Python多进程加快图片读取速度、多进程下图片的有序读取(mp.Queue)

Python多进程加快图片读取速度(mp.Queue)

多进程，加快图片读取，多进程下图片的有序读取，Python，multiprocessing，multiprocessing.Queue，opencv-python

• 文章结构

  • 快速使用，多进程读取图片（简化版）
  • 影响读取速度的瓶颈（CPU 与磁盘）
  • 多进程读取图片（完整版）：有序读取、图片检查

1.快速使用，多进程读取图片（简化版）

黑色加粗的地方，是文件夹路径，请自行修改，图片为 jpg 格式，可以直接复制运行一下，体验一下磁盘占用率 100% 的感觉。

这里用到了 python3 自带的 multiprocessing.Queue 完成多进程的实现，如果你想先对 multiprocessing 有一定的了解，可以先看我的另一篇文章（还没写，有人催我就写）——multiprocessing 简单使用

import os
import multiprocessing as mp

import cv2
import numpy as np

'''
2018-07-05 Yonv1943 show file images, via multiprocessing
2018-09-04 use multiprocessing for loading images
2018-09-05 add simplify
'''


def img_load(queue, queue_idx__img_paths):
    while True:
        idx, img_path = queue_idx__img_paths.get()
        img = cv2.imread(img_path)  # Disk IO
        queue.put((img, idx, img_path))


def img_show(queue, window_name=''):  # img_show_simplify
    cv2.namedWindow(window_name, cv2.WINDOW_KEEPRATIO)
    while True:
        img, idx, img_path = queue.get()
        cv2.imshow(window_name, img)
        cv2.waitKey(1)


def run():
    src_path = 'F:/url_get_image/ftp.nnvl.noaa.gov_GER_2018'
    img_paths = [os.path.join(src_path, f) for f in os.listdir(src_path)]

    mp.set_start_method('spawn')

    queue_img = mp.Queue(8)
    queue_idx__img_path = mp.Queue(len(img_paths))
    [queue_idx__img_path.put(idx__img_path) for idx__img_path in enumerate(img_paths)]

    processes = list()
    processes.append(mp.Process(target=img_show, args=(queue_img,)), )
    processes.extend([mp.Process(target=img_load, args=(queue_img, queue_idx__img_path))
                      for _ in range(3)])

    [setattr(process, "daemon", True) for process in processes]
    [process.start() for process in processes]
    [process.join() for process in processes]


if __name__ == '__main__':
    run()

2.影响读取速度的瓶颈（CPU 与磁盘）

开启多个进程从磁盘读取文件，并由 CPU 解析图片格式，将图片转化为 numpy 的 ndarray 保存在内存里面

当备用内存中找不到我们要读取的图片时，进程开始从磁盘中读取，这个时候磁盘成为限制读取的瓶颈。

如果操作系统有类似于 Win10 的 Superfetch 服务，那么读取初期，要读取的文件其实已经在内存里面了，此时的系统瓶颈在 CPU 处，CPU 需要把对应的图片格式转化为 ndarray

看下面图中的 CPU 占用 与 磁盘占用，可以看到前期是 CPU 满载，后期是磁盘满载，

因为我没有把读取到内存的 ndarray 继续保存在内存里，所以内存占用没有上升。

3.多进程读取图片（完整版）

我放了一份完整版代码在 GitHub 上： DEMO_images_load_order_mp_cv2.py（GitHub 上的代码会时常修改，有时候因为文件改名，会导致链接会指向错误，到时候请联系我修改，当然你也可以直接看下面的代码）

完整版添加了：

• 多进程下的有序读取：维护一个有序数组，按顺序读取图片
• 图片类型检查：图片是否可以正确读取，检查图片是否完整
• 图片后缀名检查：只读取匹配的文件类型，如 jpg

import os
import multiprocessing as mp

import cv2
import numpy as np

'''
2018-07-05 Yonv1943 show file images, via multiprocessing
2018-09-04 use multiprocessing for loading images
2018-09-05 add simplify
'''


def img_load(queue, queue_idx__img_paths):
    while True:
        idx, img_path = queue_idx__img_paths.get()
        img = cv2.imread(img_path)  # Disk IO
        queue.put((img, idx, img_path))


def img_show(queue, window_name=''):  # check images and keep order
    cv2.namedWindow(window_name, cv2.WINDOW_KEEPRATIO)

    import bisect
    idx_previous = -1
    idxs = list()
    queue_gets = list()
    while True:
        queue_get = queue.get()
        idx = queue_get[1]
        insert = bisect.bisect(idxs, idx)  # keep order
        idxs.insert(insert, idx)
        queue_gets.insert(insert, queue_get)

