# GPU使用指南

***Copyright © Quectel Wireless Solutions Co., Ltd. 2026. All rights reserved.***

---

GPU(图形处理器) 是设备里的一块专用芯片,专门负责"画图"和"计算图像"。如果把手机比作一台电脑:

CPU 负责"思考"——处理逻辑、运行程序，GPU 负责"画画"——把所有内容渲染成屏幕上显示的图像

没有 GPU,设备的屏幕就无法显示界面,游戏、视频、动画都无法运行。GPU 的性能直接影响设备的流畅度和功耗。

| **用途** | **说明** |
| --- | --- |
| **系统界面** | 开机动画、桌面、应用切换、下拉菜单等所有界面渲染 |
| **游戏娱乐** | 3D 游戏、动画效果、AR 应用等图形渲染 |
| **视频播放** | 视频色彩处理、画面增强、HDR 效果 |
| **相机拍照** | 取景画面、滤镜效果、图像美化 |
| **通用计算** | 协助 CPU 做并行计算,如人脸识别、AI 应用加速 |

# GPU配置

<table>
  <tr>
    <th><div style="text-align: center"><br><strong>类别</strong><br></div></th>
    <th><div style="text-align: center"><br><strong>M1说 明</strong><br></div></th>
    <th><div style="text-align: center"><br><strong>L1说明</strong><br></div></th>
  </tr>
  <tr>
    <td>应用处理器</td>
    <td><strong>八核64位ARM Kryo™ 260处理器：</strong>  <br><strong>4 × A73 @ 2.0 GHz， 1 MB二级缓存</strong>  <br><strong>4 × A53 @ 1.8 GHz，512 KB二级缓存</strong></td>
    <td><strong>ARM 四核 64 位处理器：</strong>  <br><strong>4 x A53 @ 2.0 GHz，512 KB 二级缓存</strong></td>
  </tr>
  <tr>
    <td><strong>GPU</strong></td>
    <td><strong>64位Adreno™ 610 @ 1050 MHZ</strong></td>
    <td><strong>64 位 Adreno™ 702 @ 845 MHz</strong></td>
  </tr>
  <tr>
    <td rowspan="2">显示接口</td>
    <td><strong>1 × Micro HDMI接口，HDMI 1.4 (帧率\<em>)，编码：1080P（H.264/H.265）@ 60 fps\</em>)，解码：1080P (H.264/H.265/VP9) @ 60 fps\*)</strong></td>
    <td><strong>1 × Micro HDMI接口，HDMI 1.4 (帧率\<em>)，编码：1080P（H.264/H.265）@ 60 fps\</em>)，解码：1080P (H.264/H.265/VP9) @ 60 fps\*)</strong></td>
  </tr>
  <tr>
    <td><strong>1 × FPC座，基于MIPI标准的FHD+（1080 × 2520）@ 60 fps\</strong>*</td>
    <td><strong>1 × FPC座，基于MIPI标准的 HD+（1680 × 720）@ 60 fps\</strong>*</td>
  </tr>
</table>

# GPU使用

## **Android** 播放4K高清视频

```{image} images/image_PdV8bsFMwopQdNxOf6ic4cUXnEh.webp
:width: 1920px
:height: 1080px
:align: center
```

## **Debian OpenCV GPU 加速开发与验证**

### 准备工作

#### 开发环境

-  PC：Windows 

-  开发板：Quectel Pi M1 

-  系统：Debian GNU/Linux 13 

#### 开发工具

- **VS Code**：用于编写和修改 Benchmark 源码。 

- **ADB（Android Debug Bridge）**：用于连接开发板、执行 Linux 命令、编译及运行程序。

注：除源码编写外，本文涉及的所有 Linux 命令（软件安装、环境验证、程序编译、程序运行等）均在 **ADB Shell** 中执行。

#### 连接开发板

在PC端ADB文件夹下的地址输入栏输入CMD打开命令行，执行：

```plaintext
adb devices
```

确认开发板已连接，例如：

```plaintext
List of devices attached
xxxxxxxx    device
```

进入开发板：

```plaintext
adb shell
```

### 测试目的

安装 Debian 官方 OpenCV 4.10.0，验证 Debian是否能够通过镜像自带的Qualcomm OpenCL Runtime调用 Adreno GPU，实现OpenCL GPU加速。

