无语，总有一些人脑壳有包！

def load_image_into_numpy_array(path):
    img_data=tf.io.gfile.GFile(path,'rb').read()
    image=Image.open(BytesIO(img_data))
    
    # print(image.shape)
    (im_width,im_height)=image.size
    return np.array(image.getdata()).reshape((im_height,im_width,3)).astype(np.uint8)

有个国外tensorflow的文档介绍 object detective 时使用了上面的自定义函数，最初没有在意，以为是特殊的转换要求之类的。

比较tensorflow 看起来很多花花肠子的样子！

后来觉得object detective 性能太低了，于是从性能分析的角度找原因，重新仔细的看了一下代码，这不就是把图片读成numpy 吗？

为啥要写成上面这个样子？使用cv2 哪里不香了？

然后改成了下面这个

 

def load_image_into_numpy_array(path):
    image=cv2.imread(path)
    image2 = cv2.cvtColor(image, cv2.COLOR_RGB2BGR)
    return image2

 

上面的代码由于RGB和BGR 的问题，进行了转换

 

效果一模一样，性能提升100倍！

18.8088018  0.17322889999999802

 

简直让人无语了！

 

注意cv2 和plt 显示图片的通道是不一样的。

一个是RGB,另外一个BGR

有些人使用了下面的代码来处理：

img = cv2.imread('xxx.jpg')  
b,g,r = cv2.split(img)  
img2 = cv2.merge([r,g,b])  

 

我就想问问： 明明cv2 中有cvtColor 啊

 

cv2.cvtColor(image, cv2.COLOR_RGB2BGR)

 

这些写代码的人群是咋了？？？