidia?

Чтобы установить драйвер дисплея NVIDIA:

Запустите программу установки драйвера дисплея NVIDIA. Появится программа установки драйвера дисплея.
Следуйте указаниям установщика до последнего экрана. Не перезагружаться.
При появлении запроса выберите Нет, я перезапущу компьютер позже.
Нажмите "Готово".

Как установить драйверы CUDA?

Подключитесь к виртуальной машине, на которую вы хотите установить драйвер.
Установите последний пакет ядра. При необходимости эта команда также перезагружает систему. …
Если система перезагрузилась на предыдущем шаге, повторно подключитесь к экземпляру.
Обновить Zypper. sudo zypper обновить.
Установите CUDA с драйвером NVIDIA. sudo zypper установить cuda.

Что такое cuDNN?

Глубокая нейронная сеть NVIDIA CUDA (cuDNN) — это библиотека примитивов для глубоких нейронных сетей с ускорением на графическом процессоре. Он обеспечивает точно настроенные реализации подпрограмм, часто возникающих в приложениях DNN.

Какую версию Cuda мне установить?

Для этих графических процессоров должна работать CUDA 6.5. Начиная с CUDA 9. x, более старые графические процессоры CUDA с вычислительными возможностями 2. x также не поддерживаются.

Где устанавливается Cuda?

По умолчанию набор инструментов CUDA SDK устанавливается в папку /usr/local/cuda/. Драйвер компилятора nvcc устанавливается в /usr/local/cuda/bin, а 64-разрядные библиотеки времени выполнения CUDA устанавливаются в /usr/local/cuda/lib64.

Вы должны установить OpenCV для GPU, если позволяет ваша система. Библиотека OpenCV может использоваться как для ЦП, так и для ГП, но если вы просто установите OpenCV с помощью команды «pip» или «conda» ( pip install opencv-python ), он по умолчанию будет использовать ЦП в качестве бэкэнда. Теперь, если вы работаете над проектом глубокого обучения или обработки видео, таким как обнаружение объектов, обнаружение социальной дистанции, вы столкнетесь с задержками в выходном видео (меньшая частота кадров в секунду), вы можете исправить эту задержку с помощью графического процессора, если в вашей системе есть графический процессор NVIDIA ( Видеокарта NVIDIA).

Установить OpenCV для графического процессора на компьютере с Linux легко, но сложно для Windows. Вот почему я делаю этот пост.

Чтобы установить OpenCV GPU в Windows, нам необходимо скомпилировать или собрать исходный код Opencv с помощью CUDA, cuDNN и Nvidia GPU. Для этого нам нужно использовать некоторые инструменты, такие как Visual Studio (компилятор C++ GCC), CMake и т. д.

Обязательно к прочтению

Системные требования для сборки OpenCV с окнами Cuda

Прежде чем вы начнете создавать OpenCV с помощью Cuda для Windows, убедитесь, что в вашей системе установлена графика NVIDIA. Чтобы узнать о вашей графике:

Перейдите в «Диспетчер устройств» вашей системы.
Нажмите "Видеоадаптеры".

У вас должна быть видеокарта NVIDIA

Как видите, у меня две видеокарты:

NVIDIA GeForce GTX 1050 Ti
Графика Intel (R) UHD Graphics 630

Теперь посетите страницу Википедии ниже, чтобы узнать, подходит ли ваша видеокарта для платформы CUDA Toolkit или нет:

Соответствие требованиям CUDA для графического процессора NVIDIA

Теперь на этой странице найдите название модели вашей видеокарты (в моем случае GTX 1050 Ti). Как видите, моя видеокарта (GeForce GTX 1050 Ti) указана на этой странице в Википедии. Так что я могу установить OpenCV с Cuda для доступа к графическому процессору в моей системе.

Шаги по сборке OpenCV с Cuda для Windows

Ниже приведены шаги, которые мы собираемся выполнить, чтобы установить OpenCV с CUDA для операционной системы Windows.

Примечание. Я использую операционную систему Windows 10. Это руководство протестировано в операционной системе Windows 10.

