1. 环境准备CUDA 11.6与Python 3.7的完美组合在Windows 10上编译OpenPose之前我们需要先搭建好基础环境。这个过程就像盖房子前打地基如果地基不稳后面的一切都是白搭。我花了整整两天时间反复测试终于找到了最稳定的环境组合CUDA 11.6 Python 3.7 Visual Studio 2022。首先检查你的显卡是否支持CUDA 11.6。右键桌面打开NVIDIA控制面板点击帮助→系统信息→组件查看支持的CUDA版本。我的GTX 1660 Ti显示支持最高CUDA 11.7所以11.6完全没问题。如果你的显卡比较老可能需要降级CUDA版本。安装CUDA 11.6时有个小技巧千万不要修改默认安装路径我试过改到D盘结果编译时各种找不到头文件。默认的C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6路径是最安全的。安装完成后在cmd输入nvcc -V看到类似下面的输出就说明成功了nvcc: NVIDIA (R) Cuda compiler version 11.6.124接下来是CUDNN的安装。这里有个坑必须下载与CUDA 11.6匹配的版本。我一开始下了个8.5.0版本结果编译时报错cudnn.h not found。正确的做法是去NVIDIA官网下载cudnn 8.4.2 for CUDA 11.6。下载后把bin、include、lib三个文件夹直接复制到CUDA安装目录下覆盖即可。Python环境我强烈推荐使用Anaconda创建独立环境conda create -n openpose python3.7 conda activate openpose为什么选择Python 3.7而不是更新的版本因为OpenPose对pybind11的兼容性在3.7上最稳定。我试过3.8和3.9都会出现奇怪的动态链接库错误。2. 源码获取与依赖管理避开网络问题的技巧OpenPose的源码获取看似简单实则暗藏玄机。官方仓库在GitHub上但直接克隆可能会遇到网络问题。这里分享几个实测有效的替代方案使用Gitee镜像仓库git clone https://gitee.com/mirrors/openpose.git如果遇到models下载缓慢可以手动下载这些模型文件body_25模型https://posefs1.perception.cs.cmu.edu/OpenPose/models/pose/body_25/pose_iter_584000.caffemodelhand模型https://posefs1.perception.cs.cmu.edu/OpenPose/models/hand/pose_iter_102000.caffemodel下载完成后记得运行getModels.bat脚本它会自动校验文件完整性。我遇到过模型文件损坏导致运行时崩溃的情况非常难排查。第三方依赖库的安装也有讲究。在openpose/3rdparty/windows目录下有几个关键的.bat文件getCaffe.bat获取修改版的Caffe框架getOpenCV.bat获取预编译的OpenCVgetPybind11.bat获取Python绑定工具重要提示这些脚本默认下载速度很慢。我的做法是先让脚本运行几秒获取下载链接然后手动用下载工具加速。特别是pybind11一定要确保下载完整否则会出现pybind11 does not contain a CMakeLists.txt file错误。3. CMake配置实战GPU加速的关键设置一切准备就绪后终于来到最关键的编译环节。我建议在openpose目录下新建两个文件夹build_gpu和build_cpu分别用于GPU和CPU版本的编译。这样当GPU版本出问题时可以快速切换到CPU版本测试。打开CMake GUI设置源码路径和构建路径后点击Configure。这里有几个必须检查的选项GPU_MODE选择CUDAGPU版或CPU_ONLYUSE_CUDNNGPU版必须勾选BUILD_PYTHON勾选以生成Python接口PYTHON_VERSION设置为3.7PYTHON_EXECUTABLE指向你的Python 3.7解释器第一次Configure后可能会报红。别慌这是正常现象。重点检查以下几个路径是否正确CUDA_TOOLKIT_ROOT_DIR应指向CUDA 11.6安装目录CUDNN_INCLUDE应指向cudnn.h所在目录Python相关路径确保都指向Python 3.7环境我遇到过一个典型错误Could NOT find PythonLibs。解决方法是指定PYTHON_LIBRARY的路径通常在Python安装目录的libs文件夹下如C:\Python37\libs\python37.lib。配置完成后点击Generate然后用Visual Studio 2022打开生成的解决方案。关键步骤一定要选择Release模式和x64平台Debug模式不仅慢还容易出各种奇怪问题。4. Python接口生成与测试从.pyd到实际调用编译成功后我们最关心的就是Python接口了。在build_gpu/python/openpose/Release目录下应该能看到一个名为pyopenpose.cp37-win_amd64.pyd的文件。这就是我们千辛万苦要得到的Python扩展模块。为了让Python能正确导入这个模块需要完成以下几个步骤创建一个测试目录比如OpenPoseDemo在该目录下新建bin和models两个子目录将以下文件复制到对应位置# DLL文件 copy build_gpu\x64\Release\openpose.dll OpenPoseDemo\bin\ # 其他依赖文件 copy build_gpu\bin\* OpenPoseDemo\bin\ # Python模块 copy build_gpu\python\openpose\Release\pyopenpose.cp37-win_amd64.pyd OpenPoseDemo\ # 模型文件 copy openpose\models\* OpenPoseDemo\models\测试脚本我推荐从简单开始下面是一个最小化的测试代码import os import cv2 import pyopenpose as op # 设置环境变量 