性能测量和改进技术

优质

小牛编辑

140浏览

2023-12-01

一、目标

在图像处理中，由于您每秒处理大量操作，因此您的代码必须不仅提供正确的解决方案，而且还要以最快的方式提供。所以在本章中，您将学习

衡量代码的性能。
一些提高代码性能的技巧。
您将看到以下函数：cv2.getTickCount，cv2.getTickFrequency等。

除了OpenCV之外，Python还提供了一个time模块，有助于测量执行时间。另一个profile模块有助于获得有关代码的详细报告，例如代码中每个函数花费的时间，调用函数的次数等。但是，如果您使用的是IPython，所有这些功能都集成在一个用户友好的方式。我们将看到一些重要的内容，有关详细信息，请查看Additional Resouces部分中的链接。

二、使用OpenCV测量性能

cv2.getTickCount函数返回参考事件（如机器开启时刻）到调用此函数的时钟周期数。因此，如果在函数执行之前和之后调用它，则会获得用于执行函数的时钟周期数。

cv2.getTickFrequency函数返回时钟周期的频率或每秒的时钟周期数。因此，要在几秒钟内找到执行时间，您可以执行以下操作：

e1 = cv2.getTickCount()
# your code execution
e2 = cv2.getTickCount()
time = (e2 - e1)/ cv2.getTickFrequency()

我们将通过以下示例演示。下面的例子使用奇数大小从5到49的内核应用中值过滤。（不要担心结果会是什么样的，这不是我们的目标）：

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

# Result I got is 0.521107655 seconds

如果使用python3，可以使用：

import cv2

img1 = cv2.imread('images/p1.png')

e1 = cv2.getTickCount()
for i in range(5,49,2):
    img1 = cv2.medianBlur(img1,i)
e2 = cv2.getTickCount()
t = (e2 - e1)/cv2.getTickFrequency()
print(t)

# 获得0.599947172

注意
您可以对time模块执行相同操作。而不是cv2.getTickCount，使用time.time()功能。然后取两次的差异。

三、OpenCV中的默认优化

许多OpenCV功能都使用SSE2，AVX等进行了优化。它还包含未经优化的代码。因此，如果我们的系统支持这些功能，我们应该利用它们（几乎所有现代处理器都支持它们）。编译时默认启用它。因此，OpenCV默认运行优化代码（如果已启用），否则运行未优化代码。您可以使用cv2.useOptimized()来检查它是否已启用/禁用，并使用cv2.setUseOptimized()来启用/禁用它。让我们看一个简单的例子。

# check if optimization is enabled
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

# Disable it
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，优化中值滤波比未优化版本快约2倍。如果检查其来源，您可以看到中值过滤是SIMD优化的。因此，您可以使用它来在代码顶部启用优化（请记住它默认启用）。

四、在IPython中测量性能

有时您可能需要比较两个类似操作的性能。IPython为您提供了%timeit执行此操作的神奇命令。它运行代码几次以获得更准确的结果。它们再次适用于测量单行代码。

例如，你知道以下哪些加法运算更好x = 5; y = x**2, x = 5; y = x*x, x = np.uint8([5]); y = x*x 或 y = np.square(x)?我们将在IPython shell中找到％timeit。

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它是最快的，与Numpy相比快了大约20倍。如果您也考虑创建阵列，它可能会快达100倍。很酷，对吗？（Numpy开发人员正在研究这个问题）

注意
Python标量操作比Numpy标量操作更快。因此对于包含一个或两个元素的操作，Python标量优于Numpy数组。当阵列的大小稍大时，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)
1000 loops, best of 3: 370 us per loop

看，OpenCV功能比Numpy功能快近25倍。

注意
通常，OpenCV函数比Numpy函数更快。因此，对于相同的操作，OpenCV功能是首选。但是，可能有例外，尤其是当Numpy使用视图而不是副本时。

五、更多IPython魔术命令

还有其他几个神奇的命令来衡量性能，分析，线性分析，内存测量等。它们都有很好的文档记录。因此，此处仅提供指向这些文档的链接。建议有兴趣的读者试一试。

六、性能优化技术

有几种技术和编码方法可以利用Python和Numpy的最大性能。此处仅注明相关的内容，并提供重要来源的链接。这里要注意的主要是，首先尝试以简单的方式实现算法。一旦工作，对其进行分析，找出瓶颈并对其进行优化。

1、尽量避免在Python中使用循环，尤其是double/triple循环等。它们本身就很慢。
2、将算法/代码矢量化到最大可能范围，因为Numpy和OpenCV针对向量运算进行了优化。
3、利用缓存一致性。
4、除非需要，否则永远不要复制数组。尝试使用视图。阵列复制是一项耗费性能的操作。即使在完成所有这些操作之后，如果您的代码仍然很慢，或者使用大型循环是不可避免的，请使用其他库（如Cython）来加快速度。