Удалите anaconda или python и установите новый python
Установите «numpy» и удалите «opencv-python», «opencv-contrib-python»
Загрузите и установите Visual Studio
Загрузите и установите CUDA в соответствии с вашим графическим процессором.
Загрузите и установите cuDNN в соответствии с CUDA.
Загрузить и извлечь исходный код Opencv-4.4 с Github
Загрузите и извлеките Opencv-contrib-4.4 с Github
Загрузите и установите CMake
Создать новую папку
Внесите изменения в файл CMake «OpenCVDetectPython.cmake»
Настройте Opencv и Opencv-contrib с помощью Cmake
Сборка проекта, созданного Cmake с помощью Visual Studio.
Проверьте правильность установки

Шаг 1 | Удалите anaconda или python и установите новый python для всех пользователей

Выполните этот шаг, иначе впоследствии могут возникнуть проблемы с путем.

<р>1.1. Удалите python или anaconda, что бы вы ни использовали, и установите новый python. Я скачал Python 3.9.5
1.2. Проверьте «переменные системной среды», убедитесь, что старый путь удален, а текущий путь существует

Проверить путь к переменной для Python

Шаг 2 | Установите «numpy» и удалите «opencv-python», «opencv-contrib-python»

Перед компиляцией убедитесь, что «numpy» установлен. Убедитесь, что «opencv-python» и «opencv-contrib-python» удалены и больше никогда не будут установлены снова с помощью «pip» в этой среде

<р>2.1. Установите «numpy» (pip install numpy)
2.2. Удалите opencv, если вы установили anaconda вместо свежего Python (pip uninstall opencv-python)
2.3. Удалите «opencv-contrib-python», если вы установили anaconda вместо свежего python (pip uninstall opencv-contrib-python)

В моем случае я установил новый Python, поэтому пропустил шаги 2.2 и 2.3. Я только что выполнил шаг 2.1.

Шаг 3 | Скачайте и установите Visual Studio

Установите Visual Studio 19

Шаг 4 | Скачайте и установите CUDA Toolkit в соответствии с вашим GPU

Надеемся, что вы уже проверили, позволяет ли ваша система установить CUDA. См. раздел «Системные требования» этой статьи, если вы что-то упустили.

Загрузить набор инструментов CUDA

4.2. После загрузки установите CUDA Toolkit (оставьте все по умолчанию)
4.3. Убедитесь, что ваши CUDA_PATH и CUDA_PATH_V10_1 есть, если нет, добавьте эти пути

Путь к переменной CUDA

Шаг 5 | Загрузите и установите cuDNN в соответствии с CUDA

5.1 Загрузка cuDNN в соответствии с CUDA

5.1.1. Загрузите и распакуйте cuDNN (версия, которая соответствует вашей подходящей версии Cuda)

Я скачал CUDA 10.1, поэтому собираюсь скачать cuDNN 7.6.5

Скачать cuDNN

Примечание. Если щелкнуть определенную версию cuDNN, откроются различные библиотеки cuDNN для разных операционных систем. Я использую Windows 10, поэтому я скачал библиотеку cuDNN для Windows 10.

5.2. Установите cuDNN в Windows

5.2.1. Найдите папку установки CUDA. В моем случае: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1

5.2.2. Откройте загруженную и извлеченную папку cuDNN

5.2.3. Скопируйте ниже файлы из папки cuDNN и вставьте в папку установки CUDA

Скопируйте все файлы (в моем случае один файл) из папки bin CuDNN и вставьте в папку bin CUDA (папка установки)
Скопируйте все файлы (в моем случае один файл) из папки включения CuDNN и вставьте в папку включения CUDA (папка установки)
Скопируйте все файлы (в моем случае один файл) из папки CuDNN lib/x64 и вставьте в папку CUDA (папка установки) lib/x64

На этом установка cuDNN завершена.

Шаг 6 | Загрузите и извлеките исходный код Opencv-4.4 с Github

Перед компиляцией убедитесь, что у вас установлена библиотека numpy.

Загрузить OpenCV 4.4.0

Шаг 7 | Загрузите и распакуйте Opencv-contrib-4.4 с Github

Нам нужен один дополнительный пакет, который нужно использовать вместе с opencv. Этот пакет называется Opencv-contrib.

