性能测量和提升技巧

目标

在图像处理中，由于每秒要处理大量的操作，因此代码不仅要提供正确的解决方案，而且必须以最快的速度提供。所以在本章中，你将学习：

• 如何测量代码的性能。
• 一些提高代码性能的技巧。
• 你将看到这些函数：cv.getTickCount，cv.getTickFrequency 等。

除了 OpenCV，Python 还提供了一个time模块，它有助于测量执行时间。另一个模块profile有助于获取代码的详细报告，例如每个函数的执行时间、函数调用的次数等。但是，如果你使用的是 IPython，所有这些功能都以用户友好的方式集成在一起。我们将看到一些重要的功能，更多细节请查看附加资源部分的链接。

使用 OpenCV 测量性能

cv.getTickCount 函数返回从参考事件（例如机器启动的时刻）到调用此函数的时刻的时钟周期数。因此，如果在函数执行之前和之后调用它，就可以得到执行函数所使用的时钟周期数。

cv.getTickFrequency 函数返回时钟周期的频率，或每秒的时钟周期数。因此，要查找以秒为单位的执行时间，可以执行以下操作：

e1 = cv.getTickCount()
# 代码执行
e2 = cv.getTickCount()
time = (e2 - e1)/ cv.getTickFrequency()

我们将用下面的例子来演示。下面的例子使用大小从 5 到 49 的奇数内核应用中值滤波。（不用担心结果是什么样的——这不是我们的目标）

img1 = cv.imread('messi5.jpg')
assert img1 is not None, "文件无法读取，请使用 os.path.exists() 检查"
 
e1 = cv.getTickCount()
for i in range(5,49,2):
img1 = cv.medianBlur(img1,i)
e2 = cv.getTickCount()
t = (e2 - e1)/cv.getTickFrequency()
print( t )
 
# 我得到的结果是 0.521107655 秒

注意

你可以使用 time 模块做同样的事情。可以使用 time.time() 函数代替 cv.getTickCount。然后取两个时间的差值。

OpenCV 中的默认优化

许多 OpenCV 函数都使用 SSE2、AVX 等进行了优化。它也包含未优化的代码。因此，如果我们的系统支持这些特性，我们应该利用它们（几乎所有现代处理器都支持它们）。在编译时默认启用它。因此，如果启用了 OpenCV，则运行优化的代码；否则，运行未优化的代码。可以使用cv.useOptimized() 来检查它是否已启用/禁用，并使用cv.setUseOptimized() 来启用/禁用它。让我们看一个简单的例子。

# 检查是否启用了优化
In [5]: cv.useOptimized()
Out[5]: True
 
In [6]: %timeit res = cv.medianBlur(img,49)
10 loops, best of 3: 34.9 ms per loop
 
# 禁用它
In [7]: cv.setUseOptimized(False)
 
In [8]: cv.useOptimized()
Out[8]: False
 
In [9]: %timeit res = cv.medianBlur(img,49)
10 loops, best of 3: 64.1 ms per loop

正如你所看到的，优化的中值滤波比未优化的版本快 2 倍。如果你检查它的源代码，你会发现中值滤波是 SIMD 优化的。因此，你可以在代码的顶部使用它来启用优化（记住它默认是启用的）。

在 IPython 中测量性能

有时你可能需要比较两个类似操作的性能。IPython 提供了一个神奇命令 timeit 来执行此操作。它运行代码多次以获得更准确的结果。同样，它也适用于测量单行代码。

例如，你知道以下哪个加法运算更好：x = 5; y = x**2，x = 5; y = x*x，x = np.uint8([5]); y = x*x，还是 y = np.square(x)？我们将在 IPython shell 中使用 timeit 来找出答案。

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 最快，它比 NumPy 快大约 20 倍。如果你也考虑数组创建，它可能会快到 100 倍。很酷，对吧？（NumPy 开发人员正在处理这个问题）

注意

Python 标量运算比 NumPy 标量运算快。因此，对于包含一个或两个元素的操作，Python 标量优于 NumPy 数组。当数组大小稍大一些时，NumPy 具有优势。

我们将尝试另一个例子。这次，我们将比较cv.countNonZero() 和np.count_nonzero() 对同一图像的性能。

In [35]: %timeit z = cv.countNonZero(img)
100000 loops, best of 3: 15.8 us per loop
 
In [36]: %timeit z = np.count_nonzero(img)
循环 1000 次，3 次循环中最佳时间：每次循环 370 微秒

可以看到，OpenCV 函数的速度几乎是 NumPy 函数的 25 倍。

注意

通常情况下，OpenCV 函数比 NumPy 函数更快。因此，对于相同的操作，OpenCV 函数更可取。但是，也可能存在例外情况，尤其是在 NumPy 使用视图而不是副本时。

更多 IPython 魔术命令

还有其他几个魔术命令可以用于测量性能、分析性能、逐行分析性能、内存测量等。它们都有很好的文档记录。这里只提供这些文档的链接。建议感兴趣的读者尝试一下。

性能优化技巧

有几种技术和编码方法可以充分发挥 Python 和 NumPy 的性能。这里只记录相关的技巧，并给出重要资源的链接。需要注意的是，首先尝试以简单的方式实现算法。一旦算法工作正常，对其进行分析，找到瓶颈，然后进行优化。

1. 尽可能避免在 Python 中使用循环，尤其是双重/三重循环等。它们本身就非常慢。
2. 尽可能地将算法/代码向量化，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. 除非必要，否则不要复制数组。尽量使用视图。数组复制是一项代价高昂的操作。

如果完成所有这些操作后代码仍然很慢，或者不可避免地要使用大型循环，请使用 Cython 等附加库来提高速度。

附加资源

1. Python 优化技巧
2. Scipy 教程 - 高级 NumPy
3. IPython 中的时间测量和性能分析