8-Performance+Measurement+and+Improvement+Techniques

1.衡量代码的性能
2.提高代码性能的细节
3.学习函数cv.getTickCount,cv.getTickFrequency

1、用OpenCV衡量性能

cv.getTickCount函数返回针对参考事件调用函数时的时钟周期数。 所以如果你在函数执行前后调用它，你会得到用于执行函数的时钟周期数。
cv.getTickFrequency函数返回时钟周期的频率或每秒钟的时钟周期数。

import cv2 as cv
import numpy as np

#计算代码的执行时间
e1 = cv.getTickCount()
# your code execution
e2 = cv.getTickCount()
time = (e2 - e1)/ cv.getTickFrequency()

img1 = cv.imread('./images/wolf.jpg')
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 )
# Result I got is 0.521107655 seconds

1.947188311738297

2、OpenCV中的默认优化

很多OpenCV功能都使用SSE2，AVX等对代码进行优化。编译时默认启用。可以使用cv.useOptimized()检查是否启用/禁用,使用cv.setUseOptimized()启用/禁用

cv.useOptimized()

False

%timeit res = cv.medianBlur(img1,49)

90.3 ms ± 426 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

cv.setUseOptimized(True)

cv.useOptimized()

True

%timeit res = cv.medianBlur(img1,49)

91 ms ± 100 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

3、在IPython中衡量性能

x = 5

%timeit y=x**2

305 ns ± 3.03 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

%timeit y=x*x

42.3 ns ± 0.272 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

z = np.array([5])
print(z)

[5]

%timeit y=z*z

392 ns ± 5.95 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

%timeit y=np.square(z)

451 ns ± 0.907 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

4、优化技术

1.尽可能避免在Python中使用循环，特别是双/三循环等。它们本质上很慢。
2.因为Numpy和OpenCV针对向量操作进行了优化，所以可以尽可能地向最大程度地矢量化算法/代码。
利用缓存一致性。
3.除非需要，否则不要复制阵列的副本。 尝试使用视图。 阵列复制是一项代价高昂的操作。
4.即使在完成所有这些操作之后，如果代码仍然很慢，或者使用大循环是不可避免的，请使用Cython等其他库来加快速度。