标签：nano 编译 opencv cuda 使用 jetson CUDA
前言
昨天分享了 cuda在ubuntu的安装和使用，今天在jetson nano上进行测试验证使用cuda。在jetson nano上安装使用cuda和ubuntu有所区别，所以写了这篇文章。
首先cuda使用上还是有cuda库直接调用和opencv cuda库调用，最后还有在jetson nano内置的CUDA Samples。当然我们也可以自己在网络下载，这是官方链接：https://github.com/NVIDIA/cuda-samples
jetson nano安装cuda
cuda在jetson nano的镜像是默认安装了的，已安装版本是:
CUDA10.2，CUDNNv8，tensorRT，opencv4.1.1，python2，python3,tensorflow2.3，所以我们可以直接使用，不过oepncv的cuda库是没有的，需要我们进行安装，不过安装的方式和上一篇文章类似，不过是有些操作细节需要修改一下。
由于jetson nano上面已经自带了CUDA10.2，那么我们直接使用了哈。因为一些普通演示demo上篇文章就介绍过了，所以本次就写了 cuda在ubuntu的安装使用分享
简单信息查询demo
#include "cuda_runtime.h"
#include "device_launch_parameters.h"
#include <stdio.h>
#include <iostream>
using namespace std;
int main()
{
int deviceCount;
cudaGetDeviceCount(&deviceCount);
for (int i = 0; i < deviceCount; i++)
{
cudaDeviceProp devPro;
cudaGetDeviceProperties(&devPro, i);
cout << "使用GPU：" << i << endl;
cout << "设备全局内存总量：" << devPro.totalGlobalMem << endl;
cout << "SM的数量:" << devPro.multiProcessorCount << endl;
cout << "每个线程块的共享内存大小：" << devPro.sharedMemPerBlock / 1024<< "KB" << endl;
cout << "每个线程块的最大线程数：" << devPro.maxThreadsPerBlock << endl;
cout << "一个线程块中可用的寄存器数：" << devPro.regsPerBlock << endl;
cout << "每个EM的最大线程数：" << devPro.maxThreadsPerMultiProcessor << endl;
cout << "每个EM的最大线束数：" << devPro.maxThreadsPerMultiProcessor / 32<< endl;
cout << "设备上多处理器的数量：" << devPro.multiProcessorCount << endl;
}
getchar();
return 0;
}
执行效果：
cuda sample库验证
这是就是前言里面说到的cuda的例子，大家可以写cuda的代码时候，可以参考里面的范例。而在nano里面，JetPack系统将 CUDA 环境安装在 /usr/local/cuda 下面。
有人可能发现在 /usr/local 下面有 cuda 目录与 cuda-10.2 目录，两者的内容完全一样。事实上 cuda 这个目录是cuda-10.2软链接，实际的内容指向 cuda-10.2 这个目录。因为 JetPack 以后会更新 CUDA 版本，所有 cuda-10.2 可能会改变，于是就使用 cuda 软连接来确保一致性。
接下来进入 samples 目录
cd /usr/local/cuda/samples/，里面有早已经放置好的示例，但是都是没有编译的，当然我们可以在samples目录下直接使用sudo make -j4进行编译，但是实际上在我编译发现在主目录编译太费时间了，建议大家到各个子目录进行编译，然后验证。 
在每个目录下面都有对应的子Makefile文件，大家到子目录make即可。例如：cd 5_Simulations/nbody/，(nbody 是粒子碰撞模拟，大家也可以到其他目录验证测试，因为这个 nbody 范例提供 GPU 与 CPU 的执行，可以让大家更清楚两者之间的性能差距) 然后 sudo make -j4
ls -l 大家就可以看到绿色编译好的可执行文件，这个时候我们就可以 sudo ./nbody 进行测试
这个范例默认是在 GPU 上执行，并且预设粒子数量为 1024 个。可以视窗头部看到一些性能相关的信息，包括：模拟粒子数是1024个、渲染性能的帧率、指令性能BIPS（每秒百万次）、计算机性能GFLPOS（单精度状态）。 此外在界面的左上角还有粒子大小、速度阻尼、软化系数、时间步长、集群规模、速度范围。
sudo ./nbody GPU跑的示意图
cpu执行的话是需要设置额外的参数 sudo ./nbody -cpu -numbodies=1024
CPU跑的示意图 