        # print(idx_previous, idxs)
        while idxs and idxs[0] == idx_previous + 1:
            idx_previous = idxs.pop(0)
            img, idx, img_path = queue_gets.pop(0)
            if not isinstance(img, np.ndarray):  # check images
                os.remove(img_path)
                print("| Remove no image:", idx, img_path)
            elif not (img[-4:, -4:] - 128).any():  # download incomplete
                os.remove(img_path)
                print("| Remove incomplete image:", idx, img_path)
            else:
                try:
                    cv2.imshow(window_name, img)
                    cv2.waitKey(1)
                except error as e:
                    print("|Error:", e, idx, img_path)



def run():
    src_path = 'F:/url_get_image/ftp.nnvl.noaa.gov_GER_2018'
    img_paths = [os.path.join(src_path, f) for f in os.listdir(src_path) if f[-4:] == '.jpg']
    print("|Directory perpare to load:", src_path)
    print("|Number of images:", len(img_paths), img_paths[0])

    mp.set_start_method('spawn')

    queue_img = mp.Queue(8)
    queue_idx__img_path = mp.Queue(len(img_paths))
    [queue_idx__img_path.put(idx__img_path) for idx__img_path in enumerate(img_paths)]

    processes = list()
    processes.append(mp.Process(target=img_show, args=(queue_img,)), )
    processes.extend([mp.Process(target=img_load, args=(queue_img, queue_idx__img_path))
                      for _ in range(3)])

    [setattr(process, "daemon", True) for process in processes]
    [process.start() for process in processes]
    [process.join() for process in processes]


if __name__ == '__main__':
    run()

4.多进程下的有序读取：（重点）

因为将读取的任务列表分发给各个 CPU 的时候，因为 CPU 读取耗费的时间不同，而导致图片顺序被小幅度打乱，所以需要将图片排序。

用于输出图片的 CPU_0 负责排序，如果上一张输出图片 01，那么下一张输出的图片是 02，如果接收到其他 CPU 传来的图片 04、图片 05，那么就先不输出，暂时存入有序列表；
接收到图片 02 后，才输出图片，等到缺少下一张图片的时候，再从 CPU 处接收新的图片。

4.1 图片类型检查：

读取大量图片的时候，需要进行类型检查，以避免程序因错误而中断，这里进行了两个检查

1. 检查图片是否正确读取（使用 Python 的内建函数 ininstance(object, object)）
2. 检查图片是否下载完整（未完整下载的图片，图片下方 RGB 值为固定值）
3. 捕获未知的错误

其实对于无法打开的图片，比较好的处理方式并不是删除，而是移动，把出错的图片移动到其他文件夹。使用 shutil.rmtree() 替代 os.remove()

if not isinstance(img, np.ndarray):  # check images
    os.remove(img_path)
    print("| Remove no image:", idx, img_path)
elif not (img[-4:, -4:] - 128).any():  # download incomplete
    os.remove(img_path)
    print("| Remove incomplete image:", idx, img_path)
else:
    try:
        cv2.imshow(window_name, img)
        cv2.waitKey(1)
    except error as e:
        print("|Error:", e, idx, img_path)

4.2 图片后缀名检查：

检查后缀名可以避开文件夹里面的其他文件，读取的图片格式应该随实际情况修改， 我读取的是’jpg’，以免被过滤掉，opencv-python 的 cv2.imread() 支持 jpg，jpeg，png，bmp 等格式的读取

src_path = 'F:\\url_get_image\\ftp.nnvl.noaa.gov_GER_2018'  # better in winOS
img_paths = [os.path.join(src_path, f) for f in os.listdir(src_path) if f[-4:] == '.jpg']

我读取的图片是从美国国家海洋和大气管理局下载的，在我的另外一篇文章（ 使用卷积网络移除卫星图片中的云层 ）中，我也需要使用多进程加快磁盘图片文件的读取，因为我顺便把多进程读取图片的代码发到网络上，方便大家交流。

参考资料：

17.2. multiprocessing - Process-based parallelism - Python 3.7.0 documentation