### 测试环境

| <div style="text-align: center"><br><strong>项目</strong><br></div> | <div style="text-align: center"><br><strong>内容</strong><br></div> |
| --- | --- |
| 开发板 | Quectel Pi M1（QSM200U） |
| 系统 | Debian GNU/Linux 13 |
| Debian OpenCV | 4.10.0 |
| GPU | Qualcomm Adreno 610 |
| OpenCL Runtime | Qualcomm OpenCL Runtime |

### 安装Debian官方软件源OpenCV

```plaintext
apt update
apt install g++ pkg-config libopencv-dev python3-opencv
```

安装完成后验证：

```plaintext
opencv_version
pkg-config --modversion opencv4
dpkg -l | grep opencv
```

验证结果：

- opencv_version：4.10.0

- pkg-config：4.10.0

- dpkg：Debian OpenCV 4.10.0

### 验证 OpenCL Runtime

确认系统 OpenCL 库：

```plaintext
find /usr/lib -name "libOpenCL*"
```

确认存在：

```plaintext
libOpenCL.so
libOpenCL.so.1
libOpenCL.so.1.2
libOpenCL_adreno.so
```

### 编写 Benchmark 程序

在 VS Code 中创建opencv_gpu_benchmark.cpp文件

```plaintext
#include <opencv2/core.hpp>
#include <opencv2/core/ocl.hpp>
#include <iostream>
#include <string>

static double run_cpu(const cv::Mat &src, int loops, cv::Mat &result)
{
    cv::ocl::setUseOpenCL(false);

    cv::Mat current = src.clone();
    cv::Mat next;

    for (int i = 0; i < 5; ++i) {
        cv::multiply(current, 1.000001, next);
        current = next;
    }

    current = src.clone();

    const int64 start = cv::getTickCount();

    for (int i = 0; i < loops; ++i) {
        cv::multiply(current, 1.000001, next);
        current = next;
    }

    const int64 end = cv::getTickCount();

    result = current.clone();

    return (end - start) * 1000.0 / cv::getTickFrequency();
}

static double run_gpu(const cv::Mat &src, int loops, cv::Mat &result)
{
    cv::ocl::setUseOpenCL(true);

    if (!cv::ocl::useOpenCL()) {
        std::cerr << "OpenCL could not be enabled." << std::endl;
        return -1.0;
    }

    cv::UMat current;
    cv::UMat next;

    src.copyTo(current);

    for (int i = 0; i < 5; ++i) {
        cv::multiply(current, 1.000001, next);
        current = next;
    }

    src.copyTo(current);
    cv::ocl::finish();

    const int64 start = cv::getTickCount();

    for (int i = 0; i < loops; ++i) {
        cv::multiply(current, 1.000001, next);
        current = next;
    }

    cv::ocl::finish();

    const int64 end = cv::getTickCount();

    current.copyTo(result);

    return (end - start) * 1000.0 / cv::getTickFrequency();
}

int main(int argc, char **argv)
{
    if (argc != 2) {
        std::cout << "Usage: " << argv[0] << " cpu|gpu|both" << std::endl;
        return 1;
    }

    const std::string mode = argv[1];
    const int loops = 500;

    cv::Mat src(2160, 3840, CV_32FC1);
    cv::randu(src, 0.0f, 1.0f);

    std::cout << "OpenCV version: " << CV_VERSION << std::endl;
    std::cout << "haveOpenCL: " << cv::ocl::haveOpenCL() << std::endl;
    std::cout << "Image size: 3840x2160, CV_32FC1" << std::endl;
    std::cout << "Loops: " << loops << std::endl;

    if (mode == "cpu") {
        cv::Mat cpu_result;
        const double cpu_ms = run_cpu(src, loops, cpu_result);

        std::cout << "Mode: CPU" << std::endl;
        std::cout << "CPU total time: " << cpu_ms << " ms" << std::endl;
        std::cout << "CPU average time: "
                  << cpu_ms / loops << " ms" << std::endl;
    }
    else if (mode == "gpu") {
        cv::ocl::Context context;

        if (!context.create(cv::ocl::Device::TYPE_GPU)) {
            std::cerr << "Failed to create GPU context." << std::endl;
            return 1;
        }

        cv::ocl::Device device = context.device(0);

        std::cout << "Mode: GPU" << std::endl;
        std::cout << "Device name: " << device.name() << std::endl;
        std::cout << "Vendor: " << device.vendorName() << std::endl;
        std::cout << "OpenCL version: " << device.version() << std::endl;

        cv::Mat gpu_result;
        const double gpu_ms = run_gpu(src, loops, gpu_result);

        if (gpu_ms < 0.0) {
            return 1;
        }

        std::cout << "GPU total time: " << gpu_ms << " ms" << std::endl;
        std::cout << "GPU average time: "
                  << gpu_ms / loops << " ms" << std::endl;
    }
    else if (mode == "both") {
        cv::Mat cpu_result;
        cv::Mat gpu_result;

        const double cpu_ms = run_cpu(src, loops, cpu_result);
        const double gpu_ms = run_gpu(src, loops, gpu_result);

        if (gpu_ms < 0.0) {
            return 1;
        }

        const double max_difference =
            cv::norm(cpu_result, gpu_result, cv::NORM_INF);

        std::cout << "Mode: BOTH" << std::endl;
        std::cout << "CPU average time: "
                  << cpu_ms / loops << " ms" << std::endl;
        std::cout << "GPU average time: "
                  << gpu_ms / loops << " ms" << std::endl;
        std::cout << "Speedup: "
                  << cpu_ms / gpu_ms << "x" << std::endl;
        std::cout << "Maximum result difference: "
                  << max_difference << std::endl;

        if (max_difference < 0.01) {
            std::cout << "Result check: PASS" << std::endl;
        } else {
            std::cout << "Result check: FAIL" << std::endl;
            return 1;
        }
    }
    else {
        std::cerr << "Invalid mode. Use cpu, gpu or both." << std::endl;
        return 1;
    }

    return 0;
}
```

