附件：GPU和CUDA的关系 —— 开发人员通过CUDA可以使用GPU的计算能力来加速各种计算任务，并提高计算性能和效率。

GPU（图形处理器，Graphics Processing Unit）
是一种专门设计用于图形渲染和并行计算的硬件设备。传统上，GPU 主要用于图形渲染，即将 3D 数据转换为 2D 图像，以显示在计算机屏幕上。然而，由于 GPU 在并行计算方面的强大能力，逐渐引起了开发者的关注，并开始将 GPU 应用于通用目的的并行计算。现代 GPU 具有大量的处理单元（称为 CUDA Core 或 Shader Core），可以同时执行多个并行计算任务，从而在适合并行计算的任务上提供巨大的计算能力。

CUDA（计算统一设备架构，Compute Unified Device Architecture）
是由 NVIDIA 开发的一种用于通用计算的并行计算平台，它提供了一组编程接口和工具，通过 CUDA，开发者可以使用编程语言（如 CUDA C/C++、CUDA Python）编写 GPU 内核函数（称为 CUDA Kernel），并使用 NVIDIA 的 GPU（图形处理器）执行这些内核函数，以加速各种计算任务，包括图形渲染、科学计算、机器学习等。

两者关系：CUDA是一种用于编写并行计算任务的平台和编程模型，而GPU是实际用于执行计算任务的硬件设备。开发人员通过CUDA可以使用GPU的计算能力来加速各种计算任务，并提高计算性能和效率。

一、环境配置

（0）我的电脑配置环境

windows 10
RTX 3090
cuda 11.8.0
python 3.9.16
opencv 4.6.0
# 注意，安装GPU版的openvc之前需要删除原本的opencv 
# 备注：OpenCV官网下载的源码只支持python3.9

（1）CUDA + cuDNN下载与安装

请看博主的这篇文章：https://blog.csdn.net/shinuone/article/details/129054444

（2）OpenCV源码下载与环境配置

OpenCV下载链接Build OpenCV (including Python) with CUDA on Windows，打开后选择找到OpenCV C++ CUDA builds跳转到下载页面，或者直接跳转下载页面OpenCV C++ CUDA builds。

图解教程请看这篇文章
【步骤一】 选择与自己的电脑环境相支持的版本，OpenCV官网下载的源码只支持python3.9。

【步骤二】 点击opencv_contrib_cuda_4.6.0.20221106_win_amd64.7z，下载并解压缩，得到两个文件夹：install + lib
【步骤三】 添加系统环境变量：电脑 + 属性 + 高级系统设置 + 环境变量 + 系统变量 + Path + 新建 + D:\AI\opencv_contrib_cuda_4.6.0.20221106_win_amd64\install\x64\vc17\bin
【步骤四】 提取源码中的python3\cv2.cp39-win_amd64.pyd并保存到自己的环境中。注意：cp39表示只支持python3.9版本。
（1）复制文件‪D:\AI\opencv_contrib_cuda_4.6.0.20221106_win_amd64\lib\python3\cv2.cp39-win_amd64.pyd
（2）将其保存到Python环境或Anaconda虚拟环境的site-packages中D:\Anaconda\envs\py39\Lib\site-packages\cv2.cp39-win_amd64.pyd
【步骤四】

（3）ImportError: DLL load failed while importing cv2: 找不到指定的模块。

• 方式一：在cmd中测试是否安装成功

python -c "import cv2; print(f'OpenCV: {cv2.__version__} for python installed and working')"

• 方式二：在Pycharm中测试是否安装成功

import cv2
print(f'OpenCV: {cv2.__version__} for python installed and working')
【BUG】将上述代码复制到Pycharm中，系统显示No module named 'cv2'

且运行结果如下：

（4）解决方法：添加DLL路径

添加三行代码（需要根据自己的安装环境修改地址）

import os
# 备注：CUDA的安装路径
# 备注：opencv_contrib_cuda的安装路径
# os.add_dll_directory('C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v12.0\\bin')

os.add_dll_directory(r'D:\CUDA\CUDA02\bin')				
os.add_dll_directory(r'D:\AI\opencv_contrib_cuda_4.6.0.20221106_win_amd64\install\x64\vc17\bin')

import cv2
print(f'OpenCV: {cv2.__version__} for python installed and working')

在源码中系统仍会显示No module named 'cv2' ，但是可以运行成功且不影响后续使用。

运行结果如下：

二、测试样本：上传图像到GPU + 从GPU下载图像

import os
os.add_dll_directory(r'D:\CUDA\CUDA02\bin')
os.add_dll_directory(r'D:\AI\opencv_contrib_cuda_4.6.0.20221106_win_amd64\install\x64\vc17\bin')

import cv2
print(f'OpenCV: {cv2.__version__} for python installed and working')

# （1）读取图像
image = cv2.imread('your_template.png')
if image is None:
    print("无法加载图像1")

# （2）GPU设置
# print(cv2.cuda.getCudaEnabledDeviceCount())     # 检查是否有可用的 GPU
cv2.cuda.setDevice(0)                           # 设置使用的 GPU 设备索引，0 表示第一个 GPU
# cv2.cuda.printCudaDeviceInfo(0)                 # 打印 GPU 设备信息

# （3）上传与下载
image_gpu = cv2.cuda_GpuMat()                                       # 3.0创建一个空的GPU矩阵
image_gpu.upload(image)                                             # 3.1将图像上传到GPU
screenshot = cv2.cuda.cvtColor(image_gpu, cv2.COLOR_RGB2BGR)        # 3.2图像处理
screenshot = cv2.cuda.resize(screenshot, (400, 400))
result_cpu = screenshot.download()                                  # 3.3从GPU下载处理后的图像到CPU

# （4）打印上传与下载前后的图像属性不改变
print("图像宽度: ", image.shape)
print("数据类型:", image.dtype)
print("在CPU下，原始图像格式:", type(image))

print()
print("在GPU下，处理后的图像格式:", type(screenshot))
print()

print("在CPU下，处理后的图像格式:", type(result_cpu))
print("图像宽度: ", result_cpu.shape)
print("数据类型:", result_cpu.dtype)

# （5）显示图像
if result_cpu is None:
    print("无法加载图像2")
else:
    cv2.imshow("Window", result_cpu)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

三、python使用GPU读取视频

（1）opencv - python使用CUDA处理图像

（2）opencv - python使用CUDA读取视频

（3）opencv - C++使用CUDA的入门教程