性能测量与改进技术

目标

在图像处理中，由于您每秒要处理大量的操作，因此强制要求您的代码不仅要提供正确的解决方案，还要以最快的方式提供解决方案。因此，在本章中，您将学习

• 测量代码的性能。
• 提高代码性能的一些技巧。
• 您将看到以下函数：cv.getTickCount, cv.getTickFrequency 等。

除了 OpenCV 之外，Python 还提供了一个模块 time，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，例如代码中每个函数花费的时间、函数被调用的次数等。但是，如果您使用 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，有关更多详细信息，请查看附加资源部分中的链接。

使用 OpenCV 测量性能

cv.getTickCount 函数返回自参考事件（例如机器打开的时刻）到调用此函数时刻的时钟周期数。因此，如果您在函数执行前后调用它，您将获得执行函数所用的时钟周期数。

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

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

我们将用以下示例演示。以下示例应用中值滤波，内核大小为 5 到 49 的奇数。（不要担心结果会是什么样子 - 这不是我们的目标）

img1 = cv.imread('messi5.jpg')
assert img1 is not None, "无法读取文件，请检查 os.path.exists()"
 
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

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

OpenCV 中的默认优化

许多 OpenCV 函数都使用 SSE2、AVX 等进行了优化。 它还包含未优化的代码。 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）。 默认情况下，编译时启用它。 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。 您可以使用 cv.useOptimized() 检查是否已启用/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

如您所见，优化的中值滤波比未优化的版本快 2 倍。 如果您检查其源代码，您会发现中值滤波是 SIMD 优化的。 因此，您可以使用它在代码顶部启用优化（请记住，默认情况下已启用）。

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 为您提供了一个神奇的命令 timeit 来执行此操作。 它多次运行代码以获得更准确的结果。 再次，它适用于测量单行代码。

例如，您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, 或 y = np.square(x)？ 我们将在 IPython shell 中使用 timeit 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

您可以看到，x = 5 ; y = x*x 最快，并且比 Numpy 快大约 20 倍。 如果您也考虑数组创建，它可能会达到 100 倍的速度。 酷，对吧？ （Numpy 开发人员正在解决此问题）

注意

Python 标量运算比 Numpy 标量运算快。 因此，对于包括一个或两个元素的操作，Python 标量比 Numpy 数组更好。 当数组的大小稍大时，Numpy 具有优势。

我们将尝试另一个例子。 这次，我们将比较同一图像的 cv.countNonZero() 和 np.count_nonzero() 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)
1000 loops, best of 3: 370 us per loop

参见，OpenCV 函数比 Numpy 函数快近 25 倍。

注意

通常，OpenCV 函数比 Numpy 函数快。 因此，对于相同的操作，首选 OpenCV 函数。 但是，可能存在例外，尤其是在 Numpy 处理视图而不是副本时。

更多 IPython 魔术命令

还有其他几个魔术命令可以测量性能、分析、行分析、内存测量等。它们都有很好的文档记录。 因此，这里只提供指向这些文档的链接。 建议有兴趣的读者尝试一下。

性能优化技术

有几种技术和编码方法可以最大限度地利用 Python 和 Numpy 的性能。 这里只记录了相关的，并给出了重要来源的链接。 这里要注意的主要事情是，首先尝试以简单的方式实现算法。 一旦它工作，分析它，找到瓶颈，并优化它们。

1. 尽可能避免在 Python 中使用循环，尤其是在双/三循环等中。它们本质上很慢。
2. 尽可能地向量化算法/代码，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。 尽量使用视图代替。 数组复制是一项代价高昂的操作。

如果在完成所有这些操作后，您的代码仍然很慢，或者如果不可避免地需要使用大型循环，请使用 Cython 等其他库来使其更快。

附加资源

1. Python 优化技术
2. Scipy 讲义 - 高级 Numpy
3. IPython 中的计时和分析