v8编译cmake

1. 【入坑指南】| OpenCV4.8 + CUDA + 扩展模块支持编译

OpenCV4.8 + CUDA + 扩展模块支持编译的入坑指南如下：

1. 确保软件版本满足要求：

   • 使用CMake3.13或更高版本。
   • 使用VS2017专业版或以上版本。
   • 显卡建议使用3050ti，CUDA版本建议使用CUDA11.3。

2. 解压源码包：

   • 将OpenCV4.8源码包解压至D盘，路径为D:opencv4.8.0。
   • 将OpenCV扩展模块源码包解压至D盘，路径为D:opencv_contrib4.8.0。

3. 启动CMake进行配置：

   • 打开CMake，设置源码目录为D:opencv4.8.0，构建目录为自定义的目录。
   • 点击【Finish】完成配置。
   • 选择【Generate】，生成项目文件。

4. 设置扩展模块路径并配置CUDA选项：

   • 在CMake界面中，设置OPENCV_EXTRA_MODULES_PATH为D:opencv_contrib4.8.0moles。
   • 搜索CUDA关键字，并勾选与CUDA相关的选项，如WITH_CUDA、WITH_CUDNN等。
   • 再次点击【Configure】，生成配置文件。

5. 生成并编译项目：

   • 打开生成的OpenCV.sln文件。
   • 切换到Release模式。
   • 选择【生成】>【生成解决方案】，开始编译。预计编译时间较长，请耐心等待。

6. 编译技巧与注意事项：

   • 在编译过程中，注意避免下载第三方文件。如有需要，可手动将文件放置到source/.cache文件夹内的相应位置。
   • 无需编译xFeature2D、FaceModel、Test等模块，以避免不必要的依赖下载。

7. 验证CUDA加速效果：

   • 编译完成后，可运行人脸检测案例和YOLOv8姿态评估模型等，以验证CUDA加速效果。
   • 使用相应的代码启用GPU推理执行。

通过上述步骤，你可以成功编译OpenCV4.8并支持CUDA加速以及扩展模块。这将显着提升图像处理程序的性能。如需更多CUDA函数使用知识，可参考相关书籍或在线资源。

2. Linux 如何运行benchmark循环跑

Linux 如何运行benchmark循环跑如下
benchmark中包含了跑benchmark的源码benchncnn.cpp，感兴趣的可以先看一下里面的内容。在Linux的文件根目录下，新建一个build文件夹并进入，当然也可以不叫build，随便你自己起。mkdir build && cd build进入之后就可以进行编译了，编译之后在build文件夹下会生成一个叫benchmark的文件夹，之后的工作会在这里进行。编译用的是cmake，这里如果有问题的话可以注意一下cmake的版本，我用的版本是3.12.3。具体命令如下:cmake .
make -j8这里cmake编译实际上是要根据上一层文件夹的CMakeLists.txt的文本来的，这里的..其实就是表示的上一层文件夹。 Make -j后面的数字是开几个核，根据自己电脑的实际情况来。执行完成之后就可以看到build里有了benchmark的文件夹。
入这个文件夹，可以看到一个benchncnn的可执行文件已经编译好了，运行这个可执行文件就可以测试模型的速度。但是这个可执行文件默认的是找到当前文件夹下的param格式的文件。
所有自带的模型文件都在ncnn根目录下的benchmark的文件夹中，把里面所有的param文件都拷贝到现在的benchmark文件夹，然后执行如下命令./benchncnn 4 2 0 -1
第一个数字表示测试次数，第二个表示开的线程数（这一点ncnn做的不错），最后一个数字-1表示只测cpu。NCNN交叉编译到rk3288(armv7架构)和rk3399(armv8架构）的方法。