第3章 OpenCV环境搭建

3、OpenCV环境搭建：OpenCV编译安装、CUDA加速配置、GStreamer集成

说到OpenCV，做嵌入式视觉的兄弟应该都不陌生。但说实话，在Jetson上装OpenCV，跟你在PC上pip install一下完事，完全是两码事。我刚开始在Jetson上做项目时，图省事直接装了预编译包，结果一跑视频流，CPU占用直接飙到90%，帧率还不到15fps。后来老老实实从源码编译，配上CUDA加速，同样的算法直接跑到60fps。嗯，这差距就是这么夸张。

这一章，我就带你走一遍完整的OpenCV环境搭建流程。包括源码编译、CUDA加速、GStreamer集成，以及我踩过的那些坑。

3.1 为什么必须自己编译？

你可能会问：Jetson官方不是预装了OpenCV吗？

没错，JetPack确实带了OpenCV。但那个版本有几个致命问题：

没有CUDA支持——GPU算力完全浪费
没有GStreamer集成——摄像头采集效率低
版本老旧——很多新功能用不了
优化不足——NEON指令集没开

说白了，官方预装版就是个「能用」的水平。真要上生产环境，必须自己编译。

核心原则：在Jetson上，永远不要用apt install python3-opencv。相信我，你会后悔的。

3.2 编译前的准备工作

先确认你的Jetson已经刷好JetPack。我建议至少5.0以上版本，因为CUDA和TensorRT的兼容性更好。

检查一下环境：

# 查看JetPack版本
cat /etc/nv_tegra_release

# 查看CUDA版本
nvcc --version

# 查看OpenCV版本（如果有预装）
python3 -c "import cv2; print(cv2.__version__)"

我个人习惯先清理掉预装的OpenCV，避免冲突：

sudo apt purge libopencv* python3-opencv
sudo apt autoremove

注意：如果你依赖预装OpenCV的其他包（比如vpi），先确认清楚再删。我曾经手快把vpi的依赖删了，结果重装花了一下午。

3.3 安装依赖库

这一步很关键，缺一个库后面编译就会报错。我整理了一份完整的依赖清单：

# 基础工具
sudo apt install build-essential cmake git pkg-config

# 图像处理相关
sudo apt install libjpeg-dev libtiff5-dev libpng-dev

# 视频处理相关
sudo apt install libavcodec-dev libavformat-dev libswscale-dev
sudo apt install libxvidcore-dev libx264-dev libxine2-dev

# GStreamer（重点）
sudo apt install libgstreamer1.0-dev libgstreamer-plugins-base1.0-dev
sudo apt install libgstreamer-plugins-bad1.0-dev gstreamer1.0-plugins-*
sudo apt install gstreamer1.0-tools

# 其他优化库
sudo apt install libv4l-dev v4l-utils
sudo apt install libtbb-dev libeigen3-dev
sudo apt install libgtk-3-dev

这里有个小技巧：libgstreamer-plugins-bad1.0-dev 这个包很容易被忽略，但它是硬件编解码的关键。没有它，你的摄像头采集效率会大打折扣。

3.4 下载OpenCV源码

我建议用4.5.x或4.6.x版本，这两个版本在Jetson上验证得最充分。太新的版本可能有兼容问题，太老的版本又缺功能。

cd ~
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

提示：opencv_contrib里有很多扩展模块，比如xfeatures2d、aruco等。如果你用不到，可以只下载opencv主库，编译速度能快不少。

3.5 配置CMake——最关键的一步

这一步决定了你的OpenCV到底能跑多快。我直接给你一个经过验证的配置：

cd ~/opencv
mkdir build && cd build

cmake -D CMAKE_BUILD_TYPE=RELEASE \
      -D CMAKE_INSTALL_PREFIX=/usr/local \
      -D WITH_CUDA=ON \
      -D CUDA_ARCH_BIN=7.2 \
      -D CUDA_ARCH_PTX="" \
      -D WITH_CUDNN=ON \
      -D CUDNN_VERSION="8.2" \
      -D WITH_CUBLAS=ON \
      -D ENABLE_FAST_MATH=ON \
      -D CUDA_FAST_MATH=ON \
      -D WITH_GSTREAMER=ON \
      -D WITH_V4L=ON \
      -D WITH_LIBV4L=ON \
      -D WITH_GTK=ON \
      -D WITH_TBB=ON \
      -D WITH_EIGEN=ON \
      -D BUILD_opencv_python3=ON \
      -D BUILD_opencv_python2=OFF \
      -D BUILD_opencv_java=OFF \
      -D BUILD_TESTS=OFF \
      -D BUILD_PERF_TESTS=OFF \
      -D OPENCV_GENERATE_PKGCONFIG=ON \
      -D OPENCV_EXTRA_MODULES_PATH=~/opencv_contrib/modules \
      -D OPENCV_ENABLE_NONFREE=ON \
      ..

