第二章：开发环境搭建——交叉编译工具链安装、OpenCV for ARM编译、CUDA/OpenCL环境配置、性能分析工具安装

好，咱们直接进入正题。嵌入式GPU开发，第一步不是写代码，而是搭环境。这事儿听起来枯燥，但说实话，环境没搭好，后面全是坑。我见过太多新手卡在编译环节，一卡就是一整天。所以这一章，咱们把交叉编译工具链、OpenCV for ARM、CUDA/OpenCL，还有性能分析工具，一个一个捋清楚。

2.1 交叉编译工具链安装

先说说交叉编译。你想想看，你的开发机是x86架构，但目标板是ARM架构。代码在x86上写，编译出来的二进制却要在ARM上跑。这就叫交叉编译。说白了，就是让一台电脑替另一台电脑干活。

我个人习惯用Linaro提供的工具链。为什么？因为它更新快，支持全，而且社区活跃。遇到问题，搜一下基本都有答案。

安装步骤（以aarch64为例）：

# 下载Linaro GCC工具链
wget https://releases.linaro.org/components/toolchain/binaries/latest-7/aarch64-linux-gnu/gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu.tar.xz

# 解压到指定目录
tar -xvf gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu.tar.xz -C /opt/

# 配置环境变量
export PATH=/opt/gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu/bin:$PATH
export CROSS_COMPILE=aarch64-linux-gnu-
export ARCH=arm64

小提示： 我建议把环境变量写到 ~/.bashrc 里，这样每次打开终端就不用重新设了。我曾经因为忘记 export，折腾了半小时才发现问题。

验证是否安装成功，跑一下这个命令：

aarch64-linux-gnu-gcc --version

如果能正常显示版本号，恭喜你，第一步搞定了。

2.2 OpenCV for ARM编译

OpenCV在嵌入式平台上编译，嗯，这里要注意。你不能直接用apt-get install，因为那样装的是x86版本。你得自己从源码编译，指定ARM架构。

为什么会这样？因为OpenCV底层调了很多硬件加速指令，比如NEON、VFPv3。这些指令集在不同架构上不一样。所以必须针对你的目标平台重新编译。

警告： 编译OpenCV时，内存要留够。我建议至少4GB的swap空间。否则编译到一半直接OOM，那感觉...你懂的。

具体步骤：

# 安装依赖
sudo apt-get install build-essential cmake git pkg-config

# 下载OpenCV源码
git clone https://github.com/opencv/opencv.git
cd opencv
mkdir build && cd build

# 配置交叉编译
cmake -DCMAKE_TOOLCHAIN_FILE=../platforms/linux/aarch64-gnu.toolchain.cmake \
      -DCMAKE_INSTALL_PREFIX=/opt/opencv-arm \
      -DWITH_NEON=ON \
      -DWITH_VFPV3=ON \
      -DBUILD_TESTS=OFF \
      -DBUILD_PERF_TESTS=OFF ..

# 编译（使用多核加速）
make -j$(nproc)

# 安装
sudo make install

我在项目中遇到过一个问题：编译出来的OpenCV在板子上跑，图像处理速度比预期慢很多。后来发现是忘了开NEON优化。你想想看，ARM平台最值钱的就是NEON指令集，不开等于白干。

关键配置项说明：

配置项 作用 建议值
WITH_NEON 启用ARM NEON SIMD加速 ON
WITH_VFPV3 启用浮点运算加速 ON
BUILD_TESTS 是否编译测试用例 OFF（节省时间）
CMAKE_INSTALL_PREFIX 安装路径 自定义路径

2.3 CUDA/OpenCL环境配置

嵌入式GPU，说白了就是要在小芯片上跑并行计算。CUDA和OpenCL是两条主流路线。NVIDIA的Jetson系列用CUDA，其他平台比如RK3588、树莓派，用OpenCL更多。

我个人习惯是：如果目标板是NVIDIA的，无脑选CUDA。生态好，工具链成熟，文档也全。如果是其他平台，那就得看OpenCL了。

2.3.1 CUDA环境配置（以Jetson Nano为例）

# Jetson Nano默认自带CUDA，但需要配置环境变量
export PATH=/usr/local/cuda-10.2/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64:$LD_LIBRARY_PATH

