第二章 开发环境搭建：交叉编译工具链安装、CUDA/OpenCL/Vulkan驱动配置、OpenCV with CUDA编译
说实话，嵌入式视觉开发最让人头疼的，往往不是算法本身，而是环境搭建。我见过太多新手，花了两周配环境，最后发现编译器版本不对，或者CUDA和OpenCV死活编译不过去。这一章，我就把我在几个量产项目中踩过的坑，一次性给你讲清楚。
2.1 交叉编译工具链安装
嵌入式设备性能有限，我们得在PC上编译好程序，再丢到板子上跑。这就是交叉编译。说白了，就是「在A机器上生成B机器能跑的程序」。
我个人习惯用Linaro提供的GCC工具链，稳定且社区活跃。以ARM64架构为例，安装步骤如下：
# 下载工具链（以aarch64-linux-gnu-gcc为例）
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
# 验证安装
aarch64-linux-gnu-gcc --version
为什么强调版本匹配？你想想看，板子上的内核是4.9，你用gcc-10编译出来的程序，链接的glibc版本太高，板子上根本没有。嗯，这就是典型的「编译通过，运行崩溃」。
2.2 CUDA/OpenCL/Vulkan驱动配置
嵌入式GPU加速，驱动是第一步。我接触过的平台，NVIDIA Jetson系列用CUDA，瑞萨R-Car用OpenCL，高通骁龙用Vulkan。每个平台的脾气都不一样。
2.2.1 CUDA驱动配置（以Jetson为例）
Jetson系列出厂就预装了CUDA，但版本可能比较老。我建议你直接刷最新的JetPack SDK，省心。
# 检查CUDA版本
nvcc --version
# 检查驱动版本
nvidia-smi
# 如果版本不对，用SDK Manager刷机
# 或者手动安装：
sudo apt-get install nvidia-jetpack
nvpmodel -m 0 切换到最大性能模式后，利用率直接飙到95%。所以，别忘了检查电源模式。
2.2.2 OpenCL驱动配置（以瑞萨R-Car为例）
OpenCL在嵌入式上比较折腾。瑞萨的驱动是闭源的，需要向FAE申请。安装步骤大致如下：
# 解压驱动包
tar -xvf rcar_opencl_driver.tar.gz
# 安装驱动
cd rcar_opencl_driver
sudo ./install.sh
# 验证OpenCL设备
clinfo | grep "Device Name"
这里有个坑：OpenCL的ICD（Installable Client Driver）加载机制。如果 clinfo 找不到设备，多半是ICD配置文件没放对位置。检查 /etc/OpenCL/vendors/ 目录下有没有对应的 .icd 文件。
2.2.3 Vulkan驱动配置（以高通骁龙为例）
高通的Vulkan驱动通常集成在系统镜像里。你需要确认内核开启了Vulkan支持：
# 检查Vulkan支持
vulkaninfo | grep "Vulkan Instance"
# 如果没输出，可能需要更新GPU固件
# 或者重新编译内核，开启CONFIG_DRM_MSM=y
1. 内核驱动模块加载成功（lsmod | grep gpu）
2. 用户态运行时库路径正确（LD_LIBRARY_PATH）
3. 设备节点权限开放（/dev/nvidia* 或 /dev/dri/*）
2.3 OpenCV with CUDA编译
OpenCV是视觉开发的瑞士军刀。但默认的OpenCV不支持GPU加速，你得自己编译。这个过程，我至少编译过20次，每次都有新教训。
2.3.1 下载源码与依赖
# 安装依赖
sudo apt-get install build-essential cmake git libgtk2.0-dev pkg-config \
libavcodec-dev libavformat-dev libswscale-dev libtbb2 libtbb-dev \
libjpeg-dev libpng-dev libtiff-dev libdc1394-22-dev
# 下载OpenCV和contrib模块
git clone https://github.com/opencv/opencv.git
git clone https://github.com/opencv/opencv_contrib.git
cd opencv && git checkout 4.5.5
cd ../opencv_contrib && git checkout 4.5.5
2.3.2 CMake配置
这是最关键的步骤。我建议你创建一个build目录，在里面执行cmake：
mkdir build && cd build
cmake -D CMAKE_BUILD_TYPE=RELEASE \
-D CMAKE_INSTALL_PREFIX=/usr/local \
-D OPENCV_EXTRA_MODULES_PATH=../../opencv_contrib/modules \
-D WITH_CUDA=ON \
-D WITH_CUDNN=ON \
-D OPENCV_DNN_CUDA=ON \
-D ENABLE_FAST_MATH=1 \
-D CUDA_FAST_MATH=1 \
-D WITH_CUBLAS=1 \
-D WITH_V4L=ON \
-D WITH_GTK=ON \
-D WITH_TBB=ON \
-D BUILD_opencv_python3=ON \
-D BUILD_TESTS=OFF \
-D BUILD_PERF_TESTS=OFF \
..
CUDA_ARCH_BIN 设置不对导致编译失败。比如Jetson Nano是5.3，Xavier是7.2。你可以用 deviceQuery 查看计算能力：/usr/local/cuda/samples/1_Utilities/deviceQuery/deviceQuery
2.3.3 编译与安装
# 用多核编译，-j4或-j8根据你的CPU核心数
make -j4
# 安装
sudo make install
# 验证OpenCV是否支持CUDA
python3 -c "import cv2; print(cv2.cuda.getCudaEnabledDeviceCount())"
如果输出 1，恭喜你，编译成功。如果输出 0，嗯，回去检查cmake日志，看看哪个模块被跳过了。
2.3.4 性能对比
我拿一个简单的图像高斯模糊做测试，结果如下：
| 操作 | CPU耗时 (ms) | GPU耗时 (ms) | 加速比 |
|---|---|---|---|
| 高斯模糊 (1920x1080) | 12.3 | 1.1 | 11.2x |
| Canny边缘检测 | 28.7 | 2.3 | 12.5x |
| 颜色空间转换 | 5.6 | 0.4 | 14.0x |
你看，GPU加速效果非常明显。但要注意，不是所有操作都适合GPU。比如小尺寸图像（< 64x64），CPU反而更快，因为GPU的数据传输开销太大了。
-D WITH_CUDA=ON，结果编译出来的版本完全不支持GPU。更惨的是，我还在上面调了三天算法，一直觉得是代码问题。所以，编译完成后，第一件事就是验证CUDA是否真的启用了。
2.4 环境验证与常见问题
环境搭好了，怎么确认一切正常？我一般跑一个简单的流水线测试：
# 1. 验证交叉编译器
aarch64-linux-gnu-gcc -o hello hello.c
# 2. 验证GPU驱动
./deviceQuery
# 3. 验证OpenCV with CUDA
./opencv_test_cuda
如果这三步都通过，恭喜你，开发环境搭建完成。如果卡在哪一步，别慌。我总结了几条经验：
- 编译器报错：检查环境变量PATH，确认工具链路径在最前面
- 驱动加载失败：检查内核版本，用
uname -r对比驱动支持的版本 - OpenCV编译失败：看CMakeError.log，90%的问题是缺少依赖或CUDA路径不对
嗯，环境搭建确实繁琐，但这是嵌入式视觉开发的必修课。你想想看，如果连环境都搞不定，后面怎么调算法、怎么优化性能？所以，耐心点，一步步来。下一章，我们就开始真正写代码了。