3.3 性能评估与改进技巧
目标
在图像处理中,由于您每秒需要进行大量的操作,所以您的代码不仅要提供正确的解决方案,还要以最快的方式进行处理。
所以在这一章中,你将学习
- 测量你的代码的性能。
- 一些提高你的代码性能的提示。
- 你会学到这些函数:
cv2.getTickCount
,cv2.getTickFrequency
等。
除了OpenCV本身之外,Python还提供了一个有助于测量执行时间的模块time
。另一个模块profile
有助于获得有关代码的详细报告,例如代码中每个函数占用了多少时间,函数被调用了多少次等。但是,如果使用IPython,则所有这些功能都以用户友好的方式集成起来了。我们会看到其中一些重要的功能,有关更多详细信息,请查看附加资源部分中的链接。
用OpenCV测量性能
cv2.getTickCount
函数返回一个参考事件(就像机器开启的瞬间)到此函数被调用之间的时钟周期数。所以如果你在一个函数执行之前和之后调用它,你会得到用来执行一个函数的时钟周期数。
cv2.getTickFrequency
函数返回时钟周期的频率或每秒钟的时钟周期数。所以要以秒数为单位测量执行的时间,你可以这样做:
e1 = cv2.getTickCount()
# 你的代码
e2 = cv2.getTickCount()
time = (e2 - e1)/ cv2.getTickFrequency()
我们将用下面的例子来演示。下面的例子运行内核大小为从5到49的奇数的中值滤波(不用担心这做的到底都是些啥,这不是我们这一章关注的内容):
img1 = cv2.imread('messi5.jpg')
e1 = cv2.getTickCount()
for i in xrange(5,49,2):
img1 = cv2.medianBlur(img1,i)
e2 = cv2.getTickCount()
t = (e2 - e1)/cv2.getTickFrequency()
print(t)
# 我得到的结果是0.521107655秒
你可以使用time
模块进行相同的操作。使用time.time()
函数而不是cv2.getTickCount
。然后取两次时间的差值。
OpenCV中的默认优化
许多OpenCV函数默认都使用SSE2,AVX等进行了优化。但OpenCV源码中还包含这些函数的未优化版本。
所以如果我们的系统支持这些功能,我们应该利用它们(几乎所有的现代处理器都支持它们)。编译时默认启用这些功能。如果它被启用,OpenCV会运行优化过的代码,否则它会运行未优化的代码。您可以使用cv2.useOptimized()
来检查它是否被启用/禁用,并使用cv2.setUseOptimized()
来启用/禁用它。我们来看一个简单的例子。
In [5]: cv2.useOptimized()
Out[5]: True
In [6]: %timeit res = cv2.medianBlur(img,49)
10 loops, best of 3: 34.9 ms per loop
# 禁用它
In [7]: cv2.setUseOptimized(False)
In [8]: cv2.useOptimized()
Out[8]: False
In [9]: %timeit res = cv2.medianBlur(img,49)
10 loops, best of 3: 64.1 ms per loop
看,优化的中值滤波比未优化的版本大约快两倍。如果你看看源代码,你可以看到中值滤波是SIMD优化的。所以你可以在代码顶部启用它的优化(记住它是默认启用的)。
使用IPython测量性能
有时您可能需要比较两个类似操作的性能。 IPython给你一个魔术命令%timeit
来执行此操作。它多次运行代码以获得更准确的结果。
这个魔术命令适合于测量单行代码。
例如,你是否知道下面哪个加法操作更好
x = 5; y = x**2
x = 5; y = x*x
x = np.uint8([5]); y = x*x
x = np.uint8([5]); y = np.square(x)
我们会在IPython shell中用%timeit
找到答案。
In [10]: x = 5
In [11]: %timeit y=x**2
10000000 loops, best of 3: 73 ns per loop
In [12]: %timeit y=x*x
10000000 loops, best of 3: 58.3 ns per loop
In [15]: z = np.uint8([5])
In [17]: %timeit y=z*z
1000000 loops, best of 3: 1.25 us per loop
In [19]: %timeit y=np.square(z)
1000000 loops, best of 3: 1.16 us per loop
你可以看到,
x = 5; y = x * x
是最快的,比Numpy快20倍左右。如果你考虑创建数组的时间,这个数值可能会达到100倍。很酷,对吧? (Numpy开发者正在研究这个问题)
Python标量操作比Numpy标量操作更快。所以对于包含一个或两个元素的操作,Python标量比Numpy数组要好。当数组的大小稍微大点时,Numpy会占据优势。
我们将再尝试一个例子。这一次,我们将比较同一图像的cv2.countNonZero()
和np.count_nonzero()
的性能。
In [35]: %timeit z = cv2.countNonZero(img)
100000 loops, best of 3: 15.8 us per loop
In [36]: %timeit z = np.count_nonzero(img)
看,OpenCV函数比Numpy函数快近25倍。
通常,OpenCV函数比Numpy函数更快。所以对于相同的操作,OpenCV函数应当是首选。但是,可能会有例外,尤其是当Numpy使用视图而不是副本时。
更多的IPython魔术命令
有几个其他的魔术命令来测量性能,逐行分析,测量内存用量等,他们都有完善的文档。所以这里只提供那些文档的链接(在更多资源中)。有兴趣的读者可以尝试一下。
性能优化技术
有几种技术和编码方法来利用Python和Numpy的最大性能。
这里只给出了优化技术的提纲,并给出其来源的链接。要注意的很重要的一点就是,应当首先尝试以简单的方式实现算法。一旦它工作正常,分析它,找到性能瓶颈并优化它们。
- 尽可能避免在Python中使用循环,特别是双/三重循环等。它们注定很慢。
- 尽量矢量化算法/代码,因为Numpy和OpenCV针对矢量操作进行了优化。
- 利用缓存一致性。
- 除非必要,否则不要复制数组。尝试使用Numpy视图。数组的复制是一个代价高昂的操作。
在完成所有这些操作之后,如果代码仍然很慢,或者使用循环是不可避免的,那么可以使用像Cython这样的库来加快运行速度。
更多资源
- Python优化技术
- Scipy Lecture Notes - Advanced Numpy
- IPython中的计时和性能分析