将视窗头部的性能数据与前一个在 GPU 上执行的结果进行比较，可以几项性能都有10倍左右的差距，这效果就非常显而易见了。 这就是GPU使用的明显对比了哈。
编译opencv的cuda库
这个和上一篇文件类似，也是要一些特殊的cmake选项，我执行编译的选项如下，大家把opencv_contrib-4.1.1替换成自己的目录即可。
cmake -D CMAKE_BUILD_TYPE=Release\
-D ENABLE_CXX11=ON\
-D CMAKE_INSTALL_PREFIX=/usr/local\
-D WITH_CUDA=ON\
-D CUDA_ARCH_BIN=${cuda_compute}\
-D CUDA_ARCH_PTX=""\
-D ENABLE_FAST_MATH=ON\
-D CUDA_FAST_MATH=ON\
-D WITH_CUBLAS=ON\
-D WITH_LIBV4L=ON\
-D WITH_GSTREAMER=ON\
-D WITH_GSTREAMER_0_10=OFF\
-D WITH_OPENGL=ON\
-D CUDA_NVCC_FLAGS="--expt-relaxed-constexpr" \
-D CUDA_TOOLKIT_ROOT_DIR=/usr/local/cuda-10.2\
-D WITH_TBB=ON\
-D OPENCV_EXTRA_MODULES_PATH=/home/jetson/lyn_work/opencv_contrib-4.1.1/modules ../
不过这里我进行了先在我的ubuntu系统进行cmake 和make执行，把opencv-4.1.1和opencv_contrib-4.1.1两个文件夹打包拷贝到我的jetson nano编译。为什么这么做呢，因为遇到了一些编译错误，如下：
[ 98%] Linking CXX executable ../../bin/opencv_perf_xphoto
In file included from /home/jetson/lyn_work/opencv-4.1.1/modules/core/include/opencv2/core.hpp:54:0,
from /home/jetson/lyn_work/opencv-4.1.1/modules/core/include/opencv2/core/cuda.hpp:51,
from /home/jetson/lyn_work/opencv_contrib-4.1.1/modules/cudaoptflow/include/opencv2/cudaoptflow.hpp:50,
from /home/jetson/lyn_work/opencv-4.1.1/build/modules/cudaoptflow/precomp.hpp:48:
/home/jetson/lyn_work/opencv-4.1.1/modules/core/include/opencv2/core/base.hpp:320:40: error: expected constructor, destructor, or type conversion before ‘(’ token
#define CV_Error( code, msg ) cv::error( code, msg, CV_Func, __FILE__, __LINE__ )
网上也有一些相似问题，不过经过自己对比log之后，发现是jetson上面网络不好，在编译opencv中，下载一些包，网络不太通畅，导致下载失败，最终导致的编译error。所以我在自己ubuntu系统（有梯子）下载好之后再进行编译。
-- data: Download: face_landmark_model.dat
在拷贝到jetson nano之后，解压两个文件夹，在opencv的build目录删除掉 cmake的缓存文件，rm CMakeCache.txt ，重新cmake ，这个时候重新编译就不需要重新下载依赖的包了。
编译完之后，我们就可以使用，测试方法还是和上一篇文章类似，这里我就不多赘述了，大家可以参考上一篇的内容。cuda在ubuntu的安装使用分享
结语
这就是我自己的一些cuda在jetson nano的使用分享，下一篇我们聊聊cuda实际使用gpu加速和cpu使用的对比，以及它两使用场景分析。。如果大家有更好的想法和需求，也欢迎大家加我好友交流分享哈。
作者：良知犹存，白天努力工作，晚上原创公号号主。公众号内容除了技术还有些人生感悟，一个认真输出内容的职场老司机，也是一个技术之外丰富生活的人，摄影、音乐 and 篮球。关注我，与我一起同行。
‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ END ‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧
推荐阅读
【3】CPU中的程序是怎么运行起来的 必读
本公众号全部原创干货已整理成一个目录，回复[ 资源 ]即可获得。
标签：nano,编译,opencv,cuda,使用,jetson,CUDA 来源： https://www.cnblogs.com/conscience-remain/p/16345472.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。