Шаг 8 | Скачайте и установите CMake

Шаг 9 | Создайте новую папку

Это папка, в которой мы будем компилировать и сохранять объектный код. Я даю этой папке имя «сборка»

<р>9.1. Создайте папку с именем «build»

Создать папку «сборка»

Шаг 10 | Внесите изменения в файл CMake «OpenCVDetectPython.cmake»

Если мы попытаемся скомпилировать OpenCV без каких-либо изменений, по умолчанию он будет искать компилятор python2. Мы должны изменить код «OpenCVDetectPython.cmake», чтобы он по умолчанию обнаруживал компилятор python3.

<р>10.1. Зайдите в извлеченную папку «opencv-4.4.0»
10.2. Найдите и откройте файл «opencv-4.4.0\cmake\OpenCVDetectPython.cmake»

Редактировать код в файле Cmake

<р>10.3. Замените последний блок кода этого файла Cmake кодом ниже:

Предыдущий код:

Заменить этим кодом:

Заменить эту часть

Шаг 11 | Настройте OpenCV и Opencv-contrib с помощью Cmake

Теперь нам нужно настроить OpenCV, указав пути CUDA, cuDNN.

<р>11.1. Откройте приложение Cmake, которое мы уже установили на шаге 8
11.2. Укажите путь к исходному коду OpenCV, который мы уже скачали на шаге 6
11.3. Укажите путь к папке build, которую мы уже создали на шаге 9

<р>11.4. Нажмите кнопку «Настроить»
11.5. Затем в окне «Настройка» выберите дополнительную платформу x64
11.6. Нажмите кнопку «Готово»
11.7. Теперь настройте следующие переменные, выполнив поиск и проверив эти переменные на вкладке поиска:

<р>11.8. Нажмите кнопку «Настроить» еще раз, дождитесь выхода «Конфигурация выполнена»
11.9. Теперь нам нужно настроить еще несколько переменных

Вы можете посетить приведенную ниже страницу Википедии, чтобы узнать arch_bin вашего графического процессора

Вы просто заходите на эту страницу и ищите номер модели своей видеокарты (см. раздел «Требования к системе» на этой странице). Модель моей видеокарты — GTX 1050 Ti.

Итак, на этой странице Википедии я буду искать GTX 1050 Ti, и в этой строке значение первого столбца — значение CUDA_ARCH_BIN для моей видеокарты (GTX 1050 Ti). Это 6.1

11.10. Нажмите кнопку «Настроить» еще раз и дождитесь вывода «Настройка выполнена»
11.11. После этого нажмите кнопку «Создать» и дождитесь вывода «Генерация завершена»

11.12. Настройка и генерация кода завершены. Теперь вы можете закрыть приложение cmake-gui

Шаг 12 | Сборка проекта, созданного Cmake с помощью Visual Studio

Теперь нам нужно собрать и скомпилировать код, настроенный Cmake, в нашей только что созданной папке с именем «build»

<р>12.1. С помощью команды cd перейдите в папку «сборка»
12.2. Введите OpenCV.sln и нажмите Enter. он откроет для нас Visual Studio

<р>12.3. Если вы получаете сообщение об ошибке в Visual Studio:

12.3.1. В Visual Studio выберите Инструменты > Параметры
12.3.2. На панели «Параметры» разверните раздел «Проекты и решения» > «Веб-проекты»
12.3.3. Снимите отметку с последней опции в этом окне

12.3.4. Нажмите кнопку ОК и перезапустите Visual Studio, выполнив шаги 12.1 и 12.2

<р>12.4. Теперь внутри Visual Studio измените режим «отладки» на «режим выпуска»

<р>12.5. Внутри Visual Studio разверните «CMakeTargets» (расположен справа)
12.6. Щелкните правой кнопкой мыши «ALL_BUILD» и выберите «Сборка». Это может занять около 30 минут.

<р>12.7. Теперь щелкните правой кнопкой мыши «УСТАНОВИТЬ» (из того же «CMakeTargets») и нажмите «Сборка». Это не займет много времени.

<р>12.8. Убедитесь, что на шагах 12.6 и 12.7
12.9 нет ошибок или сбоев. Наконец, вы создали и скомпилировали opencv с помощью cuda и cuDNN. Теперь вы можете использовать свой графический процессор NVIDIA при работе с opencv.

Шаг 13 | Проверьте правильность установки

Чтобы проверить, успешно ли вы установили opencv с cuda для Windows или нет.

<р>13.1. Откройте командную строку > введите python > нажмите Enter
13.2. Введите приведенный ниже код в консоли Python

Проверьте установку графического процессора OpenCV