os.environ[PATH] ; os.path.join(os.path.dirname(__file__), bin) # 配置参数 params { model_folder: models/, net_resolution: 368x368 # 根据显存调整 } # 初始化OpenPose opWrapper op.WrapperPython() opWrapper.configure(params) opWrapper.start() # 处理图像 datum op.Datum() image cv2.imread(test.jpg) datum.cvInputData image opWrapper.emplaceAndPop([datum]) # 显示结果 print(检测到的关键点, datum.poseKeypoints) cv2.imshow(OpenPose结果, datum.cvOutputData) cv2.waitKey(0)如果一切正常你应该能看到图像中的人体关键点被准确标记出来。常见问题排查如果报错out of memory降低net_resolution值如256x256如果报错DLL not found检查bin目录是否在系统PATH中如果导入pyopenpose失败检查.pyd文件是否与Python版本匹配5. 性能优化与高级技巧经过基础测试后我们可以进一步优化OpenPose的性能。根据我的实测经验以下几个参数对性能影响最大net_resolution这是最重要的参数。下表展示了不同分辨率下的性能对比分辨率FPS (GTX 1660 Ti)显存占用准确率640x48084.3GB高368x368123.1GB中256x256182.4GB低number_people_max限制同时检测的最大人数对多人场景很有用hand和face检测默认只开启身体检测开启手部和面部检测会显著增加计算量对于实时视频处理我推荐使用以下代码结构import pyopenpose as op import cv2 params { model_folder: models/, net_resolution: 368x368, hand: True, # 开启手部检测 face: False # 关闭面部检测 } opWrapper op.WrapperPython() opWrapper.configure(params) opWrapper.start() cap cv2.VideoCapture(0) # 摄像头 while True: ret, frame cap.read() if not ret: break datum op.Datum() datum.cvInputData frame opWrapper.emplaceAndPop([datum]) cv2.imshow(实时检测, datum.cvOutputData) if cv2.waitKey(1) 27: break高级技巧如果你需要处理大量图像可以考虑使用OpenPose的异步接口。这样可以在处理当前帧的同时读取下一帧显著提高吞吐量。不过异步编程更复杂建议先掌握基础用法再尝试。
Windows 10下OpenPose编译实战：从CUDA 11.6配置到Python 3.7接口调用
1. 环境准备CUDA 11.6与Python 3.7的完美组合在Windows 10上编译OpenPose之前我们需要先搭建好基础环境。这个过程就像盖房子前打地基如果地基不稳后面的一切都是白搭。我花了整整两天时间反复测试终于找到了最稳定的环境组合CUDA 11.6 Python 3.7 Visual Studio 2022。首先检查你的显卡是否支持CUDA 11.6。右键桌面打开NVIDIA控制面板点击帮助→系统信息→组件查看支持的CUDA版本。我的GTX 1660 Ti显示支持最高CUDA 11.7所以11.6完全没问题。如果你的显卡比较老可能需要降级CUDA版本。安装CUDA 11.6时有个小技巧千万不要修改默认安装路径我试过改到D盘结果编译时各种找不到头文件。默认的C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6路径是最安全的。安装完成后在cmd输入nvcc -V看到类似下面的输出就说明成功了nvcc: NVIDIA (R) Cuda compiler version 11.6.124接下来是CUDNN的安装。这里有个坑必须下载与CUDA 11.6匹配的版本。我一开始下了个8.5.0版本结果编译时报错cudnn.h not found。正确的做法是去NVIDIA官网下载cudnn 8.4.2 for CUDA 11.6。下载后把bin、include、lib三个文件夹直接复制到CUDA安装目录下覆盖即可。Python环境我强烈推荐使用Anaconda创建独立环境conda create -n openpose python3.7 conda activate openpose为什么选择Python 3.7而不是更新的版本因为OpenPose对pybind11的兼容性在3.7上最稳定。我试过3.8和3.9都会出现奇怪的动态链接库错误。2. 源码获取与依赖管理避开网络问题的技巧OpenPose的源码获取看似简单实则暗藏玄机。官方仓库在GitHub上但直接克隆可能会遇到网络问题。这里分享几个实测有效的替代方案使用Gitee镜像仓库git clone https://gitee.com/mirrors/openpose.git如果遇到models下载缓慢可以手动下载这些模型文件body_25模型https://posefs1.perception.cs.cmu.edu/OpenPose/models/pose/body_25/pose_iter_584000.caffemodelhand模型https://posefs1.perception.cs.cmu.edu/OpenPose/models/hand/pose_iter_102000.caffemodel下载完成后记得运行getModels.bat脚本它会自动校验文件完整性。我遇到过模型文件损坏导致运行时崩溃的情况非常难排查。第三方依赖库的安装也有讲究。在openpose/3rdparty/windows目录下有几个关键的.bat文件getCaffe.bat获取修改版的Caffe框架getOpenCV.bat获取预编译的OpenCVgetPybind11.bat获取Python绑定工具重要提示这些脚本默认下载速度很慢。