已装VS2019/CUDA10.1/TF2.1.0，求Win10下dlib人脸识别GPU运行指南

嗨，我明白你现在的困扰——明明装了CUDA和VS，dlib却还是死守着CPU跑。别着急，咱们一步步把环境捋顺，让你的GTX1050彻底发挥作用。

第一步：先把基础环境的坑填上 #

GPU加速的前提是CUDA、cuDNN和VS的配置完全到位，先把这些检查清楚：

• 确认CUDA 10.1的环境变量
  右键「此电脑」→「属性」→「高级系统设置」→「环境变量」，确保系统变量里有这几项：

  • CUDA_PATH：指向你的CUDA 10.1安装目录（比如C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1）
  • CUDA_PATH_V10_1：和上面路径完全一致
  • 还要把%CUDA_PATH%\bin和%CUDA_PATH%\libnvvp加到Path系统变量里

• 安装对应版本的cuDNN
  CUDA 10.1必须搭配cuDNN 7.6.5（官方适配的稳定版本，别乱选其他版本）。下载后解压，把里面的bin、include、lib三个文件夹里的内容，分别复制到CUDA 10.1的对应目录：

  • cudnn\bin → C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin
  • cudnn\include → C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include
  • cudnn\lib\x64 → C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\lib\x64

• 检查VS2019的C++组件
  打开VS2019的「安装程序」→「修改」，确保勾选了「使用C的桌面开发」，尤其是里面的「MSVC v142 - VS 2019 C x64/x86生成工具」和「Windows 10 SDK」（选和你系统匹配的版本，比如1903或更高）。

第二步：用Anaconda隔离出干净的运行环境 #

避免不同库版本冲突，咱们单独建个环境：

1. 打开Anaconda Prompt，创建新环境（比如叫dlib-gpu）：

   conda create -n dlib-gpu python=3.7
   

   （TensorFlow2.1.0适配Python3.6-3.8，选3.7和CUDA10.1兼容性最好）

2. 激活环境：

   conda activate dlib-gpu
   

3. 先装GPU版TensorFlow验证基础GPU环境：

   pip install tensorflow-gpu==2.1.0
   

   安装完跑一行代码验证：

   import tensorflow as tf
   print(tf.test.is_gpu_available())
   

   如果输出True，说明TensorFlow的GPU配置没问题，接下来搞dlib就稳了。

第三步：从源码编译带CUDA支持的dlib #

默认pip装的dlib大多不带GPU支持，必须手动编译：

1. 先装编译依赖：

   conda install cmake
   pip install numpy
   

2. 获取dlib源码（推荐v19.21版本，适配CUDA10.1）：
   直接下载GitHub上的压缩包解压到本地（比如D:\dlib-19.21），或者用git克隆：

   git clone https://github.com/davisking/dlib.git
   cd dlib
   git checkout v19.21
   

3. 编译并安装：
   在Anaconda Prompt里进入dlib根目录，运行：

   python setup.py install --yes USE_CUDA --yes DLIB_USE_CUDA
   

   这个命令会强制启用CUDA支持，编译过程可能要几分钟，别中断。如果提示找不到CUDA，就手动指定路径：

   python setup.py install --yes USE_CUDA --yes DLIB_USE_CUDA --cuda_path "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1"
   

第四步：验证dlib是否真的启用了GPU #

切换到Spyder的dlib-gpu环境，运行这段代码：

import dlib
print(dlib.DLIB_USE_CUDA)

如果输出True，恭喜你，dlib已经成功绑定GPU了！

第五步：测试GPU版人脸识别 #

用dlib的预训练模型跑个测试，看看GPU能不能干活：

import dlib
import cv2

# 加载人脸检测器和关键点预测器
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

# 读取测试图片
img = cv2.imread("test_face.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 检测人脸（这里会调用GPU）
faces = detector(gray, 1)

# 绘制关键点
for face in faces:
    landmarks = predictor(gray, face)
    for n in range(0, 68):
        x = landmarks.part(n).x
        y = landmarks.part(n).y
        cv2.circle(img, (x, y), 2, (0, 255, 0), -1)

cv2.imshow("Face Landmarks", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

打开任务管理器看「性能」标签，如果GPU使用率明显上升，就说明你的GTX1050已经在全力工作了！

常见小问题排查 #

• 编译dlib时提示MSVC版本不对：确保VS2019的MSVC v142组件已装，并且Anaconda Prompt是管理员身份运行的。
• dlib.DLIB_USE_CUDA输出False：检查编译时有没有加--yes USE_CUDA --yes DLIB_USE_CUDA参数，或者CUDA路径是不是写错了。
• 运行时GPU没占用：单张小图片可能体现不出GPU优势，试试批量处理图片或者视频流，就能看到GPU使用率上去了。

内容的提问来源于stack exchange，提问作者anwar