# 验证CUDA是否可用
nvcc --version
nvidia-smi

这里有个坑：Jetson系列的CUDA版本和桌面版不一样。桌面版是x86，Jetson是ARM。所以你不能把桌面版的CUDA Toolkit直接拷过来用。我曾经犯过这个错，编译了一整天，最后发现架构不对。

2.3.2 OpenCL环境配置

OpenCL的配置相对复杂一些。因为不同厂商的OpenCL实现不一样。ARM平台一般用Mali GPU，需要安装ARM的OpenCL SDK。

# 下载ARM OpenCL SDK
wget https://developer.arm.com/-/media/Files/downloads/OpenCL/ARM-OpenCL-SDK.zip

# 解压并安装
unzip ARM-OpenCL-SDK.zip
cd ARM-OpenCL-SDK
sudo ./install.sh

# 验证OpenCL是否可用
clinfo

小提示： 如果clinfo报错，别慌。先检查一下GPU驱动是否加载。用lsmod | grep mali看看。驱动没加载，OpenCL肯定跑不起来。

2.4 性能分析工具安装

环境搭好了，代码写完了，怎么知道跑得快不快？这就需要性能分析工具了。嵌入式平台上，我常用的工具就三个：perf、gprof、以及NVIDIA自带的Nsight。

2.4.1 perf安装

# 安装perf
sudo apt-get install linux-tools-common linux-tools-$(uname -r)

# 基本用法
perf stat ./your_program
perf record ./your_program
perf report

perf的好处是轻量，几乎不引入额外开销。我在项目中用它定位过一个CPU占用率异常的问题，发现是某个函数里有个死循环。perf record + perf report，一目了然。

2.4.2 gprof安装

# 编译时加上-pg选项
gcc -pg -o program program.c

# 运行程序
./program

# 生成分析报告
gprof program gmon.out > analysis.txt

注意： gprof会引入额外的性能开销，所以它更适合做函数级别的热点分析，不适合做精确的时间测量。说白了，用它看趋势，别用它看绝对值。

2.4.3 Nsight Systems（Jetson平台）

# 安装Nsight Systems
sudo apt-get install nsight-systems

# 使用命令行分析
nsys profile -o output_file ./your_program

Nsight的界面比perf友好得多。它能直观地显示CPU和GPU的时间线，哪个kernel跑得慢，哪个数据传输是瓶颈，一眼就能看出来。我个人觉得，如果你用Jetson平台，Nsight是必装的。

2.5 环境验证与常见问题

环境搭完了，怎么确认一切正常？我一般会写一个简单的测试程序，跑一下看看。

// test_opencv.cpp
#include <opencv2/opencv.hpp>
#include <iostream>

int main() {
    cv::Mat img = cv::Mat::zeros(480, 640, CV_8UC3);
    std::cout << "OpenCV version: " << CV_VERSION << std::endl;
    std::cout << "Image size: " << img.size() << std::endl;
    return 0;
}

交叉编译这个程序，拷到板子上跑。如果能正常输出版本号和图像尺寸，说明OpenCV环境没问题。

常见问题汇总：

  • 编译时报错找不到头文件：检查CMAKE_INSTALL_PREFIX路径是否正确，或者是不是忘了设置PKG_CONFIG_PATH。
  • 运行时提示找不到动态库：用export LD_LIBRARY_PATH把库路径加进去，或者用ldconfig更新缓存。
  • CUDA程序编译通过但运行报错：检查CUDA版本是否匹配，以及GPU计算能力是否支持你用的特性。
  • OpenCL平台数为0：大概率是驱动没装好，或者设备节点权限不对。试试用sudo运行clinfo。

好了，环境搭建这部分就到这里。说实话，搭环境是最磨人的一步，但也是最能积累经验的一步。你把这些坑都踩一遍，后面写代码的时候就会顺手很多。下一章，咱们开始真正接触图像处理流水线，到时候这些工具就全派上用场了。

← 上一章 📖 返回目录 下一章 →