我的做法是先让脚本运行几秒获取下载链接然后手动用下载工具加速。特别是pybind11一定要确保下载完整否则会出现pybind11 does not contain a CMakeLists.txt file错误。3. CMake配置实战GPU加速的关键设置一切准备就绪后终于来到最关键的编译环节。我建议在openpose目录下新建两个文件夹build_gpu和build_cpu分别用于GPU和CPU版本的编译。这样当GPU版本出问题时可以快速切换到CPU版本测试。打开CMake GUI设置源码路径和构建路径后点击Configure。这里有几个必须检查的选项GPU_MODE选择CUDAGPU版或CPU_ONLYUSE_CUDNNGPU版必须勾选BUILD_PYTHON勾选以生成Python接口PYTHON_VERSION设置为3.7PYTHON_EXECUTABLE指向你的Python 3.7解释器第一次Configure后可能会报红。别慌这是正常现象。重点检查以下几个路径是否正确CUDA_TOOLKIT_ROOT_DIR应指向CUDA 11.6安装目录CUDNN_INCLUDE应指向cudnn.h所在目录Python相关路径确保都指向Python 3.7环境我遇到过一个典型错误Could NOT find PythonLibs。解决方法是指定PYTHON_LIBRARY的路径通常在Python安装目录的libs文件夹下如C:\Python37\libs\python37.lib。配置完成后点击Generate然后用Visual Studio 2022打开生成的解决方案。关键步骤一定要选择Release模式和x64平台Debug模式不仅慢还容易出各种奇怪问题。4. Python接口生成与测试从.pyd到实际调用编译成功后我们最关心的就是Python接口了。在build_gpu/python/openpose/Release目录下应该能看到一个名为pyopenpose.cp37-win_amd64.pyd的文件。这就是我们千辛万苦要得到的Python扩展模块。为了让Python能正确导入这个模块需要完成以下几个步骤创建一个测试目录比如OpenPoseDemo在该目录下新建bin和models两个子目录将以下文件复制到对应位置# DLL文件 copy build_gpu\x64\Release\openpose.dll OpenPoseDemo\bin\ # 其他依赖文件 copy build_gpu\bin\* OpenPoseDemo\bin\ # Python模块 copy build_gpu\python\openpose\Release\pyopenpose.cp37-win_amd64.pyd OpenPoseDemo\ # 模型文件 copy openpose\models\* OpenPoseDemo\models\测试脚本我推荐从简单开始下面是一个最小化的测试代码import os import cv2 import pyopenpose as op # 设置环境变量 os.environ[PATH] ; os.path.join(os.path.dirname(__file__), bin) # 配置参数 params { model_folder: models/, net_resolution: 368x368 # 根据显存调整 } # 初始化OpenPose opWrapper op.WrapperPython() opWrapper.configure(params) opWrapper.start() # 处理图像 datum op.Datum() image cv2.imread(test.jpg) datum.cvInputData image opWrapper.emplaceAndPop([datum]) # 显示结果 print(检测到的关键点, datum.poseKeypoints) cv2.imshow(OpenPose结果, datum.cvOutputData) cv2.waitKey(0)如果一切正常你应该能看到图像中的人体关键点被准确标记出来。常见问题排查如果报错out of memory降低net_resolution值如256x256如果报错DLL not found检查bin目录是否在系统PATH中如果导入pyopenpose失败检查.pyd文件是否与Python版本匹配5. 性能优化与高级技巧经过基础测试后我们可以进一步优化OpenPose的性能。根据我的实测经验以下几个参数对性能影响最大net_resolution这是最重要的参数。下表展示了不同分辨率下的性能对比分辨率FPS (GTX 1660 Ti)显存占用准确率640x48084.3GB高368x368123.1GB中256x256182.4GB低number_people_max限制同时检测的最大人数对多人场景很有用hand和face检测默认只开启身体检测开启手部和面部检测会显著增加计算量对于实时视频处理我推荐使用以下代码结构import pyopenpose as op import cv2 params { model_folder: models/, net_resolution: 368x368, hand: True, # 开启手部检测 face: False # 关闭面部检测 } opWrapper op.WrapperPython() opWrapper.configure(params) opWrapper.start() cap cv2.VideoCapture(0) # 摄像头 while True: ret, frame cap.read() if not ret: break datum op.Datum() datum.cvInputData frame opWrapper.emplaceAndPop([datum]) cv2.imshow(实时检测, datum.cvOutputData) if cv2.waitKey(1) 27: break高级技巧如果你需要处理大量图像可以考虑使用OpenPose的异步接口。这样可以在处理当前帧的同时读取下一帧显著提高吞吐量。不过异步编程更复杂建议先掌握基础用法再尝试。