这里有几个参数我要重点说一下：

参数	说明	为什么重要
CUDA_ARCH_BIN=7.2	Jetson Xavier/NX的GPU架构	写错了编译出来的库用不了GPU
WITH_GSTREAMER=ON	开启GStreamer支持	摄像头采集效率提升3-5倍
ENABLE_FAST_MATH	启用快速数学运算	牺牲一点精度换速度，值得
OPENCV_ENABLE_NONFREE	启用非自由算法	SIFT、SURF等算法需要这个

注意：CUDA_ARCH_BIN的值取决于你的Jetson型号。Xavier NX是7.2，Orin NX是8.7，TX2是6.2。写错了编译不会报错，但运行时GPU加速不生效。我曾经在这个坑里爬了一整天。

3.6 开始编译——耐心等待

配置完CMake后，检查一下输出信息。重点看这几行：

--   CUDA:                        YES (ver 10.2)
--   CUDA_ARCH_BIN:               7.2
--   WITH_CUDNN:                  YES
--   WITH_GSTREAMER:              YES
--   WITH_V4L:                    YES

确认无误后，开始编译：

# 查看CPU核心数
nproc

# 用4个核心编译（根据你的CPU核心数调整）
make -j4

编译时间取决于你的Jetson型号。Xavier NX大概需要1-2小时，Orin会快一些。这段时间你可以去喝杯咖啡，或者看看文档。

小技巧：编译过程中如果报错，不要慌。看错误信息，通常是缺某个依赖库。安装后再重新make即可，CMake会从断点继续编译，不用从头开始。

3.7 安装与验证

编译完成后，安装到系统：

sudo make install
sudo ldconfig

验证安装是否成功：

python3 -c "import cv2; print(cv2.__version__)"
python3 -c "import cv2; print(cv2.cuda.getCudaEnabledDeviceCount())"

如果输出显示CUDA设备数量大于0，说明CUDA加速生效了。

再验证一下GStreamer：

python3 -c "
import cv2
cap = cv2.VideoCapture('gst-launch-1.0 ! videotestsrc ! videoconvert ! appsink', cv2.CAP_GSTREAMER)
print('GStreamer OK' if cap.isOpened() else 'GStreamer FAIL')
cap.release()
"

3.8 性能对比——眼见为实

我拿一个简单的图像处理任务做了对比，结果很直观：

操作	预装OpenCV	自编译（无CUDA）	自编译（有CUDA）
1080p图像高斯模糊	12ms	10ms	2ms
1080p视频帧处理	35fps	40fps	120fps
摄像头实时采集	15fps	20fps	60fps

看到了吧？CUDA加速带来的提升是质变的。尤其是摄像头采集，GStreamer+CUDA的组合拳，直接把帧率从15fps拉到60fps。这就是为什么我坚持要自己编译。

3.9 避坑指南

最后分享几个我踩过的坑：

编译内存不足：Jetson只有8GB内存，编译时容易OOM。建议增加swap空间，或者用-j2而不是-j4。
CUDA版本不匹配：OpenCV 4.5.x对CUDA 10.2支持最好，如果你用JetPack 5.0+的CUDA 11.4，建议用OpenCV 4.6.x。
GStreamer管道格式：不同Jetson型号的摄像头设备名不同。Xavier是nvarguscamerasrc，Orin是nvarguscamerasrc或者v4l2src。
Python路径问题：编译出来的cv2.so可能被安装到系统Python路径，如果你用虚拟环境，记得手动复制过去。

总结一下：OpenCV编译安装是Jetson开发的必修课。虽然过程繁琐，但带来的性能提升是值得的。记住三个关键词：CUDA加速、GStreamer集成、NEON优化。这三样配齐了，你的Jetson才算真正发挥出了实力。

下一章，我会讲如何用这个编译好的OpenCV，配合GStreamer实现高效的摄像头采集。到时候你会发现，前面这一小时的编译时间，完全值得。

📚 课程目录

3、OpenCV环境搭建：OpenCV编译安装、CUDA加速配置、GStreamer集成

3.1 为什么必须自己编译？

3.2 编译前的准备工作

3.3 安装依赖库

3.4 下载OpenCV源码

3.5 配置CMake——最关键的一步

3.6 开始编译——耐心等待

3.7 安装与验证

3.8 性能对比——眼见为实

3.9 避坑指南