### 安装 GPU 加速版 OpenCV-Python #### 创建 Conda 虚拟环境 创建一个新的 Conda 虚拟环境，指定 Python 版本为 3.8： ```bash conda create -n jetson_opencv python=3.8 ``` 激活新创建的虚拟环境： ```bash conda activate jetson_opencv ``` #### 安装 CUDA 和 cuDNN 确保已安装适用于 Jetson Orin Nano 的 CUDA 工具包和 cuDNN 库。这通常通过 NVIDIA 提供的 SDK Manager 或者官方文档中的指导来完成。 #### 编译带有 CUDA 支持的 OpenCV 由于预构建二进制文件可能不完全适配特定硬件平台上的所有功能需求，在某些情况下手动编译可能是必要的。以下是基于 CMake 进行源码编译的方法[^1]。 下载 OpenCV 源代码并解压到本地目录；进入该目录后执行如下命令配置编译选项以启用 CUDA 功能： ```bash mkdir build && cd build cmake .. \ -D CMAKE_BUILD_TYPE=RELEASE \ -D CMAKE_INSTALL_PREFIX=/usr/local \ -D WITH_CUDA=ON \ -D ENABLE_FAST_MATH=ON \ -D CUDA_ARCH_PTX="" \ -D CUDA_ARCH_BIN="7.2,8.9" \ # 根据Orin Nano的具体架构调整此参数 -D OPENCV_EXTRA_MODULES_PATH=../../opencv_contrib/modules \ -D BUILD_EXAMPLES=OFF \ -D INSTALL_PYTHON_EXAMPLES=OFF \ -D BUILD_TESTS=OFF \ -D BUILD_PERF_TESTS=OFF ``` 上述命令中 `-D CUDA_ARCH_BIN` 参数应根据实际设备的支持情况设置合适的值。对于 Jetson Orin Nano 设备而言，其采用 Ampere 架构，因此这里设定了 `7.2,8.9` 来覆盖不同计算能力等级。 接着开始编译过程： ```bash make -j$(nproc) sudo make install ``` 等待编译完成后，可以验证安装是否成功以及确认所使用的版本号： ```bash pkg-config --libs opencv4 pkg-config --modversion opencv4 ``` 如果一切正常，则说明已经成功在 Jetson Orin Nano 上面配置好了具有 GPU 加速特性的 OpenCV-Python 环境[^2]。