程序主要完成以下功能：

- 创建测试图像

- CPU 执行 **cv::multiply()**

- GPU（UMat）执行 **cv::multiply()**

- 分别统计 CPU、GPU 平均耗时

- 校验 CPU 与 GPU 运算结果

- 输出 GPU 加速比（Speedup）

### 编译 Benchmark

把vscode中的opencv_gpu_benchmark.cpp文件保存到adb文件夹下然后推送到板子：

```bash
adb push opencv_gpu_benchmark.cpp /data/local/tmp/
```

进入源码目录：

```bash
cd /data/local/tmp
```

编译：

```bash
g++ -O2 opencv_gpu_benchmark.cpp -o opencv_gpu_benchmark $(pkg-config --cflags --libs opencv4)
```

生成可执行文件：

```plaintext
opencv_gpu_benchmark
```

### 运行 Benchmark

```plaintext
export LD_LIBRARY_PATH=/opt/qcom/lib:$LD_LIBRARY_PATH 
```

```plaintext
./opencv_gpu_benchmark both
```

运行结果：

```plaintext
OpenCV version: 4.10.0
haveOpenCL: 1
CPU average time: 28.9083 ms
GPU average time: 0.0474746 ms
Speedup: 608.92x
Maximum result difference: 0.000506639
Result check: PASS
```

OpenCV Benchmark 能够正常调用 GPU，测试结果 PASS

### 测试说明

本次测试中，Debian官方OpenCV GPU Benchmark测得GPU加速比约 **608.92×，** 需要说明的是，该测试程序仅使用OpenCV的 **cv::multiply()** 单一算子进行性能验证，属于OpenCL基础功能验证，其计算量较小，GPU计算耗时接近测试计时精度，因此得到的加速比明显偏高。 因此，本次Benchmark结果主要用于验证OpenCV能够成功调用GPU完成OpenCL计算，不建议将 **608.92×** 作为GPU综合性能指标。

## 常见问题

### 设备界面卡顿、掉帧?

- 先确认是否后台运行了过多应用,关闭不用的程序

- 若设备发热严重,等待降温后频率会自动恢复

### 屏幕花屏、显示异常?

- 检查 HDMI 线/屏幕连接是否牢固

- 确认屏幕或显示器的分辨率、刷新率设置是否正确

- 更换线材或显示器测试,排除硬件问题

- 若为新接入的 LCD 屏,需确认屏幕规格与设备支持的分辨率匹配

### 运行大型游戏或 3D 应用崩溃?

- 该设备 GPU 为入门级,超高负载应用可能出现性能不足

- 尝试降低游戏画质/分辨率设置

- 保持设备散热良好(避免覆盖、遮挡)

### GPU 发热、耗电快?

- 高负载运行时发热属正常现象,系统会自动降频保护

- 检查是否有应用持续占用 GPU(如后台视频、动画)